2025年最佳 1036 款文本生成圖像工具

基於Vision Transformer架構的大規模視覺語言預訓練模型，支持圖像與文本的跨模態理解

FashionCLIP是基於CLIP開發的視覺語言模型，專門針對時尚領域進行微調，能夠生成通用產品表徵。

Gemma 3是Google推出的輕量級先進開放模型系列，基於與Gemini模型相同的研究和技術構建。該模型是多模態模型，能夠處理文本和圖像輸入並生成文本輸出。

BLIP是一個統一的視覺語言預訓練框架，擅長視覺問答任務，通過語言-圖像聯合訓練實現多模態理解與生成能力

基於OpenCLIP框架在LAION-2B英文數據集上訓練的視覺-語言模型，支持零樣本圖像分類和跨模態檢索任務

基於OpenCLIP框架在LAION-2B英語子集上訓練的視覺-語言模型，支持零樣本圖像分類和跨模態檢索

PickScore v1 是一個針對文本生成圖像的評分函數，可用於預測人類偏好、評估模型性能和圖像排序等任務。

OWLv2是一種零樣本文本條件目標檢測模型，可通過文本查詢在圖像中定位對象。

Llama 3.2 是 Meta 發佈的多語言多模態大型語言模型，支持圖像文本到文本的轉換任務，具備強大的跨模態理解能力。

OWL-ViT是一個零樣本文本條件目標檢測模型，可以通過文本查詢搜索圖像中的對象，無需特定類別的訓練數據。

CLIP是由OpenAI開發的視覺-語言模型，通過對比學習訓練圖像和文本編碼器，支持零樣本圖像分類。

該模型是基於DataComp-1B數據集訓練的CLIP ViT-L/14模型，主要用於零樣本圖像分類和圖文檢索任務。

Florence-2是微軟推出的先進視覺基礎模型，採用基於提示的方法處理廣泛的視覺和視覺語言任務。

基於OpenCLIP框架在LAION-2B數據集上訓練的視覺-語言模型，支持零樣本圖像分類和跨模態檢索

Marqo-FashionSigLIP 是一種多模態嵌入模型，專為時尚產品搜索優化，相比 FashionCLIP 在 MRR 和召回率上提升了57%。

基於改進型多模態擴散變換器(MMDiT-X)的文生圖模型，在圖像質量、文字排版、複雜提示詞理解和資源效率方面均有顯著提升

CogView4-6B 是一個基於 GLM-4-9B 基礎模型的文生圖模型，支持中文和英文，能夠生成高質量的圖像。

Florence-2是微軟開發的先進視覺基礎模型，採用基於提示的方法處理廣泛的視覺和視覺語言任務。

SDXL-Turbo是一款快速的生成式文本到圖像模型，能夠通過單次網絡評估從文本提示生成逼真的圖像。

Florence-2是微軟開發的先進視覺基礎模型，採用基於提示的方法處理廣泛的視覺與視覺-語言任務。

OWLv2是一個零樣本文本條件目標檢測模型，可通過文本查詢在圖像中定位對象。

基於OpenCLIP框架訓練的多模態視覺語言模型，在LAION-2B英語數據集上訓練完成，支持零樣本圖像分類任務

SigLIP是基於WebLi數據集預訓練的視覺-語言模型，採用改進的sigmoid損失函數，在圖像分類和圖文檢索任務中表現優異。

由rinna株式會社訓練的日語CLOOB（對比留一增強）模型，用於圖像與文本的跨模態理解

CLIP是一個多模態視覺語言模型，能夠將圖像和文本映射到共享的嵌入空間，實現零樣本圖像分類和跨模態檢索。

OpenAI開發的CLIP模型，基於Vision Transformer架構，支持圖像與文本的聯合理解

SigLIP是基於WebLi數據集預訓練的改進版CLIP模型，採用Sigmoid損失函數優化圖像-文本匹配任務

Gemma是Google推出的輕量級先進開放模型系列，基於與Gemini模型相同的研究和技術構建。

HyperCLOVAX-SEED-Vision-Instruct-3B是由NAVER開發的輕量化多模態模型，具備圖文理解和文本生成能力，特別優化了韓語處理能力。

SigLIP 2 是基於 SigLIP 預訓練目標的改進模型，整合了多項技術以提升語義理解、定位和密集特徵提取能力。

基於WebLI數據集訓練的SigLIP（語言-圖像預訓練的Sigmoid損失）模型，適用於零樣本圖像分類任務。

基於多模態擴散Transformer架構的文本生成圖像模型，在圖像質量、排版效果和複雜提示理解方面有顯著提升

PaliGemma是一款多功能、輕量級的視覺語言模型(VLM)，基於SigLIP視覺模型和Gemma語言模型構建，支持圖像和文本輸入，輸出文本結果。

Janus-Pro 是一種創新的自迴歸框架，統一了多模態理解與生成功能。通過解耦視覺編碼路徑，採用單一Transformer架構處理，解決了視覺編碼器在理解與生成角色間的衝突。

MetaCLIP基礎版模型是基於CommonCrawl數據訓練的視覺-語言模型，用於構建圖像-文本共享嵌入空間。

Stability AI推出的多模態擴散變換器文生圖模型，在圖像質量、文字排版和複雜提示理解方面有顯著提升

ColQwen2是基於Qwen2-VL-2B-Instruct與ColBERT策略的視覺檢索模型，用於高效索引文檔的視覺特徵。

基於WebLI數據集訓練的SigLIP 2視覺語言模型，支持零樣本圖像分類任務。

MobileCLIP-S2 是一種高效的圖文模型，通過多模態強化訓練實現快速零樣本圖像分類。

LLaVA 是一個開源多模態聊天機器人，基於 LLaMA/Vicuna 微調並整合視覺能力，支持圖像和文本的交互。

ColPali是基於PaliGemma-3B與ColBERT策略的視覺檢索模型，用於高效索引文檔的視覺特徵

MetaCLIP是應用於CommonCrawl數據的CLIP框架實現，旨在揭示CLIP訓練數據篩選方法