Qwen2.5-VL-7B-Captioner-Relaxed 是一个多模态视觉语言模型，基于 Qwen2.5 架构，专注于图像到文本的生成任务。

基于Qwen2.5-VL-7B-Instruct微调的多模态大语言模型，专为文生图优化，能生成更详尽的图像描述

这是一个基于Qwen2.5-VL-3B-Instruct模型的8位量化版本，专为MLX框架优化，支持图像文本生成任务。

基于Qwen2-VL-7B-Instruct的指令调优版本，专注于生成更详细的图像描述，优化用于文本到图像数据集创建。

BLIP是一种先进的视觉-语言预训练模型，擅长图像描述生成任务，能够根据图像内容生成准确的自然语言描述。

BLIP是一个统一的视觉语言预训练框架，擅长图像描述生成和理解任务，通过引导式标注策略高效利用网络数据

微软VinVL基础预训练模型，专为图像描述生成任务设计，具备强大的视觉-语言理解能力。