Jedi-3B-1080p是由xlangai开发的3B参数模型，经过llama.cpp量化处理，适用于图像文本生成文本任务。

Dimple是首个结合自回归与扩散训练范式的离散扩散多模态大语言模型（DMLLM），在LLaVA-NEXT相同数据集上训练后，以3.9%的优势超越LLaVA-NEXT-7B。

Magma-8B是一个基于GGUF格式的图像文本到文本转换模型，适用于多模态任务处理。

该模型是基于llava-hf/llava-1.5-7b-hf转换的GGUF格式模型，支持图像文本生成任务。

Qwen2.5-VL-72B-Instruct的多模态大语言模型量化版本，支持图像文本到文本任务，适用于多种量化级别，从高精度到低内存需求。

Qwen2.5-VL-7B-Instruct 是一个基于 Qwen2.5 架构的多模态模型，支持图像和文本的联合处理，适用于视觉语言任务。

这是pixtral-12b模型的量化版本，使用llama.cpp进行量化，支持图像文本到文本的任务。

UI-TARS-1.5-7B-4bit是一个多模态模型，专注于图像文本到文本的转换任务，支持英文语言。

InternVL3 是一个先进的多模态大语言模型系列，具备强大的多模态感知和推理能力，支持图像、视频和文本输入。

InternVL3 是一个先进的多模态大语言模型系列，展示了卓越的多模态感知和推理能力，支持图像、视频和文本输入。

Gemma 3 27B IT QAT BF16 是由 Google 发布的 Gemma 系列模型的一个版本，经过量化感知训练（QAT）并转换为 BF16 格式，适用于 MLX 框架。

该模型是从 google/gemma-3-27b-it-qat-q4_0-unquantized 转换为 MLX 格式的 3 位量化版本，适用于图像文本到文本任务。

Gemma 3 27B IT QAT 4bit 是一个基于 Google 原始模型转换而来的 MLX 格式模型，支持图像文本到文本的任务。

基于gemma-3-4b-it模型进行INT4量化的版本，显著减少存储和计算资源需求

Gemma 3是Google推出的轻量级多模态开放模型，支持文本和图像输入，生成文本输出，具有128K大上下文窗口和多语言能力。

Gemma 3是Google基于Gemini技术打造的轻量级开源多模态模型系列，支持文本和图像输入并生成文本输出。

Gemma 3是Google推出的轻量级开源多模态模型系列，支持文本和图像输入，能生成文本输出。

VoRA是一个基于7B参数的视觉-语言模型，专注于图像文本到文本的转换任务。

VoRA是一个基于7B参数的视觉语言模型，能够处理图像和文本输入，生成文本输出。

这是Qwen2.5-VL-7B-Instruct模型的GGUF量化版本，适用于多模态任务，支持图像和文本输入。

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

基于NVILA-Lite架构训练的日语视觉语言模型，支持日语和英语的图文交互

Gemma是Google推出的轻量级先进开放模型系列，基于与Gemini相同的研究和技术构建。

Gemma是Google推出的轻量级先进开放模型系列，基于与Gemini相同的研究技术构建。

该模型是从 ds4sd/SmolDocling-256M-preview 转换为 MLX 格式的视觉语言模型，支持图像文本到文本任务。

Gemma 3是Google推出的轻量级开放模型系列，基于与Gemini相同技术构建，支持多模态输入和文本输出。

这是一个基于Google Gemma 3 27B IT模型转换的MLX版本，支持图像文本到文本的任务。

这是一个图像文本到文本的转换模型，能够处理图像和文本输入，生成相应的文本输出。

字节跳动研究团队发布的72B参数规模的多模态基础模型，专注于图像文本转文本任务

Meta发布的变色龙系列7B参数规模的多模态模型，支持图像文本转文本任务

这是对Minthy/ToriiGate-v0.4-7B模型进行的加权/重要性矩阵量化版本，提供多种量化选项以适应不同需求。

InternVL2_5-4B-AWQ 是使用 autoawq 对 InternVL2_5-4B 进行 AWQ 量化的版本，支持多语言和多模态任务。

Aya Vision 8B是一个开放权重的80亿参数多语言视觉语言模型，支持23种语言的视觉和语言任务。

Gemma是Google推出的轻量级前沿开源多模态模型系列，基于创建Gemini模型的技术构建，支持文本和图像输入并生成文本输出。

Gemma是Google推出的轻量级开源多模态模型系列，基于与Gemini相同技术构建，支持文本和图像输入并生成文本输出。

Gemma是Google推出的轻量级先进开放模型系列，基于与Gemini相同的研究和技术构建。

这是一个图像文本到文本的转换模型，能够将输入的图像和文本转换为新的文本输出。

ViTucano是首个原生葡萄牙语预训练的视觉助手，融合视觉理解与语言能力，适用于多模态任务如图像描述、视觉问答等。

Qwen2-VL-2B-Instruct 是一个多模态视觉语言模型，支持图像和文本的交互，适用于图像理解和生成任务。

Qwen2-VL-7B-Instruct 是一个多模态视觉语言模型，支持图像和文本的联合理解与生成任务。