AIbase
TW
模型選型
標籤
視覺語言預訓練

# 視覺語言預訓練

Sail Clip Hendrix 10epochs
基於openai/clip-vit-large-patch14微調的視覺語言模型，經過10個epoch的訓練
文本生成圖像 Transformers
S
cringgaard
49
0
Minivla Vq Bridge Prismatic
MIT
MiniVLA 是一個更小體積但性能更強的視覺語言動作模型，兼容 Prismatic VLMs 項目代碼庫。
圖像生成文本 Transformers 英語
M
Stanford-ILIAD
22
0
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
Biomedclip ViT Patch16 224
MIT
BiomedCLIP是微軟開發的生物醫學視覺語言處理模型，基於PubMedBERT和ViT架構，專為生物醫學領域設計。
多模態融合 Transformers
B
ikim-uk-essen
1,296
3
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
Vilt Finetuned 200
Apache-2.0
基於ViLT架構的視覺語言模型，在特定任務上進行了微調
文本生成圖像 Transformers
V
Atul8827
35
0
Llava V1.5 Mlp2x 336px Pretrain Vicuna 7b V1.5
LLaVA 是一個開源多模態聊天機器人，基於 LLaMA/Vicuna 進行微調，通過 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
173
17
OTTER MPT7B Init
MIT
OTTER-MPT7B-Init是一個用於初始化Otter模型訓練的權重，由Openflamingo直接轉換而來。
文本生成圖像 Transformers
O
luodian
53
3
Blip Test
Bsd-3-clause
基於Salesforce/blip-image-captioning-base微調的圖像描述生成模型
圖像生成文本 Transformers
B
mooncakex
15
0
Pix2struct Large
Apache-2.0
Pix2Struct是一個圖像編碼器-文本解碼器模型，通過圖像-文本對訓練，適用於多種視覺語言任務
圖像生成文本 Transformers 支持多種語言
P
google
6,601
34
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