MiniGPT-4 的替代品

3 个可以替代 MiniGPT-4 的工具，1 个可完全替代、2 个部分替代。费用、登录、平台与可访问性都是本站实测或从官网核对的。

对比

条目	费用	登录	平台	国内可直接访问	一句
BuboGPT	—	—	网页	待检测	替代多模态对齐研究这一块：多了音频模态与共享语义空间，但少了草图生成网页的演示
Moondream	有免费版	要登录	网页 · Linux	待检测	替代图像描述这一块：权重可本地部署、更轻量，但没有投影层对齐的训练流程可复现
LLaVA	—	—	—	可以	同为冻结视觉编码器接 Vicuna 的开源多模态基线，代码模型齐全，换过去研究对齐更主流

详细介绍

可完全替代 1

LLaVA国内可直接访问 开源的多模态大模型，用 CLIP 视觉编码器接 Vicuna 语言模型，可围绕图片多轮问答、描述细节并做科学推理，模型、代码和指令数据全部公开，适合多模态研究者复现或微调视觉语言模型。同为冻结视觉编码器接 Vicuna 的开源多模态基线，代码模型齐全，换过去研究对齐更主流

部分替代 2

BuboGPT 字节跳动的多模态大语言模型研究项目，在文字、图像、音频间建立共享语义空间，可做图像细粒度理解、声音定位与音图相关性判断，适合多模态方向研究者读论文、跑实验时对照复现。替代多模态对齐研究这一块：多了音频模态与共享语义空间，但少了草图生成网页的演示 Moondream有免费版要登录 M87 Labs 开发的开源视觉语言模型，支持图像描述、目标检测、关键点定位与分割，权重可本地部署，也能通过云端 API 调用，适合把图像理解集成进仓储、质检等产品的开发者。替代图像描述这一块：权重可本地部署、更轻量，但没有投影层对齐的训练流程可复现

还有：LLaVA-1.5、Qwen-VL（未收录）

更新于 11 月 8 日 · 报告问题