把手绘网站草图直接转成 HTML 代码的 Keras 模型，用图像描述架构实现，适合快速把线框图变成可运行页面原型。

把大语言模型和 Hugging Face 上的各类模型连起来，让 LLM 自动挑选、调用合适的模型完成多模态任务，相当于给模型加了个调度中枢。

开源的多模态视觉指令微调模型，让 LLaMA 类大模型能看图对话，效果对标 GPT-4V，适合做图文问答和视觉助手。

从零构建的免费开源、无审查图像描述视觉语言模型，专为扩散模型训练生成高质量图片说明。

一站式微调多模态模型的工具，支持 PaliGemma 2、Florence-2、Qwen2.5-VL 等，覆盖图像描述、目标检测和视觉问答任务，省去手写训练脚本的麻烦。

用强化学习（GRPO）训练视觉语言模型生成更细粒度、更密集的图像描述，解决普通 caption 模型描述过于笼统的问题。