您尚未登录账户请先登录您的atyun账户，方可使用该功能
您的企业账号申请正在审核中审核通过后即可使用此功能，请耐心等待~
模型:
hfl/vle-base-for-vqa
英文VLE（Visual Language Encoder）是一个基于预训练的文本和图像编码器的图像-文本多模态理解模型。它可以用于多模态辨别性任务，如视觉问答和图像-文本检索。在需要高级语言理解和推理技能的视觉常识推理（VCR）任务中，VLE取得了显著的改进。
有关更多详细信息，请参见 https://github.com/iflytek/VLE 。
Visual Question Answering的在线VLE演示： https://huggingface.co/spaces/hfl/VQA_VLE_LLM