基于Mistral Small模型的视觉编码器，支持图像文本生成任务，适配llama.cpp框架

基于Salesforce/blip2-opt-2.7b微调的视觉语言模型，用于图像问答任务

BLIP是一个统一的视觉-语言预训练框架，擅长图像描述生成等视觉-语言任务

这是一个基于 Google Gemma 3-12B 模型转换而来的 MLX 格式模型，支持图像文本到文本的任务。

Gemma 3 4B IT QAT 4bit 是一个经过量化感知训练（QAT）的4位量化大语言模型，基于Gemma 3架构，专为MLX框架优化。

GIT是一个基于Transformer的图像到文本生成模型，能够根据输入的图像生成描述性文本。

基于Florence-2-base-ft微调的GPT4-O风格字幕生成器，用于生成图像描述

该模型是基于Qwen2-VL-7B-Captioner-Relaxed转换的GGUF格式版本，专为图像转文本任务优化，支持通过llama.cpp和Koboldcpp等工具运行。

这是对fancyfeast开发的Llama JoyCaption Alpha Two模型进行的FP8压缩版本，使用llm-compressor工具实现，并兼容vllm框架。

基于COCO数据集预训练的视觉语言模型，擅长生成精准的图像描述

基于microsoft/Florence-2-base微调的图像描述生成模型，专注于提升描述质量和格式

LLaVA-Llama3是基于Llama-3的多模态模型，支持图像与文本的联合处理。

这是一个基于Qwen2-VL-7B-Captioner-Relaxed模型转换的GGUF格式模型，专门用于图像转文本任务。

ViTucano是原生葡萄牙语预训练的视觉助手，整合了视觉理解与语言能力，适用于多模态任务。

GIT是一个基于Transformer的生成式图像转文本模型，能够将视觉内容转换为文本描述。

BLIP 是一个基于 Transformer 的图像描述生成模型，能够为输入图像生成自然语言描述。

基于ViT-GPT2架构的图像描述生成模型，能够为输入的图像生成自然语言描述。

基于ViT-GPT2架构的图像描述生成模型，能够为输入的图像生成自然语言描述。

基于ViT-GPT2架构的图像描述生成模型，能够将输入图像转换为描述性文本

基于meta-llama/Llama-3.2-11B-Vision-Instruct的4位量化版本，支持图像理解和文本生成任务

基于Mistral社区Pixtral-12B的4位量化版本，专注于图像文本到文本任务，支持中文描述生成

这是基于俄语对Qwen2-VL-2B模型进行的LORA微调版本，支持多模态任务。

这是一个基于Qwen2-VL-7B-Instruct配置随机初始化的小型调试模型，用于视觉语言任务

基于Moondream2的定制小型视觉模型，专为图像描述生成任务微调

该模型用于将图像内容转换为文本描述，适用于非商业用途。

孔雀模型是基于InstructBLIP架构的阿拉伯语多模态大语言模型，其语言模型采用AraLLaMA。

Idefics3是一个开源的多模态模型，能够处理任意序列的图像和文本输入并生成文本输出。

基于 Llama-3-8B-Instruct 的日语视觉语言模型，通过额外预训练和指令调优增强日语能力

BLIP是一个统一的视觉语言预训练框架，擅长图像描述生成和视觉问答等任务，通过创新的数据过滤机制提升性能

Florence-2是微软开发的先进视觉基础模型，采用基于提示的范式处理各类视觉与视觉-语言任务。

Florence-2-SD3-Captioner 是一个基于 Florence-2 架构的图像描述生成模型，专门用于生成高质量的图像描述文本。

Florence-2是微软开发的先进视觉基础模型，采用基于提示的方法处理各类视觉与视觉-语言任务。

distilvit是一个基于VIT图像编码器和蒸馏版GPT-2文本解码器的图像转文本模型，能够生成图像的文本描述。

Florence-2是微软开发的先进视觉基础模型，采用基于提示的方法处理广泛的视觉和视觉语言任务。

DistilViT 是一个基于视觉Transformer(ViT)和蒸馏版GPT-2的图像描述生成模型，能够将图像转换为文本描述。

ConvLLaVA-JP是一款支持高分辨率输入的日语视觉语言模型，能够就输入图像进行对话。

该模型能够将输入的图像转换为描述性文本，适用于多种场景下的图像理解任务。

该模型是一个基于Apache-2.0许可证的图像转文本模型，能够将图像内容转换为文本描述。

基于PaliGemma-3b模型在DocCI数据集上微调的图像描述生成模型，能生成200-350字符的详细描述文本，减少幻觉现象

该模型是Salesforce/blip-image-captioning-base的量化版本，通过降低浮点精度至bfloat16，内存占用减少50%，适用于图像到文本生成任务。