InternLM-XComposer2.5-OL是一个支持长时流式视频与音频交互的全方位多模态系统。

这是一个与transformers兼容的视觉语言模型，具备图像理解和文本生成能力

LLaVA-Saiga-8b是基于IlyaGusev/saiga_llama3_8b模型开发的视觉-语言模型（VLM），主要适配俄语任务，但仍具备英语处理能力。

实验性视觉模型，融合关键词标签与长文本描述生成图像提示词

llava-calm2-siglip 是一个实验性的视觉语言模型，能够用日语和英语回答关于图像的问题。

基于google/paligemma-3b-mix-448微调的多模态对话模型，专为多轮对话场景优化

该模型是基于google/paligemma-3b-pt-224在VQAv2数据集的一小部分上进行微调的版本，专注于视觉问答任务。

基于Meta-Llama-3-8B-Instruct和CLIP-ViT-Large-patch14-336微调的LLaVA模型，支持图像转文本任务

基于Phi-3-mini-4k-instruct和CLIP-ViT-Large-patch14-336微调的LLaVA模型，支持图像转文本任务

该模型是基于Salesforce/blip-vqa-base微调的视觉问答模型，专注于时尚领域

Eris Prime V2是一个7B参数规模的多模态语言模型，支持视觉功能，需配合Koboldcpp使用。

基于ViT架构的CLIP模型，用于零样本图像分类任务

LLaVA 是一个视觉语言模型，能够理解和生成与图像相关的文本内容。

TeCoA是基于OpenAI CLIP初始化的视觉语言模型，通过监督式对抗微调提升鲁棒性

LLaVA是基于Transformer架构的开源多模态聊天机器人，通过量化技术提供多种体积与质量平衡的模型版本。

LLaVA 是一个视觉语言模型，能够理解和生成与图像相关的文本内容。

这是一个基于Apache-2.0许可证的视觉问答模型，支持英文语言，专注于处理视觉相关的问答任务。

Llava v1.5 13B是由Haotian Liu开发的多模态模型，结合了视觉和语言能力，能够理解和生成基于图像和文本的内容。

一个基于MIT许可证的视觉语言模型，专注于从图像生成文本描述。

mPLUG-Owl是一个多模态大语言模型，基于LLaMA-7B架构，支持图像理解和文本生成任务。

一个专注于将图像内容转换为文本描述的模型，支持中文处理。

基于未知数据集微调的BEiT基础模型，具体用途和性能信息暂不可用

UperNet是一个语义分割框架，结合ConvNeXt大型骨干网络，用于像素级语义标签预测。