AIbase
TW
模型選型
標籤
跨模態生成

# 跨模態生成

Show O2 7B
Apache-2.0
Show-o2 是一個改進的原生統一多模態模型，利用自迴歸建模和流匹配技術，支持文本、圖像和視頻模態的統一理解和生成。
文本生成圖像
S
showlab
198
6
Llada V
LLaDA-V是一款基於擴散模型的視覺語言模型，性能超越其他擴散多模態大語言模型。
文本生成圖像 Safetensors
L
GSAI-ML
174
8
Ming Lite Omni
MIT
輕量級統一多模態模型，高效處理圖像、文本、音頻和視頻等多種模態數據，在語音和圖像生成方面表現出色。
多模態融合 Transformers
M
inclusionAI
4,215
103
Qwen2.5 VL 7B Instruct Q8 0 GGUF
Apache-2.0
該模型是基於Qwen2.5-VL-7B-Instruct轉換的GGUF格式模型，支持多模態任務，適用於圖像和文本的交互處理。
文本生成圖像 英語
Q
cxtb
72
1
Qwen.qwen2 VL 72B GGUF
Qwen2-VL-72B 是一個強大的視覺語言模型，支持圖像和文本的多模態理解與生成。
圖像生成文本
Q
DevQuasar
125
1
Llama 3.2 90B Vision Instruct
Llama 3.2-Vision是Meta開發的多模態大語言模型，支持圖像和文本輸入，文本輸出，在視覺識別、圖像推理、圖像描述和圖像問答任務上表現優異。
圖像生成文本 Transformers 支持多種語言
L
meta-llama
15.44k
337
AA Chameleon 7b Base
支持圖文交錯輸入輸出的多模態模型，基於變色龍7B模型並通過對齊萬物框架增強圖像生成能力
文本生成圖像 Transformers 英語
A
PKU-Alignment
105
8
4M 21 B
其他
4M是一個通過標記化與掩碼技術實現多模態擴展的'任意到任意'基礎模型訓練框架
多模態融合
4
EPFL-VILAB
324
6
4M 21 L
其他
4M是一個通過標記化與掩碼技術擴展至多種模態的'任意到任意'基礎模型訓練框架
多模態融合
4
EPFL-VILAB
49
3
Ldm Text2im Large 256
Apache-2.0
基於潛在擴散模型的高分辨率文本到圖像生成模型，通過潛在空間操作實現高效圖像合成
圖像生成
L
CompVis
1,932
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