AIbase

高精度视觉问答
Videorefer 7B Stage2.5
Apache-2.0
VideoRefer-7B是一个基于视频大语言模型的多模态模型，专注于时空物体理解任务。
文本生成视频
Transformers
英语
V
DAMO-NLP-SG
20
2
Llama 3.2V 11B Cot
Apache-2.0
Llama-3.2V-11B-cot 是一个能够进行自发、系统性推理的视觉语言模型，基于 LLaVA-CoT 框架开发。
图像生成文本
Transformers
英语
L
Xkev
5,089
151
Xgen Mm Phi3 Mini Instruct Dpo R V1.5
Apache-2.0
xGen-MM是Salesforce AI Research开发的多模态基础模型系列，基于BLIP系列改进，在高质量图像字幕和交错图文数据上训练。
图像生成文本
英语
X
Salesforce
305
18
Internlm Xcomposer2 Vl 1 8b
其他
基于InternLM2的视觉-语言大模型，具备卓越的图文理解与创作能力
文本生成图像
Transformers
I
internlm
169
18
Internlm Xcomposer2 Vl 7b
其他
InternLM-XComposer2是基于InternLM2研发的视觉-语言大模型，具备卓越的图文理解与创作能力。
文本生成图像
Transformers
I
internlm
1,902
82