AIbase
TW
模型選型
標籤
視覺語言融合

# 視覺語言融合

DAM 3B Self Contained
其他
DAM-3B是一個能夠根據用戶指定的圖像區域（點/框/塗鴉/掩碼）生成精細化局部描述的視覺語言模型。
圖像生成文本 英語
D
nvidia
824
17
Gemma 3 4b It Abliterated Q4 0 GGUF
該模型是mlabonne/gemma-3-4b-it-abliterated的GGUF格式轉換版本，結合了x-ray_alpha的視覺組件，提供更流暢的多模態體驗。
圖像生成文本
G
BernTheCreator
160
1
STEVE R1 7B SFT GGUF
Apache-2.0
STEVE-R1-7B-SFT的靜態量化版本，支持多種量化級別，適用於不同硬件需求
文本生成圖像 英語
S
mradermacher
203
0
Diagram To Code Agent
Apache-2.0
該模型是一個視覺語言融合模型，專門用於將圖表轉換為結構化代碼。
圖像生成文本 Safetensors 英語
D
DiagramAgent
51
0
Colpali V1.3
MIT
ColPali是基於PaliGemma-3B與ColBERT策略的視覺檢索模型，用於高效索引文檔的視覺特徵
文本生成圖像 英語
C
vidore
96.60k
40
Colpali
MIT
ColPali是基於PaliGemma-3B與ColBERT策略的視覺檢索模型，用於高效地從視覺特徵索引文檔。
文本生成圖像 英語
C
vidore
12.88k
436
Mmalaya
Apache-2.0
MMAlaya是基於大語言模型Alaya開發的多模態系統，包含大語言模型、圖像文本特徵編碼器和特徵轉換模塊三大核心組件。
圖像生成文本 Transformers
M
DataCanvas
31
1
Llava Plus V0 7b
LLaVA-Plus 是一個可插拔學習技能的大型語言與視覺助手，主要用於多模態模型及聊天機器人的學術研究。
文本生成圖像 Transformers
L
LLaVA-VL
79
38
Llava V1.5 13b Lora
LLaVA 是一個開源的多模態聊天機器人，通過對 LLaMA/Vicuna 進行微調，並基於 GPT 生成的多模態指令跟隨數據訓練而成。
文本生成圖像 Transformers
L
liuhaotian
143
26
Llava Lightning 7B Delta V1 1
Apache-2.0
LLaVA是基於LLaMA/Vicuna通過GPT生成的多模態指令跟隨數據微調的開源聊天機器人
文本生成圖像 Transformers
L
liuhaotian
699
21
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