Qwen2.5-VL-7B-Instruct 是一个多模态视觉语言模型，支持图像文本生成任务。

GLM-Edge-V-2B是一个基于Pytorch框架的图像文本到文本模型，支持中文处理。

基于Aria-sequential_mlp的BitsAndBytes NF4量化版本，适用于图像文本到文本任务，显存需求约15.5 GB。

基于Aria-sequential_mlp的FP8动态量化模型，适用于图像文本到文本任务，显存需求约30GB。

该模型使用ViT对图像进行编码，再通过GPT-2进行解码，支持中文图像描述生成。