标签
FLAT引入了一种共享的连续令牌序列,用于图像和文本,从而为生成和检索等多模态任务提供灵活长度的表示,并在基准测试中表现出色。
DeepSeek-V4-Flash-Vision-Exp 是一个视觉-语言模型,能够处理图像并生成文本,拥有超过 31.3 万次下载,适用于图像描述和视觉问答等任务。
一个在Replicate上的模型,输出文本和图像的CLIP ViT-L/14特征,支持输入间的相似度计算。