AIbase
TW
模型選型
標籤
多模態理解生成

# 多模態理解生成

VARGPT V1.1
Apache-2.0
VARGPT-v1.1是一個視覺自迴歸統一大模型，通過迭代指令調優與強化學習提升，能夠同時實現視覺理解和生成任務。
文本生成圖像 Transformers 英語
V
VARGPT-family
954
6
Blip Image Captioning Large
Bsd-3-clause
基於COCO數據集預訓練的視覺語言模型，擅長生成精準的圖像描述
圖像生成文本
B
drgary
23
1
VARGPT LLaVA V1
Apache-2.0
VARGPT是一個統一的多模態模型，結合了視覺理解和生成能力，通過預測下一標記實現理解，預測下一尺度實現生成。
文本生成圖像 Transformers 英語
V
VARGPT-family
4,291
5
Zcabnzh Bp
Bsd-3-clause
BLIP是一個統一的視覺語言預訓練框架，擅長圖像描述生成和視覺問答等任務，通過創新的數據過濾機制提升性能
圖像生成文本 Transformers
Z
nanxiz
19
0
Pic2story
Bsd-3-clause
BLIP是一個統一的視覺-語言預訓練框架，擅長圖像描述生成和理解任務，通過引導描述生成有效利用噪聲網絡數據
圖像生成文本 Transformers
P
abhijit2111
140
2
Image Captioning With Blip
Bsd-3-clause
BLIP是一個統一的視覺語言預訓練框架，擅長圖像描述生成等任務，支持條件與非條件式文本生成
圖像生成文本 Transformers
I
Vidensogende
16
0
Blip Vqa Base
Bsd-3-clause
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
文本生成圖像 Transformers
B
Salesforce
1.9M
154
AIbase
智啟未來，您的人工智能解決方案智庫
English简体中文繁體中文にほんご
© 2025AIbase