/vision-sft
用影像加文字資料，以監督式學習微調視覺語言模型（VLM）。用於讓 VLM 適應視覺領域或任務、設定凍結視覺塔的 LoRA，或除錯訓練了卻沒學到東西的 VLM 微調。
- 安裝次數
- 2800
- 專案星數
- 4.2 萬 ★
- 授權
- MIT
- 專案更新
- 2026-11-02
怎麼裝
npx skills add https://github.com/wshobson/agents --skill vision-sft安裝前請先看過原文內容。中文說明是 AI 翻譯，不保證安全。
原文
Fine-tune vision-language models (VLMs) with supervised learning on image+text data. Use when adapting a VLM to a visual domain or task, configuring frozen-vision-tower LoRA, or debugging a VLM fine-tune that trains without learning.