home/categories/media/orchestra-research-ai-research-skills-18-multimodal-blip-2-skill-md
mediacontent-media

blip-2-vision-language

Vision-language pre-training framework bridging frozen image encoders and LLMs. Use when you need image captioning, visual question answering, image-text retrieval, or multimodal chat with state-of-the-art zero-shot performance.

Orchestra-Research
maintainer
Orchestra-Research
আপডেট হয়েছে 11/25/2025
স্টার
6563
ফর্ক
515
quick start

Installation and usage

Vision-language pre-training framework bridging frozen image encoders and LLMs. Use when you need image captioning, visual question answering, image-text retrieval, or multimodal chat with state-of-the-art zero-shot performance.

ইনস্টলেশন
$ install --globalskills.sh
ব্যবহার

ইনস্টল করার পর, টার্মিনালে নিচের কমান্ড চালিয়ে আপনি এই স্কিল ব্যবহার করতে পারবেন:

skills use blip-2-vision-language