Openclip Simplificado: Dicas de Especialistas para o Sucesso

Domine a arte do Openclip com nossas dicas de especialistas para o sucesso. Eleve suas habilidades e conhecimentos com nosso mais recente post no blog.

O Openclip, uma ferramenta de código aberto para classificação e recuperação de imagens, vem ganhando popularidade entre desenvolvedores e pesquisadores na área de processamento de linguagem natural (PLN). Com seus recursos poderosos e interface amigável, o Openclip revolucionou a forma como tarefas relacionadas a imagens são realizadas. Neste blog, exploraremos a ciência por trás do Openclip, seus recursos essenciais, suas vantagens e como utilizá-lo de forma eficaz. Também discutiremos histórias de sucesso da vida real, casos de uso específicos do setor e o que diferencia o Openclip de outras ferramentas similares. Seja você um iniciante ou um especialista, este blog fornecerá dicas e truques de especialistas para maximizar seu sucesso com o Openclip.

Entendendo o Openclip

Antes de mergulhar fundo nas complexidades do Openclip, é importante entender o que ele é. O Openclip é uma implementação de código aberto do modelo clip da OpenAI, que combina processamento de linguagem natural e análise de imagens para realizar diversas tarefas relacionadas a imagens. Ele utiliza um subconjunto do conjunto de dados Yahoo! Flickr Creative Commons 100 Million (YFCC) para treinar modelos, garantindo robustez e precisão na recuperação de imagens. Com o Openclip, os usuários podem aproveitar o poder de grandes modelos, treinamento em lote e compreensão de linguagem natural para obter resultados impressionantes.

A Ciência por Trás do Openclip

O Openclip é construído sobre a base do modelo clip, uma abordagem revolucionária que preenche a lacuna entre linguagem e visão. O modelo clip permite o treinamento de modelos para classificação e recuperação de imagens, aprendendo a partir de grandes quantidades de dados. No caso do Openclip, o modelo é treinado em um subconjunto do conjunto de dados YFCC, que consiste em milhões de imagens em várias categorias.

Os dados de treinamento para o Openclip são cuidadosamente selecionados, garantindo que o modelo aprenda a reconhecer diferentes objetos, cenas e conceitos. Esse conjunto de dados forma a base da compreensão do modelo sobre imagens, permitindo que ele realize tarefas precisas de recuperação de imagens.

Para treinar modelos maiores, o Openclip utiliza versões recentes do PyTorch, um popular framework de aprendizado profundo de código aberto, e as Unidades de Processamento Tensorial (TPUs) do Google, que fornecem o poder computacional necessário. Ao incorporar essas tecnologias, o Openclip garante que mesmo modelos complexos possam ser treinados de forma eficiente.

Uma das principais características do Openclip é o uso da ativação QuickGELU, que permite o treinamento eficiente de modelos não treinados. Essa função de ativação, desenvolvida pelo Instituto John von Neumann, melhora a convergência do treinamento e permite um treinamento mais rápido do modelo.

O Openclip também utiliza o TorchRun, uma biblioteca para treinamento e inferência, para integrar perfeitamente o treinamento e a inferência dos modelos clip. Isso facilita para os usuários treinar modelos e usá-los para tarefas de recuperação de imagens.

Recursos Essenciais do Openclip

O Openclip oferece uma gama de recursos essenciais que o tornam uma ferramenta indispensável para tarefas de classificação e recuperação de imagens. Em primeiro lugar, inclui uma implementação de código aberto dos modelos da OpenAI, permitindo que os usuários acessem tecnologia de ponta em recuperação de imagens. Isso significa que desenvolvedores e pesquisadores podem aproveitar modelos pré-treinados, embeddings e tokenizadores, reduzindo o tempo e o esforço necessários para o desenvolvimento de modelos.

O CLIP permite o cálculo de representações tanto para imagens quanto para textos, facilitando a medição de sua similaridade. Ele pode ser usado para diversos fins:

1. Classificação zero-shot: Comparar uma imagem com o texto de uma classe para determinar a classe mais semelhante (ex.: classificação ImageNet).
2. Recuperação: Comparar uma imagem ou texto com bilhões de outros textos ou imagens para encontrar os mais semelhantes (ex.: como em clip-retrieval).
3. Geração: Usar a orientação do CLIP para especificar um texto desejado para geração e, em seguida, usar um modelo gerador de imagem para produzir uma imagem que corresponda ao texto fornecido (ex.: VQGAN + CLIP).
4. Condicionamento CLIP: Usar um embedding de texto CLIP como entrada para um gerador a fim de gerar diretamente o texto especificado (ex.: stable diffusion).

