2025年最佳 896 款圖像生成文本工具

CLIP是由OpenAI開發的視覺-語言模型，通過對比學習將圖像和文本映射到共享的嵌入空間，支持零樣本圖像分類

CLIP是由OpenAI開發的多模態模型，能夠理解圖像和文本之間的關係，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，優化了圖像-文本匹配任務。

CLIP是由OpenAI開發的多模態模型，通過對比學習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能力。

BLIP是一個先進的視覺-語言預訓練模型，擅長圖像描述生成任務，支持條件式和非條件式文本生成。

BLIP是一個統一的視覺-語言預訓練框架，擅長圖像描述生成任務，支持條件式和無條件式圖像描述生成。

OpenVLA 7B是一個基於Open X-Embodiment數據集訓練的開源視覺-語言-動作模型，能夠根據語言指令和攝像頭圖像生成機器人動作。

LLaVA 是一款開源多模態聊天機器人，基於 LLaMA/Vicuna 微調，支持圖文交互。

這是一個基於ViT和GPT2架構的圖像描述生成模型，能夠為輸入圖像生成自然語言描述。

BLIP-2是一個視覺語言模型，結合了圖像編碼器和大型語言模型，用於圖像到文本的生成任務。

SigLIP 2 是基於 SigLIP 預訓練目標的視覺語言模型，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。

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

基於Meta-Llama-3-8B-Instruct和CLIP-ViT-Large-patch14-336微調的LLaVA模型，支持圖像文本到文本任務

Phi-3.5-vision 是一款輕量級、前沿的開放多模態模型，支持128K上下文長度，專注於高質量、富含推理的文本和視覺數據。

Gemma是Google推出的輕量級前沿開放模型系列，基於與Gemini相同技術構建，支持多模態輸入和文本輸出。

GIT是一個基於CLIP圖像標記和文本標記的雙條件Transformer解碼器，用於圖像到文本的生成任務。

Gemma是Google推出的輕量級前沿開源多模態模型系列，基於創建Gemini模型的技術構建，支持文本和圖像輸入並生成文本輸出。

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，優化了圖像-文本匹配任務

SigLIP是基於WebLi數據集預訓練的多模態模型，採用改進的Sigmoid損失函數，適用於零樣本圖像分類和圖文檢索任務。

BLIP-2是一種視覺語言模型，結合了圖像編碼器和大型語言模型，用於圖像到文本生成和視覺問答任務。

TrOCR是一種基於Transformer的光學字符識別模型，專門用於手寫文本識別。

Moondream 是一款輕量級視覺語言模型，專為高效全平臺運行設計。

Kosmos-2是一個多模態大語言模型，能夠理解和生成與圖像相關的文本描述，並實現文本與圖像區域的關聯。

Donut是一種無需OCR的文檔理解Transformer模型，基於DocVQA數據集微調，能夠直接從圖像中提取和理解文本信息。

BiomedCLIP是一個生物醫學視覺語言基礎模型，通過對比學習在PMC-15M數據集上進行預訓練，支持跨模態檢索、圖像分類和視覺問答等任務。

Donut是一種無需OCR的文檔理解Transformer模型，結合視覺編碼器和文本解碼器處理文檔圖像。

MiniCPM-V 2.6是一個多模態視覺語言模型，支持圖像文本到文本的轉換，具備多語言處理能力。

BLIP-2是基於Flan T5-xl的視覺語言模型，通過凍結圖像編碼器和大型語言模型進行預訓練，支持圖像描述生成和視覺問答等任務。

MiniCPM-V是一個手機端GPT-4V級多模態大語言模型，支持單圖、多圖與視頻理解，具備視覺、光學字符識別等功能。

H2OVL-Mississippi-2B是由H2O.ai開發的高性能通用視覺語言模型，能夠處理廣泛的多模態任務。該模型擁有20億參數，在圖像描述、視覺問答（VQA）和文檔理解等任務中表現出色。

基於google/flan-t5-xxl微調的視覺語言生成模型，專為圖像文本檢索任務設計

Florence-2-SD3-Captioner 是一個基於 Florence-2 架構的圖像描述生成模型，專門用於生成高質量的圖像描述文本。

H2O.ai推出的8億參數視覺語言模型，專注於OCR和文檔理解，性能優異

16億參數的多模態模型，融合SigLIP與Phi-1.5技術架構，支持圖像理解和問答任務

Gemma是Google推出的輕量級開源多模態模型系列，支持文本和圖像輸入並生成文本輸出，具有128K大上下文窗口和超過140種語言支持。

SmolVLM2-2.2B 是一款輕量級多模態模型，專為分析視頻內容而設計，可處理視頻、圖像和文本輸入並生成文本輸出。

這是一個基於MIT許可證的圖像轉文本模型，能夠將圖像內容轉換為描述性文本。

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。

Gemma是Google推出的一系列輕量級、最先進的開放模型，基於與創建Gemini模型相同的研究和技術構建。

Gemma是Google推出的輕量級開源多模態模型系列，基於與Gemini相同技術構建，支持文本和圖像輸入並生成文本輸出。

這是一個基於VisionEncoderDecoder架構的醫學影像報告生成模型，專門用於從胸部X光圖像生成放射學報告文本。

這是一個基於胸部X光圖像的文本生成模型，能夠根據醫學影像生成放射學印象報告。