Gemma是谷歌推出的轻量级尖端开源模型家族，基于与Gemini模型相同的研究技术构建。

基于LLaVA-1.5-7B模型通过视觉监督微调(VSFT)训练的多模态视觉语言模型，支持图像理解和对话生成

LLaVA-v1.5-13B-DPO 是一个基于LLaVA框架的视觉语言模型，经过直接偏好优化(DPO)训练，并转换为GGUF量化格式以提高推理效率。

InstructBLIP是BLIP-2的视觉指令调优版本，基于Flan-T5-xl语言模型，用于图像到文本生成任务。

IDEFICS是Deepmind开发的闭源视觉语言模型Flamingo的开源复现版本，支持多模态输入（图像+文本）并生成文本输出。