AIbase

高精度描述
Longva 7B TPO
MIT
LongVA-7B-TPO是基于LongVA-7B通过时序偏好优化而来的视频-文本模型，在长视频理解任务中表现优异。
视频生成文本
Transformers
L
ruili0
225
1
Cogvlm2 Llama3 Caption
其他
CogVLM2-Caption是一个视频描述生成模型，用于为CogVideoX模型生成训练数据。
视频生成文本
Transformers
英语
C
THUDM
7,493
95
Florence 2 Flux Large
Apache-2.0
基于Microsoft Florence-2-large的视觉语言模型，擅长图像理解和文本生成任务
图像生成文本
Transformers
支持多种语言
F
gokaygokay
14.96k
45
Cogflorence 2.2 Large
MIT
该模型是microsoft/Florence-2-large的微调版本，在Ejafa/ye-pop数据集的4万张图像子集上进行训练，标注文本由THUDM/cogvlm2-llama3-chat-19B生成，适用于图像转文本任务。
图像生成文本
Transformers
支持多种语言
C
thwri
20.64k
33
Blip Large Long Cap
Bsd-3-clause
基于BLIP微调的长文本图像描述生成器，适用于文生图提示和图像数据集标注
图像生成文本
Transformers
B
unography
26.87k
5
Git Base Next Refined
MIT
基于microsoft/git-base微调的图像转文本模型
大型语言模型
Transformers
其他
G
swaroopajit
24
0