AIbase

零样本图像理解
Vit Base Patch16 Siglip 384.webli
Apache-2.0
基于SigLIP的视觉Transformer模型，仅包含图像编码器部分，采用原始注意力池化机制
图像分类
Transformers
V
timm
64
1
Vit Base Patch16 Siglip 256.webli I18n
Apache-2.0
基于SigLIP的ViT-B-16视觉Transformer模型，仅包含图像编码器，采用原始注意力池化
图像分类
Transformers
V
timm
16
0
Vit Base Patch16 Siglip 256.webli
Apache-2.0
基于SigLIP的ViT-B-16图像编码器模型，采用原始注意力池化，适用于图像特征提取任务。
图像分类
Transformers
V
timm
269
1
Minicpm V 2 6 GGUF
MiniCPM-V-2_6 是一个视觉问答模型，支持中英文，专注于处理视觉相关的问答任务。
文本生成图像
支持多种语言
M
gaianet
250
0
Instructblip Flan T5 Xxl
MIT
InstructBLIP是BLIP-2经过视觉指令调优的版本，能够根据图像和文本指令生成描述或回答
图像生成文本
Transformers
英语
I
Salesforce
937
21
Instructblip Vicuna 7b
其他
InstructBLIP是基于BLIP-2的视觉指令调优版本，采用Vicuna-7B作为语言模型，专注于视觉语言任务。
图像生成文本
Transformers
英语
I
Salesforce
20.99k
91
Vit Gpt2 Image Chinese Captioning
MIT
该模型使用ViT对图像进行编码，再通过GPT-2进行解码，支持中文图像描述生成。
图像生成文本
Transformers
中文
V
yuanzhoulvpi
22
6