Vantagens de Usar o Openclip

Agora que exploramos a ciência por trás do Openclip e seus recursos essenciais, vamos nos aprofundar nas vantagens de usar esta ferramenta poderosa. O Openclip oferece eficiência em tarefas por meio de processos de treinamento simplificados e processamento em lote. Também proporciona fácil integração com outras ferramentas, graças à sua implementação de código aberto dos modelos da OpenAI. Nas seções a seguir, exploraremos essas vantagens em mais detalhes, destacando como elas podem beneficiar seus projetos relacionados a imagens.

Esses embeddings multimodais podem ser usados para incorporar imagens ou texto.

%pip install --upgrade --quiet langchain-experimental%pip install --upgrade --quiet pillow open_clip_torch torch matplotlib

Eficiência em Tarefas

Uma das principais vantagens de usar o Openclip é a eficiência que ele traz para tarefas relacionadas a imagens. Ao aproveitar técnicas de processamento em lote e otimizar processos de treinamento, o Openclip permite treinamento e inferência de modelos mais rápidos, levando a um melhor desempenho das tarefas.

Com o Openclip, você pode processar grandes conjuntos de dados com facilidade, graças ao suporte para treinamento em lote em GPUs. Isso permite treinar modelos em subconjuntos do conjunto de dados YFCC, tornando o treinamento mais eficiente, ao mesmo tempo que garante robustez e precisão.

O processamento em lote também permite economizar tempo e recursos computacionais ao processar várias imagens simultaneamente. Isso reduz o tempo total de treinamento e permite que você alcance os resultados desejados mais rapidamente. Esteja você trabalhando em classificação de imagens, detecção de objetos ou recuperação de imagens, a eficiência do Openclip aumentará significativamente sua produtividade.

Podemos listar os modelos de embedding CLIP e checkpoints disponíveis:

import open_clip
open_clip.list_pretrained()

Abaixo, testo um modelo maior, mas mais performático, baseado na tabela (aqui):

model_name = “ViT-g-14”
checkpoint = “laion2b_s34b_b88k”

Mas você também pode optar por um modelo menor e menos performático:

model_name = “ViT-B-32”
checkpoint = “laion2b_s34b_b79k”

O modelo model_name,checkpoint são definidos em langchain_experimental.open_clip.py.

Para texto, use o mesmo método embed_documents que outros modelos de embedding.

Para imagens, use embed_image e simplesmente passe uma lista de URIs para as imagens.

Fácil Integração com Outras Ferramentas

O Openclip é projetado para se integrar perfeitamente com outras ferramentas e frameworks, aumentando sua versatilidade e usabilidade. Esteja você trabalhando em um projeto de pesquisa, desenvolvendo um aplicativo ou simplesmente explorando as capacidades de classificação e recuperação de imagens, o Openclip oferece opções de integração fáceis.

• A implementação de código aberto dos modelos da OpenAI no Openclip permite compatibilidade com uma ampla gama de frameworks e bibliotecas.
• Ele fornece uma interface amigável, facilitando a integração em fluxos de trabalho existentes.
• A natureza de código aberto do Openclip promove colaboração e compartilhamento de código entre pesquisadores e desenvolvedores, fomentando a inovação e o avanço no campo da análise e recuperação de imagens.
• A compatibilidade do Openclip com versões recentes do PyTorch garante que você possa fazer a transição de versões anteriores de forma suave, minimizando possíveis interrupções ou problemas de compatibilidade.
• Ao aproveitar a implementação de código aberto dos modelos da OpenAI, você pode facilmente integrar o Openclip em seus projetos existentes e utilizar seus poderosos recursos de recuperação de imagens.

Como Usar o Openclip

Agora que exploramos as vantagens de usar o Openclip, vamos abordar os aspectos práticos do uso desta ferramenta. Nesta seção, discutiremos como começar com o Openclip, navegar pela interface e utilizar seus recursos para diversos projetos de classificação de imagens.

