När folk säger "AI för bild" menar de oftast bildgenerering. Men en stor del av värdet ligger i motsatsen: att låta en maskin förstå och beskriva bilder du redan har. Tre modeller dominerar samtalet, och de gör olika saker. Att förstå skillnaden hjälper dig att utvärdera rätt verktyg för rätt uppgift.
1. CLIP – matchar bild mot text
CLIP avgör hur väl en bild och en textbeskrivning hör ihop. Den genererar inga texter själv – den rangordnar hur bra en befintlig beskrivning passar en bild. Modellen tränades på 400 miljoner bild- och textpar och kan därför koppla i stort sett vilket ord som helst till en bild, inte bara förbestämda kategorier.
Det gör CLIP idealisk för sökning. Du skriver fritt vad du letar efter och får bilder som matchar, även utan manuella taggar. Det finns dessutom flerspråkiga varianter, inklusive en svensktränad CLIP-modell – relevant för dig som söker på svenska.
2. BLIP – skriver beskrivningar
Där CLIP rangordnar, genererar BLIP. Modellen skriver bildtexter på 4–8 ord och kan svara på frågor om en bilds innehåll. Det är användbart för att automatiskt ta fram utkast till bildtexter, alt-text och beskrivningar i stora samlingar.
En vanlig kombination är att låta BLIP föreslå flera bildtexter och sedan använda CLIP för att rangordna vilken som passar bäst. Två modeller, ett bättre resultat.
3. LLaVA – resonerar om bilden
LLaVA är en multimodal modell som kopplar ihop bildförståelse med ett språkmodellsresonemang. Den kan både beskriva en bild i detalj och svara på följdfrågor om den. Där CLIP och BLIP är specialister på matchning och bildtext, klarar LLaVA mer öppen dialog om innehållet.
Notera dock att tillgänglighet varierar. Vissa modeller är begränsade i EU, så kontrollera villkoren innan du bygger ett arbetsflöde kring dem.
Så väljer du
| Uppgift | Verktyg |
| Fritextsökning i arkivet | CLIP |
| Automatiska bildtexter | BLIP |
| Detaljerad analys och frågor | LLaVA |
Det viktiga är inte att lära sig modellnamnen utan att förstå vad de löser. I praktiken möter du dem oftast inbyggda i tjänster du redan använder – som de automatiska taggförslagen i en modern bildbank. Vill du läsa mer om hur det fungerar i praktiken, se AI-taggar i bildbanken.