SKILL
multimodal-blip-2
连接冻结图像编码器与LLM的视觉-语言预训练框架。当需要图像描述、视觉问答、图文检索，或具备最先进零样本性能的多模态对话时使用。
机器翻译查看英文原文
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.
适用对象：学习与科研。自动收录 · 待核查。
在 Cursor 中使用
该组合的专门教程待补充，尚未核实适配。
准备条件
- 本条仅收录原作者的技能元数据；请阅读完整说明，确认依赖、许可与使用条件。
选择已有说明的 AI 工具，或在页面加载后保存待办及提出教程请求。
查看原作者说明 ↗