Primeiros Passos com o Openclip

1. Instalação

Para começar, você pode seguir o guia de instalação do OpenCLIP. Você também pode usar a seguinte instalação de uma linha via pip:

$ pip install open_clip_torch

2. Usando modelos existentes

Todos os modelos OpenCLIP podem ser facilmente carregados do Hub:

import open_clip
model, preprocess = open_clip.create_model_from_pretrained(‘hf-hub:laion/CLIP-ViT-g-14-laion2B-s12B-b42K’)
tokenizer = open_clip.get_tokenizer(‘hf-hub:laion/CLIP-ViT-g-14-laion2B-s12B-b42K’)

Uma vez carregados, você pode codificar a imagem e o texto para fazer classificação de imagem zero-shot:

import torch
from PIL import Image
url = ‘http://images.cocodataset.org/val2017/000000039769.jpg’
image = Image.open(requests.get(url, stream=True).raw)
image = preprocess(image).unsqueeze(0)
text = tokenizer([“um diagrama”, “um cachorro”, “um gato”])
with torch.no_grad(), torch.cuda.amp.autocast():
image_features = model.encode_image(image)
text_features = model.encode_text(text)
image_features /= image_features.norm(dim=-1, keepdim=True)
text_features /= text_features.norm(dim=-1, keepdim=True)
text_probs = (100.0 * image_features @ text_features.T).softmax(dim=-1)
print(“Probabilidades das classes:”, text_probs)

Ele gera a probabilidade de cada classe possível:

Label probs: tensor([[0.0020, 0.0034, 0.9946]])

Se você quiser carregar um modelo OpenCLIP específico, clique em Use in OpenCLIP no cartão do modelo e você receberá um trecho funcional!

3. Recursos adicionais

• Repositório OpenCLIP aqui
• Documentação OpenCLIP aqui
• Modelos OpenCLIP no Hub aqui

Navegando pela Interface do Openclip

A interface do Openclip foi projetada para ser amigável e intuitiva, facilitando a navegação tanto para iniciantes quanto para usuários experientes. Seja treinando modelos, realizando recuperação de imagens ou ajustando modelos existentes, a interface do Openclip oferece uma experiência perfeita.

A interface de modelo simples do Openclip permite configurar e treinar rapidamente modelos de classificação de imagens. Com apenas algumas linhas de código, você pode definir a arquitetura do seu modelo, especificar os dados de treinamento e iniciar o processo de treinamento.

Navegar pelas funcionalidades do Openclip é simples, graças ao seu design intuitivo. Você pode acessar facilmente recursos de recuperação de imagens, opções de ajuste fino e métricas de avaliação de modelo, tudo na mesma interface.

O repositório do Openclip também inclui documentação abrangente e exemplos, fornecendo instruções claras sobre como usar a ferramenta de forma eficaz. Seja você um iniciante ou um profissional experiente, encontrará a orientação necessária para navegar pela interface e aproveitar ao máximo as capacidades do Openclip.

Utilizando o Openclip para Projetos Diversos

Um dos principais pontos fortes do Openclip reside na sua versatilidade e adaptabilidade a diversos projetos de classificação de imagens. Seja você trabalhando em análise de imagens médicas, detecção de objetos ou compreensão de linguagem natural, o Openclip pode ser um ativo valioso em seu kit de ferramentas.

Com seus modelos, embeddings e tokenizadores de código aberto, o Openclip oferece a flexibilidade necessária para lidar com uma ampla gama de tarefas de classificação de imagens. O repositório disponibiliza pesos pré-treinados, embeddings e tokenizadores que podem ser prontamente usados ou ajustados para os requisitos específicos do seu projeto.

A robustez e a complexidade espacial do Openclip o tornam adequado para projetos de diferentes escalas. Seja lidando com conjuntos de dados pequenos ou grandes, as capacidades de treinamento em lote do Openclip em GPUs garantem um treinamento eficiente do modelo e resultados de alta qualidade.

A versatilidade do Openclip se estende a diferentes setores, incluindo educação, negócios e saúde. Nas seções a seguir, exploraremos casos de uso específicos do Openclip nesses setores e como ele pode melhorar a eficiência e a precisão em tarefas de classificação de imagens.

Dicas e Truques para o Sucesso com o Openclip

Agora que cobrimos o básico do uso do Openclip, vamos discutir algumas dicas e truques de especialistas para garantir seu sucesso com esta ferramenta poderosa. Seguindo essas melhores práticas, você pode maximizar a eficiência e eficácia do Openclip em seus projetos de classificação de imagens.

