# 圖像描述生成

這是一個經過A8W8量化的多模態大語言模型，基於Qwen2.5-VL-7B-Instruct，支持視覺和語言任務。

基於Mistral Small模型的視覺編碼器，支持圖像文本生成任務，適配llama.cpp框架

基於Salesforce/blip2-opt-2.7b微調的視覺語言模型，用於圖像問答任務

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視覺-語言任務

這是一個基於 Google Gemma 3-12B 模型轉換而來的 MLX 格式模型，支持圖像文本到文本的任務。

Gemma 3 4B IT QAT 4bit 是一個經過量化感知訓練（QAT）的4位量化大語言模型，基於Gemma 3架構，專為MLX框架優化。

GIT是一個基於Transformer的圖像到文本生成模型，能夠根據輸入的圖像生成描述性文本。

基於Florence-2-base-ft微調的GPT4-O風格字幕生成器，用於生成圖像描述

該模型是基於Qwen2-VL-7B-Captioner-Relaxed轉換的GGUF格式版本，專為圖像轉文本任務優化，支持通過llama.cpp和Koboldcpp等工具運行。

這是對fancyfeast開發的Llama JoyCaption Alpha Two模型進行的FP8壓縮版本，使用llm-compressor工具實現，併兼容vllm框架。

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

基於microsoft/Florence-2-base微調的圖像描述生成模型，專注於提升描述質量和格式

Molmo-7B-D-0924的4Bit量化版本，通過NF4量化策略降低顯存佔用，適用於顯存受限環境。

LLaVA-Llama3是基於Llama-3的多模態模型，支持圖像與文本的聯合處理。

這是一個基於Qwen2-VL-7B-Captioner-Relaxed模型轉換的GGUF格式模型，專門用於圖像轉文本任務。

ViTucano是原生葡萄牙語預訓練的視覺助手，整合了視覺理解與語言能力，適用於多模態任務。

GIT是一個基於Transformer的生成式圖像轉文本模型，能夠將視覺內容轉換為文本描述。

BLIP 是一個基於 Transformer 的圖像描述生成模型，能夠為輸入圖像生成自然語言描述。

基於ViT-GPT2架構的圖像描述生成模型，能夠為輸入的圖像生成自然語言描述。

基於ViT-GPT2架構的圖像描述生成模型，能夠為輸入的圖像生成自然語言描述。

基於ViT-GPT2架構的圖像描述生成模型，能夠將輸入圖像轉換為描述性文本

基於meta-llama/Llama-3.2-11B-Vision-Instruct的4位量化版本，支持圖像理解和文本生成任務

基於Mistral社區Pixtral-12B的4位量化版本，專注於圖像文本到文本任務，支持中文描述生成

這是基於俄語對Qwen2-VL-2B模型進行的LORA微調版本，支持多模態任務。

這是一個基於Qwen2-VL-7B-Instruct配置隨機初始化的小型調試模型，用於視覺語言任務

基於Moondream2的定製小型視覺模型，專為圖像描述生成任務微調

該模型用於將圖像內容轉換為文本描述，適用於非商業用途。

孔雀模型是基於InstructBLIP架構的阿拉伯語多模態大語言模型，其語言模型採用AraLLaMA。

Idefics3是一個開源的多模態模型，能夠處理任意序列的圖像和文本輸入並生成文本輸出。它在OCR、文檔理解和視覺推理方面有顯著提升。

基於 Llama-3-8B-Instruct 的日語視覺語言模型，通過額外預訓練和指令調優增強日語能力

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

Florence-2是微軟開發的先進視覺基礎模型，採用基於提示的範式處理各類視覺與視覺-語言任務。

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。

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各類視覺與視覺-語言任務。

distilvit是一個基於VIT圖像編碼器和蒸餾版GPT-2文本解碼器的圖像轉文本模型，能夠生成圖像的文本描述。

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。

DistilViT 是一個基於視覺Transformer(ViT)和蒸餾版GPT-2的圖像描述生成模型，能夠將圖像轉換為文本描述。

ConvLLaVA-JP是一款支持高分辨率輸入的日語視覺語言模型，能夠就輸入圖像進行對話。

該模型能夠將輸入的圖像轉換為描述性文本，適用於多種場景下的圖像理解任務。

該模型是一個基於Apache-2.0許可證的圖像轉文本模型，能夠將圖像內容轉換為文本描述。