视觉语言模型工具集合：应用、网站与开源项目一览
paligemma-3b-pt-448
模型图像文本生成
多语言视觉语言模型 适用于多种图像相关任务
paligemma-3b-pt-896
模型图像文本生成
轻量级视觉语言模型支持多种图像文本任务
Qwen2-VL-72B-Instruct
模型多模态处理
多模态视觉语言模型实现图像视频理解与交互
paligemma-3b-mix-448
视觉语言模型图像处理
基于SigLIP和Gemma的多语言视觉语言模型
VILA1.5-3b-s2
VILA模型
多模态视觉语言模型VILA支持边缘设备和多图像处理
llava-onevision-qwen2-0.5b-si
模型Github
多模态AI模型实现图像、多图和视频的智能交互
colqwen2-v0.1
模型多向量表示
ColQwen2：结合ColBERT策略的先进视觉语言检索模型
moondream2
图像问答模型
小型高效的边缘设备视觉语言模型
xgen-mm-phi3-mini-instruct-r-v1
XGen-MM视觉语言模型
Salesforce开发的大规模多模态模型 支持高分辨率图像处理
instructblip-vicuna-7b
模型指令调优
InstructBLIP：指令微调的通用视觉语言模型
paligemma-3b-mix-224
视觉语言模型Huggingface
视觉语言模型PaliGemma实现多语言图像理解与文本生成
Qwen2-VL-7B-Instruct-AWQ
模型图像理解
先进视觉语言模型实现多分辨率图像和长视频理解
GOT-OCR2_0
OCR视觉语言模型
GOT-OCR2_0为OCR技术开创统一端到端模型新纪元
InternVL2-Llama3-76B
模型Llama3
融合视觉与语言的多模态AI模型
Qwen2-VL-2B-Instruct
模型图像理解
先进的多模态AI模型 支持高分辨率图像和长视频理解
bridgetower-large-itm-mlm-itc
模型开源项目
BridgeTower 优化视觉语言表示学习的创新模型
Qwen2-VL-7B-Instruct
多模态视觉语言模型
多分辨率图像和长视频理解的视觉语言模型
ScreenAI
ScreenAI视觉语言模型
深度理解界面和信息图的视觉语言模型
VisualRWKV
VisualRWKV视觉语言模型
结合RWKV的创新视觉语言模型
HallusionBench
HallusionBench视觉语言模型
探索视觉语言模型的幻觉与错觉问题
推荐工具精选
AI云服务特惠
懂AI专属折扣关注微信公众号
最新AI工具、AI资讯
独家AI资源、AI项目落地
微信扫一扫关注公众号