Gemma是Google推出的轻量级先进开放模型系列，基于创建Gemini模型的技术构建。

Gemma 3是Google推出的轻量级开源多模态模型，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。

Qwen2.5-VL-3B-Instruct是一个3B参数规模的多模态模型，支持图文生成任务，特别优化了在llama.cpp中的视觉功能支持。

Open-Qwen2VL是一个多模态模型，能够接收图像和文本作为输入并生成文本输出。

Qwen2.5-VL-3B-Instruct 是一个3B参数的视觉语言模型，支持图文生成文本任务。

Qwen2.5-VL-7B-Instruct 是一个7B参数规模的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。

Qwen2.5-VL-3B-Instruct的GPTQ-Int3量化版本，适用于多模态图像文本处理任务，显存占用更少，推理速度更快。

这是一个基于Qwen2.5-VL-7B-Instruct模型的非官方GPTQ-Int3量化版本，适用于图像文本到文本的多模态任务。

Gemma 3是谷歌推出的轻量级尖端开源多模态模型，支持图文输入与文本输出，具有128K上下文窗口和140+语言支持。

PaliGemma 2是基于Gemma 2的升级版视觉语言模型，支持多语言图文输入与文本输出，专为视觉语言任务设计

PaliGemma 2是基于Gemma 2的视觉语言模型，支持图像和文本输入，生成文本输出，适用于多种视觉语言任务。

LLaVA-1.6是一个开源的视觉语言模型，支持图像文本到文本的任务，具有改进的视觉理解和文本生成能力。

BLIP是一个先进的视觉-语言预训练模型，擅长图像描述生成任务，通过引导式标注策略有效利用网络数据