# 視覺指令調優

LLaVA-MORE是基於LLaVA架構的增強版本，集成了LLaMA 3.1作為語言模型，專注於圖像到文本的任務。

InstructBLIP是基於BLIP-2的視覺指令調優版本，結合視覺和語言處理能力，能夠根據圖像和文本指令生成響應。

InstructBLIP是基於BLIP-2的視覺指令調優模型，使用Flan-T5-xl作為語言模型，能夠根據圖像和文本指令生成描述。

InstructBLIP是BLIP-2的視覺指令調優版本，結合了視覺和語言模型，能夠根據圖像和文本指令生成描述或回答問題。

InstructBLIP是BLIP-2的視覺指令調優版本，基於Flan-T5-xl語言模型，用於圖像到文本生成任務。

InstructBLIP是BLIP-2的視覺指令調優版本，基於Vicuna-13b語言模型，用於視覺語言任務。

InstructBLIP是BLIP-2經過視覺指令調優的版本，能夠根據圖像和文本指令生成描述或回答

InstructBLIP是基於BLIP-2的視覺指令調優版本，採用Vicuna-7B作為語言模型，專注於視覺語言任務。