AIbase
ZH
模型选型
标签
视觉-语言模型

# 视觉-语言模型

Siglip2 X256 Explicit Content
Apache-2.0
基于SigLIP 2架构微调的视觉-语言编码模型，专门用于多类别图像分类，尤其适用于敏感、暗示性或安全媒体的过滤。
图像分类 Transformers 英语
S
prithivMLmods
247
8
Vit GPT2 Image Captioning Model
基于ViT-GPT2架构的图像描述生成模型，能够将输入图像转换为描述性文本
图像生成文本 Transformers
V
motheecreator
142
0
Test Push
Apache-2.0
distilvit是一个基于VIT图像编码器和蒸馏版GPT-2文本解码器的图像转文本模型，能够生成图像的文本描述。
图像生成文本 Transformers
T
tarekziade
17
0
Vit Base Patch16 224 Distilgpt2
Apache-2.0
DistilViT 是一个基于视觉Transformer(ViT)和蒸馏版GPT-2的图像描述生成模型，能够将图像转换为文本描述。
图像生成文本 Transformers
V
tarekziade
17
0
Thai Trocr Thaigov V2
基于视觉编码器-解码器架构的泰文手写识别模型，适用于各类泰文OCR任务
图像生成文本 Transformers 其他
T
kkatiz
339
13
Donut Receipt V2
MIT
基于naver-clova-ix/donut-base微调的模型，可能用于收据识别或文档理解任务
大型语言模型 Transformers
D
mychen76
31
0
Donut Base Receipt
MIT
基于naver-clova-ix/donut-base微调的收据识别模型
大型语言模型 Transformers
D
hyunguk1
19
0
Vit Gpt2 Image Captioning
Apache-2.0
这是一个基于Vision Encoder-Decoder架构的图像描述生成模型，能够为输入图像生成自然语言描述。
图像生成文本 Transformers
V
baseplate
55
2
Vit Base Patch16 224 In21k Gpt2 Finetuned To Pokemon Descriptions
基于ViT和GPT2架构的视觉-语言模型，专门针对宝可梦描述生成任务进行了微调
文本生成 Transformers
V
tkarr
29
0
Clipseg Rd16
Apache-2.0
基于CLIP的零样本和单样本图像分割模型，支持文本和图像提示
图像分割 Transformers
C
CIDAS
5,256
0
Groupvit Gcc Yfcc
GroupViT是一种视觉-语言模型，能够在任何给定的词汇类别上执行零样本语义分割。
文本生成图像 Transformers
G
nvidia
3,473
6
AIbase
智启未来，您的人工智能解决方案智库
English简体中文繁體中文にほんご
© 2025AIbase