可变分辨率输入

# 可变分辨率输入

Pix2struct Ai2d Large

Pix2Struct是一个基于视觉问答任务微调的大规模图像到文本模型，专门用于科学图表的视觉问答

文本生成图像

Transformers 支持多种语言

Pix2struct Textcaps Large

Pix2Struct是一个视觉语言理解模型，通过图像到文本的转换进行多任务训练，支持图像描述生成和视觉问答等任务。

图像生成文本

Transformers 支持多种语言

Pix2struct Widget Captioning Large

Pix2Struct是一个图像编码器-文本解码器模型，专为视觉语言理解设计，支持图像描述和视觉问答等任务。

图像生成文本

Transformers 支持多种语言

Pix2struct Textcaps Base

Pix2Struct是一个视觉语言理解模型，通过预训练和微调处理图像到文本的任务，特别适用于图像描述生成。

图像生成文本

Transformers 支持多种语言

精选推荐AI模型

Qwen2.5 VL 7B Abliterated Caption It I1 GGUF

Qwen2.5-VL-7B-Abliterated-Caption-it的量化版本，支持多语言图像描述任务。

图像生成文本

Transformers 支持多种语言

Nunchaku Flux.1 Dev Colossus

Colossus Project Flux 的 Nunchaku 量化版本，旨在根据文本提示生成高质量图像。该模型在优化推理效率的同时，将性能损失降至最低。

图像生成英语

Qwen2.5 VL 7B Abliterated Caption It GGUF

这是一个基于Qwen2.5-VL-7B模型的静态量化版本，专注于图像描述生成任务，支持多种语言。

图像生成文本

Transformers 支持多种语言

Olmocr 7B 0725 FP8

olmOCR-7B-0725-FP8是基于Qwen2.5-VL-7B-Instruct模型，使用olmOCR-mix-0225数据集微调后量化为FP8版本的文档OCR模型。

图像生成文本

Transformers 英语

Lucy-128k是基于Qwen3-1.7B开发的专注于代理式网络搜索和轻量级浏览的模型，在移动设备上也能高效运行。

大型语言模型

Transformers 英语

AIbase

智启未来，您的人工智能解决方案智库

© 2025AIbase 备案号：闽ICP备08105208号-24