LAVIS

LAVIS 是一个开源的多模态深度学习库，专注于语言与视觉智能的联合建模与统一训练。它提供预训练模型（如 BLIP-2、InstructBLIP、X-InstructBLIP、BLIP-Diffusion）、标准化数据加载器、可复现的训练/推理流水线及 Jupyter Notebook 示例，支持图像描述生成、视觉问答、跨模态检索、文本到图像生成等任务。基于 Transformer 架构，支持冻结大语言模型+轻量视觉适配器的高效范式，具备良好扩展性与模块化设计。适用于学术研究、多模态算法原型开发及需要快速验证视觉-语言任务的工业场景。