跳到正文

Florence-VL

引入生成式视觉编码器的视觉语言模型

访问官网

Florence-VL 是什么

Florence-VL 被介绍为一个视觉语言模型,引入生成式视觉编码器与深度广度融合技术,并基于 LLaVA 项目开发。

你可以用它做什么

  • 运行预训练与微调代码
  • 选用 3B 或 8B 检查点
  • 在 Hugging Face 上体验模型演示

上手流程

  • 创建 Python 虚拟环境并安装依赖
  • 下载预训练数据与指令数据
  • 按数据路径设置训练脚本变量
  • 执行训练脚本开始训练

模型说明

  • 附带安装与使用文档
  • 支持用 lmms-eval 进行评估
  • 深度广度融合面向复杂视觉语言任务

优点与缺点

✓ 我们认可的地方

  • 提供详细的安装与使用文档
  • 支持用 lmms-eval 做多模态评估

! 需要留意的地方

  • 上手从创建 Python 虚拟环境开始
  • 训练需要数据集与训练脚本配置

常见问题

有哪些规模?

资料列出 3B 和 8B 两种模型检查点。

基于什么项目?

资料说明基于 LLaVA 项目开发。

最后评测: 2026-11-15

更多 AI 图像生成 工具

查看全部 →

评测方法