全部 skill

Vision-language chat: VQA, captioning, image dialogue.EN

大型语言与视觉助手。支持视觉指令微调与基于图像的对话。结合 CLIP 视觉编码器与 Vicuna/LLaMA 语言模型。支持多轮图像聊天、视觉问答、指令跟随。用于视觉语言聊天机器人或图像理解任务。最适合对话式图像分析。

桥接冻结图像编码器与 LLM 的视觉语言预训练框架。需图像描述、视觉问答、图文检索、或带 SOTA 零样本性能的多模态聊天时使用。