# マルチモーダル理解生成

VARGPT V1.1
Apache-2.0
VARGPT-v1.1は視覚自己回帰統一モデルで、反復命令チューニングと強化学習により、視覚理解と生成タスクを同時に実現できます。
テキスト生成画像 Transformers 英語
V
VARGPT-family
954
6
Blip Image Captioning Large
Bsd-3-clause
COCOデータセットで事前学習された視覚言語モデルで、正確な画像キャプション生成に優れています
画像生成テキスト
B
drgary
23
1
VARGPT LLaVA V1
Apache-2.0
VARGPTは統一されたマルチモーダルモデルで、視覚理解と生成能力を組み合わせ、次のトークンを予測することで理解し、次のスケールを予測することで生成を実現します。
テキスト生成画像 Transformers 英語
V
VARGPT-family
4,291
5
Zcabnzh Bp
Bsd-3-clause
BLIPは統一された視覚言語事前学習フレームワークで、画像キャプション生成や視覚的質問応答などのタスクに優れており、革新的なデータフィルタリングメカニズムにより性能を向上させています
画像生成テキスト Transformers
Z
nanxiz
19
0
Pic2story
Bsd-3-clause
BLIPは統一された視覚-言語事前学習フレームワークで、画像キャプション生成と理解タスクに優れており、ガイド付き記述生成を通じてノイズネットワークデータを効果的に活用します
画像生成テキスト Transformers
P
abhijit2111
140
2
Image Captioning With Blip
Bsd-3-clause
BLIPは統一された視覚言語事前学習フレームワークで、画像キャプション生成などのタスクに優れており、条件付きおよび無条件のテキスト生成をサポートします
画像生成テキスト Transformers
I
Vidensogende
16
0
Blip Vqa Base
Bsd-3-clause
BLIPは統一された視覚言語事前学習フレームワークで、視覚質問応答タスクに優れており、言語-画像共同トレーニングによりマルチモーダル理解と生成能力を実現
テキスト生成画像 Transformers
B
Salesforce
1.9M
154
AIbase
未来を切り開く、あなたのAIソリューション知識ベース
© 2025AIbase