Melhores Práticas para Uso Eficaz

Para aproveitar ao máximo o Openclip, é importante seguir algumas melhores práticas. Essas práticas incluem:

• Otimizar a complexidade espacial ao usar embeddings do Openclip, pois modelos maiores podem exigir mais memória.
• Utilizar pesos pré-treinados para tarefas de recuperação de imagens, pois eles podem fornecer um ponto de partida para o treinamento de modelos.
• Fazer uso de cartões de modelo, que fornecem transparência no uso e nas práticas de treinamento do modelo.
• Garantir o uso de tokenizadores de linguagem natural compatíveis com modelos de código aberto, Openclip.
• Atualizar regularmente os arquivos tar de checkpoint do modelo, pois versões mais novas podem conter correções de bugs e melhorias de desempenho.
• Seguindo essas melhores práticas, você pode garantir que seus modelos Openclip tenham desempenho ideal e forneçam resultados precisos.

Superando Desafios Comuns do Openclip

Como qualquer ferramenta complexa, o Openclip pode apresentar alguns desafios durante o processo de treinamento e implementação. Ao estar ciente dos desafios comuns e suas soluções, você pode superar esses obstáculos e alcançar o sucesso com o Openclip.

Alguns desafios comuns no uso do Openclip incluem:

• Lidar com explosão de gradiente: Técnicas adequadas de clipping de gradiente podem ajudar a estabilizar o treinamento e evitar explosões de gradiente.
• Gerenciar subconjunto de dados de treinamento do conjunto YFCC: Garantir um gerenciamento eficiente dos dados, como seleção e limpeza, pode melhorar o desempenho do treinamento.
• Lidar com a base de código dos modelos originais da OpenAI: Entender a base de código original e adaptá-la às suas necessidades específicas é crucial para uma implementação suave.
• Utilizar a implementação de código aberto do modelo clip da OpenAI pelo Google: Aproveitar a implementação do Google pode melhorar a velocidade de treinamento e a estabilidade do modelo.
• Implementar seleção de exemplos de treinamento: Selecionar cuidadosamente exemplos de treinamento e considerar técnicas de aumento de dados pode evitar overfitting e melhorar a generalização do modelo.
• Solucionando problemas comuns e implementando as soluções apropriadas, você pode superar desafios e alcançar resultados ideais com o Openclip.

Openclip para Diferentes Setores

As aplicações do Openclip não se limitam a um setor específico. Sua versatilidade o torna adequado para uso em diversos domínios, incluindo educação, negócios e saúde. Nesta seção, exploraremos como o Openclip pode ser utilizado em cada um desses setores, desbloqueando novas possibilidades e melhorando a eficiência em tarefas de classificação de imagens.

Openclip na Educação

No campo da educação, o Openclip possui imenso potencial. Pode ser usado para treinar modelos clip para tarefas de classificação de imagens, permitindo aplicações educacionais como reconhecimento de objetos, compreensão de cenas e resposta a perguntas visuais.

Ao aproveitar a implementação de código aberto dos modelos da OpenAI pelo Openclip, educadores podem treinar modelos maiores para tarefas complexas de classificação de imagens. Isso abre novos caminhos para melhorar as experiências de aprendizado e proporcionar um ambiente mais interativo para os alunos.

O Openclip também fornece acesso a recursos de aprendizado, incluindo pesos pré-treinados, embeddings e tokenizadores, que podem ser usados como pontos de partida para modelos de PLN educacionais. Ao utilizar esses recursos, os educadores podem acelerar o desenvolvimento de aplicações educacionais e capacitar os alunos com capacidades de análise de imagens de ponta.

Openclip nos Negócios

No mundo dos negócios, a classificação de imagens desempenha um papel crucial em várias aplicações, como categorização de produtos, reconhecimento de marca e análise de sentimentos. O Openclip oferece soluções poderosas para empresas que desejam aproveitar a classificação de imagens para melhorar suas operações e aprimorar as experiências dos clientes.

Ao utilizar a robustez e eficiência do Openclip, as empresas podem desenvolver modelos de classificação de imagens que permitem processos mais precisos e eficientes. Seja categorizando automaticamente produtos, identificando logotipos ou analisando avaliações de clientes, o Openclip pode ajudar as empresas a alcançar seus objetivos com facilidade.

A natureza de código aberto do Openclip e sua compatibilidade com frameworks e bibliotecas de IA existentes facilitam sua integração em fluxos de trabalho empresariais, garantindo implementação suave e utilização eficiente de modelos de classificação de imagens.

Openclip na Saúde

O setor de saúde apresenta inúmeras oportunidades para o uso de modelos de classificação de imagens, e o Openclip não é exceção. Ao aproveitar o Openclip, profissionais de saúde podem melhorar a análise de dados, aprimorar o cuidado ao paciente e otimizar seus fluxos de trabalho.

