# 多模態圖像描述

Qwen2.5-VL-7B-Captioner-Relaxed 是一個多模態視覺語言模型，基於 Qwen2.5 架構，專注於圖像到文本的生成任務。

基於Qwen2.5-VL-7B-Instruct微調的多模態大語言模型，專為文生圖優化，能生成更詳盡的圖像描述

這是一個基於Qwen2.5-VL-3B-Instruct模型的8位量化版本，專為MLX框架優化，支持圖像文本生成任務。

基於Qwen2-VL-7B-Instruct的指令調優版本，專注於生成更詳細的圖像描述，優化用於文本到圖像數據集創建。

BLIP是一種先進的視覺-語言預訓練模型，擅長圖像描述生成任務，能夠根據圖像內容生成準確的自然語言描述。

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，通過引導式標註策略高效利用網絡數據

微軟VinVL基礎預訓練模型，專為圖像描述生成任務設計，具備強大的視覺-語言理解能力。