AIbase
TW
模型選型
標籤
零樣本圖像理解

# 零樣本圖像理解

Vit Base Patch16 Siglip 384.webli
Apache-2.0
基於SigLIP的視覺Transformer模型，僅包含圖像編碼器部分，採用原始注意力池化機制
圖像分類 Transformers
V
timm
64
1
Vit Base Patch16 Siglip 256.webli I18n
Apache-2.0
基於SigLIP的ViT-B-16視覺Transformer模型，僅包含圖像編碼器，採用原始注意力池化
圖像分類 Transformers
V
timm
16
0
Vit Base Patch16 Siglip 256.webli
Apache-2.0
基於SigLIP的ViT-B-16圖像編碼器模型，採用原始注意力池化，適用於圖像特徵提取任務。
圖像分類 Transformers
V
timm
269
1
Minicpm V 2 6 GGUF
MiniCPM-V-2_6 是一個視覺問答模型，支持中英文，專注於處理視覺相關的問答任務。
文本生成圖像 支持多種語言
M
gaianet
250
0
Instructblip Flan T5 Xxl
MIT
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
圖像生成文本 Transformers 英語
I
Salesforce
937
21
Instructblip Vicuna 7b
其他
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。
圖像生成文本 Transformers 英語
I
Salesforce
20.99k
91
Vit Gpt2 Image Chinese Captioning
MIT
該模型使用ViT對圖像進行編碼，再通過GPT-2進行解碼，支持中文圖像描述生成。
圖像生成文本 Transformers 中文
V
yuanzhoulvpi
22
6
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