qinglong-captions v4.7.0 详细更新：多模态 OCR 与底层模型大升级
bdsqlsz · x · 2026-08-02
图像打标工具 qinglong-captions 发布 v4.7.0 版本，带来多项多模态与模型支持更新：
- OCR 与乐谱识别：引入 OvisOCR2 图像与 PDF OCR（支持 Transformers 及兼容 OpenAI 的 vLLM 后端），并将 MuSViT 升级为完整的 ONNX 乐谱识别工作流，支持导出 MusicXML/MIDI。
- 模型统一与更新：统一了 Kimi K3 模型选择与推理控制，更新了 Gemini 3.x 和 MiniMax M2.7 模型目录。
- 图像处理优化：强制执行了图像提示词模板的输入输出契约，并同步了 LayerDiff 和 Marigold 的上游行为。
所属事件:图像打标工具 qinglong-captions 发布 v4.7.0 更新(2 条相关)→
「多模态」频道最新
- Kling 4.0 强化文生视频：角色一致性、口型同步与对话表现升级 — CurieuxExplorer · 2026-10-16
- 5.8M 参数语音事件检测器：为 Whisper 转录补上笑声呼吸与背景音 — Ayush Kumar Bar · 2026-10-16
- 华为等提出 SUPRA-Tex：单图生成可重打光 3D 材质，所见即所得 — Chen Yang · 2026-10-16
- AI 生成「巨人 MJ」时装图爆火:夸张比例撞出超现实时尚感 — OVolosin82152 · 2026-10-16
- BFL 官方回应 Flux 3 Klein 争议：Comfy workflow 有 bug 修复中 — desktop4070 · 2026-10-16
- MiniMax H3 搭配 RVC-project 语音效果出乎意料地好 — ColdComplaint8 · 2026-10-16