AIbase
TW
模型選型
標籤
高精度視覺理解

# 高精度視覺理解

Mlcd Vit Bigg Patch14 448
MIT
MLCD-ViT-bigG是一款採用二維旋轉位置編碼(RoPE2D)增強的先進視覺Transformer模型，在文檔理解和視覺問答任務中表現卓越。
文字識別
M
DeepGlint-AI
1,517
3
Pixtral 12b Quantized.w8a8
Apache-2.0
基於mgoin/pixtral-12b的INT8量化版本，支持視覺-文本多模態任務，優化了推理效率
圖像生成文本 Transformers 英語
P
RedHatAI
309
1
Mulberry Llava 8b
Apache-2.0
Mulberry-llava-8b是一個基於逐步推理的圖像文本到文本模型，在Mulberry-260K SFT數據集上訓練，具備強大的圖像理解和文本生成能力。
圖像生成文本 Transformers
M
HuanjinYao
1,735
2
VARCO VISION 14B
VARCO-VISION-14B 是一款強大的英韓視覺語言模型（VLM），支持圖像和文本輸入，生成文本輸出，具備定位、引用和OCR能力。
圖像生成文本 Transformers 支持多種語言
V
NCSOFT
1,022
28
Xgen Mm Phi3 Mini Instruct Interleave R V1.5
Apache-2.0
xGen-MM是Salesforce AI Research開發的一系列最新基礎大型多模態模型（LMMs），在BLIP系列成功設計的基礎上進行了改進，通過基礎性增強確保了更強大和卓越的模型基礎。
圖像生成文本 英語
X
Salesforce
7,373
51
Florence 2 Large Ft Moredetailed
MIT
基於Florence-2-large-ft模型在imageinwords數據集上微調，專注於生成更詳細的圖片描述
圖像生成文本 Transformers 英語
F
yayayaaa
227
13
Git Base Minecraft
MIT
這是一個基於視覺的圖像轉文本模型，能夠生成圖像描述。
圖像生成 Transformers 支持多種語言
G
orzhan
22
0
Cogvlm Chat Hf
Apache-2.0
CogVLM是一個強大的開源視覺語言模型，在多個跨模態基準測試中取得領先性能
文本生成圖像 Transformers 英語
C
THUDM
4,816
193
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