Gemma 3 27B IT QAT 8bit 是一个基于 Google 的 Gemma 3 27B 模型转换而来的 MLX 格式模型，支持图文到文本的任务。

R1-VL-7B是一个基于Qwen2-VL-7B-Instruct的推理模型，采用逐步分组相对策略优化（StepGRPO）方法进行训练，专注于图文转文本任务。

Qwen2-VL-2B是一个多模态模型，能够处理图像和文本输入，生成文本输出。

Qwen2.5-VL-7B-Instruct-GPTQ-Int4是基于Qwen2.5-VL-7B-Instruct模型进行非官方GPTQ-Int4量化的版本，支持图文到文本的多模态任务。

基于微软Phi-1.5架构的视觉语言模型，结合CLIP实现图像处理能力

这是微软Florence-2模型使用Docmatix数据集（5%数据量）以1e-6学习率微调1天后的版本

基于中文多模态预训练模型孟子-奥斯卡，在AIC-ICC中文图像描述数据集上微调而成的中文多模态图像描述模型