跳到正文

Pali3

编码图像并生成答案的视觉语言模型

访问官网

Pali3 是什么

Pali3 被介绍为一种视觉语言模型,它对图像进行编码,并把编码结果与查询一起传给编码器-解码器 Transformer,从而生成所需的答案。

你可以用它做什么

  • 在模型内对图像与文本进行编码
  • 由编码输入生成文本
  • 用于图像分类与图像字幕
  • 用于视觉问答

模型说明

  • 训练经过单模态预训练与多模态训练
  • 后续阶段提高分辨率并做任务专业化
  • 资料称其结构简单、速度快
  • 资料说明项目免费开源

优点与缺点

✓ 我们认可的地方

  • 资料称模型结构简单、速度快
  • 列出图像分类、图像字幕与视觉问答

! 需要留意的地方

  • 答案由编码器-解码器 Transformer 生成
  • 训练分为多个独立阶段

常见问题

资料列出适用于哪些任务?

资料列出图像分类、图像字幕和视觉问答。

费用如何?

资料说明该项目免费开源。

最后评测: 2026-11-15

更多 大模型 API 平台 工具

查看全部 →

评测方法