AIbase
ZH
模型选型
标签
跨模态生成

# 跨模态生成

Show O2 7B
Apache-2.0
Show-o2 是一个改进的原生统一多模态模型，利用自回归建模和流匹配技术，支持文本、图像和视频模态的统一理解和生成。
文本生成图像
S
showlab
198
6
Llada V
LLaDA-V是一款基于扩散模型的视觉语言模型，性能超越其他扩散多模态大语言模型。
文本生成图像 Safetensors
L
GSAI-ML
174
8
Ming Lite Omni
MIT
轻量级统一多模态模型，高效处理图像、文本、音频和视频等多种模态数据，在语音和图像生成方面表现出色。
多模态融合 Transformers
M
inclusionAI
4,215
103
Qwen2.5 VL 7B Instruct Q8 0 GGUF
Apache-2.0
该模型是基于Qwen2.5-VL-7B-Instruct转换的GGUF格式模型，支持多模态任务，适用于图像和文本的交互处理。
文本生成图像 英语
Q
cxtb
72
1
Qwen.qwen2 VL 72B GGUF
Qwen2-VL-72B 是一个强大的视觉语言模型，支持图像和文本的多模态理解与生成。
图像生成文本
Q
DevQuasar
125
1
Llama 3.2 90B Vision Instruct
Llama 3.2-Vision是Meta开发的多模态大语言模型，支持图像和文本输入，文本输出，在视觉识别、图像推理、图像描述和图像问答任务上表现优异。
图像生成文本 Transformers 支持多种语言
L
meta-llama
15.44k
337
AA Chameleon 7b Base
支持图文交错输入输出的多模态模型，基于变色龙7B模型并通过对齐万物框架增强图像生成能力
文本生成图像 Transformers 英语
A
PKU-Alignment
105
8
4M 21 B
其他
4M是一个通过标记化与掩码技术实现多模态扩展的'任意到任意'基础模型训练框架
多模态融合
4
EPFL-VILAB
324
6
4M 21 L
其他
4M是一个通过标记化与掩码技术扩展至多种模态的'任意到任意'基础模型训练框架
多模态融合
4
EPFL-VILAB
49
3
Ldm Text2im Large 256
Apache-2.0
基于潜在扩散模型的高分辨率文本到图像生成模型，通过潜在空间操作实现高效图像合成
图像生成
L
CompVis
1,932
34
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