Eagle

用数据策略打造更强的视觉语言模型,训练效果立竿见影

Eagle 是一个前沿的视觉-语言模型(VLM)项目,强调以数据为中心的策略来提升模型性能。它解决了当前多模态模型在数据利用效率和训练效果上的瓶颈,通过精心设计的数据筛选、配比和训练流程,使模型在视觉问答、图像理解等任务上达到领先水平。项目提供了完整的训练代码、数据策略说明和模型权重,核心能力包括高效的数据处理管线、可复现的训练方案以及在不同规模模型上的稳定表现。其数据为中心的思路区别于传统的架构创新,为社区提供了新的优化方向。

开源 free 开源模型
访问官网 ↗ GitHub ↗ 文档 ↗
GitHub 星标 ★ 3603
维护状态 低维护
是否开源
定价模式 free

项目数据

分类开源模型
开发团队NVlabs
所属国家
定价模式free
价格说明开源模型,Apache-2.0许可,完全免费,可自行部署使用。
访问状态
是否开源
开源协议Apache-2.0
主要语言Python
技术栈/模型demo,eagle,gpt4,huggingface,large-language-models,llama,llama3,llava,llm,lmm,lvlm,mllm,nvdia
GitHub 星标★ 3603
30天Star增速
HF 下载量
上线时间2024-06-27 00:00:00
最近更新2026-09-23 00:00:00
维护状态低维护
中文支持
访问方式
移动端支持
综合评分
收录时间2026-08-09
浏览次数6

使用教程

难度:高级 约 30 分钟 部署方式:本地安装 5 步

⚠ 该项目 README 未提供完整安装说明,以下步骤为通用流程,请以官方文档为准。

环境要求

  • Python 环境(README 标注项目开发语言为 Python)
  • 支持 CUDA 的 NVIDIA GPU,README 提到可在 A100、RTX 4090 等显卡上推理
  • 能访问 HuggingFace 下载模型权重(README 提供 Model Collection 链接)
  • 足够的磁盘空间存放模型权重与数据

安装与启动步骤

  1. 1克隆项目仓库

    从 GitHub 拉取 Eagle 源码,README、各版本报告与代码分别位于 Eagle、Eagle2_5 等子目录。

    git clone https://github.com/NVlabs/Eagle.git
    cd Eagle
  2. 2确认 GPU 环境

    README 提到推理可在 A100、RTX 4090 等非 Hopper/Blackwell 显卡上运行,先确认显卡与驱动可用。

    nvidia-smi
  3. 3下载模型权重

    打开 HuggingFace 的 nvidia/eagle 模型集合页面,按需要选择对应版本权重下载到本地。

  4. 4阅读版本说明

    先看 Eagle 2 / Eagle 2.5 报告与对应子目录文档,各版本依赖安装与运行方式各不相同。

  5. 5按子目录说明安装

    进入所选版本的子目录(如 Eagle2_5、Embodied),依据其自身文档安装依赖并运行脚本。

如何确认成功

README 未给出统一启动命令,需按所选版本子目录说明执行;能跑通该版本自带 demo 或脚本即为成功。

常见问题

Q:克隆仓库后就能直接用吗?

A:不能。Eagle 是研究项目,Eagle、Eagle 2.5、LocateAnything 等版本各有独立代码与说明,必须按对应子目录文档安装依赖并下载权重。

Q:没有 NVIDIA 显卡能运行吗?

A:README 中提到的推理环境为 A100、RTX 4090 等 GPU,未说明 CPU 方案,建议使用支持 CUDA 的显卡。

Q:模型权重在哪里获取?

A:README 提供了 HuggingFace 的 nvidia/eagle Model Collection 链接,可在该集合页选择所需版本权重下载。

注意事项

  • 本次 README 节选只有标题、链接与更新日志,没有安装命令,以上步骤均为通用准备动作,务必以仓库内各子目录文档为准。
  • 项目同时包含 Eagle、Eagle 2、Eagle 2.5 与 LocateAnything 多个版本,安装时注意不要混用。
  • 训练与推理对显存、存储和 CUDA 版本要求较高,建议先在小规模 demo 上验证环境。

核心亮点

  • 数据策略创新,通过精细数据配比提升模型性能,而非仅依赖架构改动
  • 提供完整训练代码和模型权重,易于复现和二次开发
  • 在多个视觉-语言基准上达到前沿水平,效果有实证支撑

不足之处

  • 文档/社区待观察,项目较新,生态和教程可能不够丰富
  • 数据策略的通用性需验证,可能依赖特定数据集和场景

适用场景

  • 研究者探索数据驱动的大模型训练方法
  • 开发者需要高性能VLM用于图像理解应用
  • 团队希望基于现有VLM进行领域微调

替代项目

LLaVA、Qwen-VL、InternVL

项目介绍

Eagle 是开源模型领域的开源项目,由 NVlabs 开发,2024 年首次发布。

在全站 12,961 个收录项目中,它的 GitHub 星标数(3,588)位列前 30%,在开源模型分类中处于中上游。

近 42 天,它的 GitHub 星标从 3,374 增加到 3,588,净增 214。

项目仍在小幅维护中,最近一次代码更新于 2026-09-19。Apache-2.0许可,完全免费,可自行部署使用。

它主要面向的使用场景是:研究者探索数据驱动的大模型训练方法。同类可对比的替代方案包括 LLaVA、Qwen-VL、InternVL。

上一篇:needle

下一篇:how-to-optim-algorithm-in-cuda

同类项目推荐

Machine-Learning 开源

跟着博客笔记,边看边跑机器学习代码

All content related to machine learning from my blog

★ 115 2026-08-09
CoreML-Models 开源

下载即用的苹果端 AI 模型库,免去转换烦恼

Core ML model zoo for iOS/macOS — PyTorch models converted to ready-to-use .mlpacka···

★ 1873 2026-08-10