这是一个基于微软Kosmos-2模型微调的多模态模型，专门用于识别宝可梦卡牌中的宝可梦名称。

这是一个具备空间感知能力的视觉语言模型，能够识别图像中物体之间的空间关系并生成描述性文本。

Pix2Struct是一种视觉语言理解模型，通过预训练处理图像到文本转换任务，特别针对高分辨率信息图表的视觉问答进行了优化。

Pix2Struct是基于OCR-VQA任务微调的视觉问答模型，能够解析图像中的文本内容并回答问题

Pix2Struct是一种图像编码器-文本解码器模型，通过图像-文本配对数据进行多任务训练，专门针对图表问答任务进行微调

GIT是一个基于Transformer解码器的视觉语言模型，通过CLIP图像标记和文本标记双重条件化训练，专为TextVQA任务优化。

GIT是一种基于CLIP图像标记和文本标记的Transformer解码器，通过大量图像-文本对训练，适用于视觉问答等任务。