AIbase
ZH
模型选型
标签
高精度视觉理解

# 高精度视觉理解

Mlcd Vit Bigg Patch14 448
MIT
MLCD-ViT-bigG是一款采用二维旋转位置编码(RoPE2D)增强的先进视觉Transformer模型，在文档理解和视觉问答任务中表现卓越。
文字识别
M
DeepGlint-AI
1,517
3
Pixtral 12b Quantized.w8a8
Apache-2.0
基于mgoin/pixtral-12b的INT8量化版本，支持视觉-文本多模态任务，优化了推理效率
图像生成文本 Transformers 英语
P
RedHatAI
309
1
Mulberry Llava 8b
Apache-2.0
Mulberry-llava-8b是一个基于逐步推理的图像文本到文本模型，在Mulberry-260K SFT数据集上训练，具备强大的图像理解和文本生成能力。
图像生成文本 Transformers
M
HuanjinYao
1,735
2
VARCO VISION 14B
VARCO-VISION-14B 是一款强大的英韩视觉语言模型（VLM），支持图像和文本输入，生成文本输出，具备定位、引用和OCR能力。
图像生成文本 Transformers 支持多种语言
V
NCSOFT
1,022
28
Xgen Mm Phi3 Mini Instruct Interleave R V1.5
Apache-2.0
xGen-MM是Salesforce AI Research开发的一系列最新基础大型多模态模型（LMMs），在BLIP系列成功设计的基础上进行了改进，通过基础性增强确保了更强大和卓越的模型基础。
图像生成文本 英语
X
Salesforce
7,373
51
Florence 2 Large Ft Moredetailed
MIT
基于Florence-2-large-ft模型在imageinwords数据集上微调，专注于生成更详细的图片描述
图像生成文本 Transformers 英语
F
yayayaaa
227
13
Git Base Minecraft
MIT
这是一个基于视觉的图像转文本模型，能够生成图像描述。
图像生成 Transformers 支持多种语言
G
orzhan
22
0
Cogvlm Chat Hf
Apache-2.0
CogVLM是一个强大的开源视觉语言模型，在多个跨模态基准测试中取得领先性能
文本生成图像 Transformers 英语
C
THUDM
4,816
193
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