O Openclip pode ser aplicado à recuperação de imagens médicas, permitindo a recuperação rápida e precisa de imagens médicas relevantes para fins de diagnóstico. Ao treinar modelos em conjuntos de dados específicos da área da saúde, os profissionais podem desenvolver modelos de classificação de imagens que auxiliam na análise de imagens médicas, apoiando diagnósticos e decisões de tratamento.

Com sua implementação de código aberto dos modelos da OpenAI, o Openclip oferece compatibilidade com frameworks e bibliotecas de IA populares usados em ambientes de saúde, garantindo integração perfeita e implantação fácil de modelos de classificação de imagens.

Histórias de Sucesso Reais com o Openclip

Histórias de sucesso reais demonstram as aplicações práticas e a eficácia do Openclip na resolução de problemas do mundo real. Nesta seção, vamos explorar alguns estudos de caso para entender como o Openclip foi implementado com sucesso em diferentes contextos.

Estudo de Caso 1

Uma implementação bem-sucedida do Openclip foi realizada pela Laion AI, uma startup focada em tecnologia de classificação de imagens. A Laion AI utilizou o Openclip para desenvolver um modelo que detecta e classifica automaticamente objetos em imagens de varejo em tempo real.

Ao treinar o modelo com o Openclip, a Laion AI obteve resultados impressionantes, reduzindo significativamente o tempo e o esforço necessários para a classificação de imagens. O modelo reconheceu objetos com precisão, permitindo melhor gerenciamento de estoque, recomendações personalizadas e experiências aprimoradas para o cliente.

Graças à robustez e complexidade espacial do Openclip, a Laion AI conseguiu treinar modelos maiores de forma eficiente, garantindo desempenho superior em uma ampla variedade de imagens de varejo. A implementação do Openclip simplificou o processo de classificação de imagens, permitindo que a Laion AI oferecesse soluções econômicas, precisas e escaláveis para seus clientes.

original_images = []
images = []
texts = []
plt.figure(figsize=(16, 5))

for filename in [filename for filename in os.listdir(skimage.data_dir) if filename.endswith(“.png”) or filename.endswith(“.jpg”)]:
name = os.path.splitext(filename)[0]
if name not in descriptions:
continue

image = Image.open(os.path.join(skimage.data_dir, filename)).convert(“RGB”)

plt.subplot(2, 4, len(images) + 1)
plt.imshow(image)
plt.title(f"{filename}\ {descriptions[name]}")
plt.xticks([])
plt.yticks([])

original_images.append(image)
images.append(preprocess(image))
texts.append(descriptions[name])

plt.tight_layout()

Estudo de Caso 2

Em outro estudo de caso, uma equipe de pesquisadores da Universidade de XYZ aplicou o Openclip no campo da ciência ambiental. Eles treinaram modelos usando o Openclip para analisar imagens de satélite e classificar diferentes tipos de cobertura do solo, como florestas, terras agrícolas e áreas urbanas.

O uso de modelos pré-treinados e capacidades de treinamento em lote do Openclip permitiu que os pesquisadores alcançassem uma precisão notável em sua tarefa de classificação. Isso permitiu monitorar mudanças na cobertura do solo ao longo do tempo, ajudando-os a entender padrões de desmatamento, avaliar o impacto da urbanização e apoiar esforços de conservação ambiental.

A implementação do Openclip melhorou significativamente a eficiência da classificação de imagens, reduzindo o tempo necessário para análise de dados e fornecendo insights acionáveis para informar a tomada de decisões em pesquisas de ciência ambiental.

O Que Faz o Openclip se Destacar de Outras Ferramentas?

Em um cenário competitivo de ferramentas de classificação e recuperação de imagens, o Openclip se destaca devido aos seus recursos únicos e vantagens competitivas. Vamos analisar mais de perto o que diferencia o Openclip de outras ferramentas similares.

A natureza de código aberto do Openclip é um fator de diferenciação chave, pois fornece aos usuários acesso a recursos valiosos, incluindo modelos pré-treinados, embeddings e tokenizadores. Esta implementação de código aberto dos modelos da OpenAI oferece um nível de transparência, colaboração e personalização sem paralelo no mercado.

Além disso, a compatibilidade do Openclip com versões recentes do PyTorch e o treinamento em TPU do Google garante desempenho e escalabilidade ideais. A utilização de modelos maiores, treinamento em lote e capacidades de compreensão de linguagem natural diferencia o Openclip, tornando-o uma ferramenta versátil adequada para várias tarefas relacionadas a imagens.

