AIbase
TW
模型選型
標籤
零樣本視覺理解

# 零樣本視覺理解

PE Core B16 224
Apache-2.0
感知編碼器是通過簡單視覺-語言學習訓練的最先進的圖像和視頻理解編碼器，在多種視覺任務上實現了最先進的性能。
文本生成圖像
P
facebook
9,663
11
PE Core G14 448
Apache-2.0
感知編碼器（PE）是通過簡單視覺-語言學習訓練出的最先進的圖像與視頻理解編碼器，在多種視覺任務上均達到最先進性能。
文本生成圖像
P
facebook
22.83k
14
PE Core L14 336
Apache-2.0
Meta開發的大規模視覺編碼器模型，通過對比預訓練和合成視頻數據微調，在各類視覺任務中達到最先進性能
文本生成圖像
P
facebook
11.52k
34
AKI 4B Phi 3.5 Mini
AKI是一種多模態基礎模型，通過解鎖LLM中的因果注意力機制實現跨模態互注意力(MMA)，解決視覺語言錯位問題，無需增加額外參數和訓練時間。
圖像生成文本 英語
A
Sony
25
27
Llama 3.2V 11B Cot
Apache-2.0
Llama-3.2V-11B-cot 是一個能夠進行自發、系統性推理的視覺語言模型，基於 LLaVA-CoT 框架開發。
圖像生成文本 Transformers 英語
L
Xkev
5,089
151
Florence 2 VLM Doc VQA
基於microsoft/Florence-2-base-ft微調的視覺問答(VQA)專用版本，能夠解讀圖像內容並回答相關問題
文本生成圖像 Transformers 英語
F
prithivMLmods
69
4
Instructblip Vicuna 13b
其他
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。
圖像生成文本 Transformers 英語
I
Salesforce
1,251
42
Blip2zh Chatglm 6b
基於BLIP2訓練的中文多模態聊天模型，具備基礎圖像理解能力，純文本對話表現與ChatGLM一致
文本生成圖像 Transformers 支持多種語言
B
Xipotzzz
22
22
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