编辑评分 95/100
网站简介
基于LLaVA构建的多参数规模多模态视觉语言模型项目 MiniGemini是基于LLaVA搭建的多模态视觉语言模型，采用双视觉编码器结构，分别输出低分辨率视觉嵌入与高分辨率候选区域，通过补丁级信息挖掘融合图文信息。支持2B到34B参数的密集型、MoE两类大语言模型，同时具备图像理解、推理、生成能力，可通过多个主流视觉理解基准测试，适配不同规模大模型底座需求。
核心功能
多规格大模型支持
支持2B到34B参数的密集型大语言模型与MoE大语言模型两类模型底座
双视觉编码处理
采用双视觉编码器，分别输出低分辨率视觉嵌入与高分辨率候选区域
补丁级图文融合
通过补丁信息挖掘实现高低分辨率视觉信息融合，提升图文对齐质量
多任务视觉能力
同时支持图像理解、视觉推理与图像生成三类多模态任务需求
基准测试适配
可适配COCO、GQA、OCR-VQA等多个主流视觉理解基准测试
使用指南
- 1
用户可访问MiniGemini官网https://mini-gemini.github.io获取项目相关信息
- 2
研究人员可根据项目文档获取模型权重、部署代码与测试方案
- 3
按照文档说明完成环境配置后
- 4
可基于自身需求调用模型开展视觉多模态任务开发或测试验证
- 5
也可参考项目方案优化自身多模态模型构建。
优势亮点
支持多参数规格多类型大语言模型底座
采用双视觉编码器+补丁挖掘优化融合效果
同时支持图像理解、推理与生成多类任务
适配多个主流视觉理解基准测试
编辑推荐
MiniGemini在LLaVA基础上优化了视觉信息处理机制，通过双编码器加补丁挖掘的方案解决了高低分辨率视觉信息融合的问题，覆盖从中小到大规模不同参数规格的大模型底座，兼顾不同部署条件下的多模态需求，为多模态视觉语言模型研发提供了可行的参考方案。
常见问题
深度了解
MiniGemini是一款基于LLaVA构建的多模态视觉语言模型项目，面向多模态视觉任务需求，提供从2B到34B参数规格的系列模型方案，同时支持密集型大语言模型与MoE大语言模型两类底座，适配不同算力条件的部署需求。该模型采用双视觉编码器架构，分别输出低分辨率视觉嵌入与高分辨率候选区域，通过补丁信息挖掘实现高分辨率区域与低分辨率视觉查询的补丁级对齐，更好完成文本与图像信息的融合，可同时支撑图像理解、视觉推理与图像生成任务。目前MiniGemini已经完成COCO、GQA、OCR-VQA、VisualGenome等多个主流视觉理解基准测试，是多模态大模型研发领域兼具灵活性与性能表现的项目，可为科研与开发工作提供有力支持。
使用须知
定价: 以官网定价为准
价格和授权政策可能变化，请以官网最新信息为准
资料由中文导航编辑部整理并经健康检测核验，定期复查更新。
本页信息核对于 2026/10/10，收录信息以收录当日官网状态为准，如发现内容过期请通过下方反馈告知。
访问第三方网站时，请注意以下事项:
- 谨慎提供个人账号、密码和支付信息
- 下载文件前确认来源安全，警惕诱导性广告
- 涉及版权素材使用时，请核实授权范围
- 如遇网站无法访问或内容异常，可反馈给我们
帮助我们维护准确的收录数据，纠错会进入编辑复核队列
用过MiniGemini？说说你的真实体验
你的点评会帮助更多人选型避坑——匿名发表，无需注册，30 秒即可完成
用户评价
还没有评分
成为第一个评价 MiniGemini 的人
我的评分
随下方评论一并提交
热度数据
按站内点击统计1
站内总点击
#-
同类排名 / 3471 站
1
同类点击中位数