AIbase
ZH
模型选型
标签
多模态理解生成

# 多模态理解生成

VARGPT V1.1
Apache-2.0
VARGPT-v1.1是一个视觉自回归统一大模型，通过迭代指令调优与强化学习提升，能够同时实现视觉理解和生成任务。
文本生成图像 Transformers 英语
V
VARGPT-family
954
6
Blip Image Captioning Large
Bsd-3-clause
基于COCO数据集预训练的视觉语言模型，擅长生成精准的图像描述
图像生成文本
B
drgary
23
1
VARGPT LLaVA V1
Apache-2.0
VARGPT是一个统一的多模态模型，结合了视觉理解和生成能力，通过预测下一标记实现理解，预测下一尺度实现生成。
文本生成图像 Transformers 英语
V
VARGPT-family
4,291
5
Zcabnzh Bp
Bsd-3-clause
BLIP是一个统一的视觉语言预训练框架，擅长图像描述生成和视觉问答等任务，通过创新的数据过滤机制提升性能
图像生成文本 Transformers
Z
nanxiz
19
0
Pic2story
Bsd-3-clause
BLIP是一个统一的视觉-语言预训练框架，擅长图像描述生成和理解任务，通过引导描述生成有效利用噪声网络数据
图像生成文本 Transformers
P
abhijit2111
140
2
Image Captioning With Blip
Bsd-3-clause
BLIP是一个统一的视觉语言预训练框架，擅长图像描述生成等任务，支持条件与非条件式文本生成
图像生成文本 Transformers
I
Vidensogende
16
0
Blip Vqa Base
Bsd-3-clause
BLIP是一个统一的视觉语言预训练框架，擅长视觉问答任务，通过语言-图像联合训练实现多模态理解与生成能力
文本生成图像 Transformers
B
Salesforce
1.9M
154
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