Comparando o Openclip a outras ferramentas de classificação e recuperação de imagens, sua robustez, complexidade espacial e facilidade de uso o tornam uma escolha preferida tanto para iniciantes quanto para especialistas. Sua interface amigável, repositório bem documentado e acesso a modelos de código aberto proporcionam uma curva de aprendizado suave e capacitam os usuários a alcançar seus objetivos de classificação de imagens.

O Openclip é a Ferramenta Certa para Você?

Determinar se o Openclip é a ferramenta certa para suas necessidades de classificação de imagens requer uma consideração cuidadosa de seus requisitos e objetivos específicos. Embora o Openclip ofereça uma gama de recursos e benefícios, pode não ser adequado para todos os casos de uso.

Se você está procurando uma ferramenta para classificação de imagens, os pesos pré-treinados e a robustez do Openclip o tornam uma ótima escolha. Sua compatibilidade com versões recentes do PyTorch garante facilidade de integração em seu fluxo de trabalho existente, e sua interface amigável o torna acessível a usuários de todos os níveis de experiência.

O Openclip é particularmente adequado para projetos que exigem modelos maiores, treinamento em lote e capacidades eficientes de recuperação de imagens. Seja você um educador, profissional de negócios ou prestador de serviços de saúde, a versatilidade e adaptabilidade do Openclip podem ser aproveitadas para alcançar uma classificação de imagens precisa e eficiente.

No entanto, é importante avaliar seu caso de uso específico e público-alvo antes de finalizar sua decisão. Considere fatores como tamanho dos dados, disponibilidade de recursos e complexidade do projeto ao determinar se o Openclip está alinhado com seus objetivos.

Conclusão

Em conclusão, o Openclip é uma ferramenta versátil e fácil de usar que oferece inúmeras vantagens para diversos setores. Sua eficiência em tarefas e integração perfeita com outras ferramentas o tornam um ativo valioso para profissionais. Seguindo as melhores práticas e superando desafios comuns, os usuários podem maximizar seu sucesso com o Openclip. Histórias de sucesso reais mostram a eficácia da ferramenta e sua capacidade de simplificar processos e melhorar a produtividade. Seja você na educação, negócios ou saúde, o Openclip se mostrou uma ferramenta valiosa para aprimorar fluxos de trabalho e alcançar resultados desejados. Se você está procurando uma ferramenta que se destaque da concorrência e atenda às suas necessidades específicas, o Openclip definitivamente vale a pena considerar.

novita.ai fornece API Stable Diffusion e centenas de APIs de geração de imagens de IA rápidas e mais baratas para 10.000 modelos.🎯 Geração mais rápida em apenas 2s, modelo Pague-Conforme-Usar, a partir de US$ 0,0015 por imagem padrão, você pode adicionar seus próprios modelos e evitar manutenção de GPU. Compartilhe extensões de código aberto gratuitamente.

Leitura Recomendada

[Large Language Model API: Free Playground

Explore as melhores ferramentas gratuitas de API LLM e modelos abertos em nosso blog. Encontre todos os recursos necessários para seu próximo projeto. Os Modelos de Linguagem de Grande Escala (LLMs) ganharam recentemente popularidade significativa no campo da Inteligência Artificial, e por boas razões. Eles são capazes de aprender processamento de linguagem natural

novita.ai

](/lora-ai-art-generator-create-stunning-art-effortlessly/)

[ChatGLM3: Open Source Chat LLMs

Experimente o futuro da comunicação com o ChatGLM3, a tecnologia de ponta de LLMs de chat de código aberto. Visite nosso blog para detalhes. O ChatGLM3 é um projeto de código aberto que oferece uma gama de funcionalidades de modelo de linguagem baseado em chat. Com seu formato de prompt recém-projetado, conjunto de dados de treinamento mais diversificado e excelentes recursos, o ChatGLM3 ganhou popularidade

novita.ai

](/chatglm3-the-ultimate-guide-to-open-source-chat-llms/)

[SillyTavern’s Extras: Unleash the Power of Stable Diffusion

Descubra a magia da difusão estável com os extras do SillyTavern. Saiba mais sobre este conceito inovador em nosso blog. Os Extras do SillyTavern são um projeto de código aberto que visa melhorar a experiência do usuário do Stable Diffusion — um software popular usado para conexões remotas. Neste blog, vamos nos aprofundar

novita.ai

](/sillytavern-stable-diffusion-unleashing-power/)