使用 BLIP-2 实现零样本图像到文本生成

Salesforce Research 发布的 BLIP-2 模型现已集成至 Hugging Face Transformers，支持图像描述、提示词图像描述、视觉问答及基于聊天的提示。该模型通过轻量级 Q-Former 桥接视觉与语言模型，仅需微调该组件即可利用冻结的预训练视觉编码器和 LLM，显著降低训练成本。