视觉问答工具合集 - AI应用、网站与开源项目推荐
git-base-coco
Github模型
应用于多任务的图像文本生成模型
MiniCPM-V-2
场景文本理解MiniCPM-V
多模态语言模型，支持跨平台高效部署
git-large-coco
模型训练视觉问答
高级视觉与语言转换：大规模图像到文本模型
pix2struct-docvqa-base
Huggingface图像编码器
基于pix2struct的跨领域视觉问答图像解码模型
llava-v1.6-vicuna-7b
Github模型
基于Vicuna的开源多模态视觉语言模型
blip2-flan-t5-xxl
图像处理Huggingface
整合CLIP和Flan T5的多模态模型实现图像理解与语言生成
llava-v1.6-vicuna-13b
视觉问答开源项目
强大的图文多模态AI模型 集成Vicuna-13b实现视觉智能对话
layoutlm-document-qa
模型Github
LayoutLM文档智能问答模型
blip2-flan-t5-xl
模型Github
融合视觉和语言的多功能预训练模型用于图像理解和多模态任务
uform-gen2-dpo
多模态模型UForm-Gen2-dpo
基于偏好优化的视觉语言模型 用于图像描述和视觉问答
uform-gen2-qwen-500m
图像生成多模态AI
小型多模态模型实现图像描述和视觉问答
kosmos-2-patch14-224
Huggingface模型
Kosmos-2模型实现视觉语言融合的理解与生成
blip-vqa-capfilt-large
图像生成Huggingface
跨视觉语言任务的统一预训练框架
vilt-b32-finetuned-vqa
模型Github
ViLT：基于Transformer的无卷积视觉语言问答模型
blip2-opt-6.7b-coco
模型视觉问答
结合图像理解与自然语言处理的多模态AI系统
blip-vqa-base
Huggingface模型
BLIP视觉语言预训练模型实现理解与生成双重任务
moondream1
moondream1模型
轻量级视觉语言模型 强大性能与高效结构的完美结合
blip2-opt-2.7b-coco
Huggingface模型
BLIP-2视觉语言模型实现图像描述和视觉问答功能
blip2-opt-2.7b
图像识别Huggingface
集成图像理解与语言生成的视觉语言模型
llava-v1.6-mistral-7b-hf
多模态模型Huggingface
融合Mistral-7B的多模态视觉语言模型
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