AIbase

文档图像解析
VL3 SigLIP NaViT
Apache-2.0
VideoLLaMA3的视觉编码器，采用任意分辨率视觉标记化(AVT)技术，动态处理不同分辨率的图像和视频。
文本生成图像
Transformers
英语
V
DAMO-NLP-SG
25.55k
8
Llama 3.2 90B Vision
Llama 3.2-Vision是Meta开发的多模态大语言模型系列，支持图像+文本输入和文本输出，专为视觉识别、图像推理、图像描述和图像问答任务优化。
图像生成文本
Transformers
支持多种语言
L
meta-llama
3,235
128
Model3
MIT
基于naver-clova-ix/donut-base-finetuned-cord-v2微调的文档图像理解模型
图像生成文本
Transformers
M
sunilsai
13
0
Donut Base Medical Handwritten Blocks Data Extraction
MIT
基于Donut架构的模型，专门用于从医疗手写文档中提取结构化数据
文字识别
Transformers
D
mjawadazad2321
15
1