VL-Rethinker-72B的4位量化版本，适用于苹果设备的MLX框架，支持视觉问答任务。

该模型是对google/gemma-3-12b-it进行INT4量化的版本，通过GPTQ算法将参数从16比特降至4比特，显著减少了磁盘空间和GPU内存需求。

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。

Q-SiT Mini是一个轻量级的图像质量评估与对话模型，专注于图像质量分析和评分。

LLaVA-NeXT-Video-7B-hf 是一个基于视频的多模态模型，能够处理视频和文本输入，生成文本输出。

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。

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。

基于长且丰富的上下文（LRC）建模增强的视频多模态大语言模型，通过提升感知细粒度细节和捕捉长时态结构的能力改进现有MLLM

InternLM-XComposer2.5-Chat是基于InternLM-XComposer2.5-7B训练的对话模型，在多模态指令跟随和开放式对话能力方面有显著提升。

这是QVQ-72B-Preview-abliterated模型的GPTQ量化8位版本，支持图像文本到文本的转换任务。

Apollo是一系列专注于视频理解的大型多模态模型，擅长处理长达一小时的视频内容，支持复杂视频问答和多轮对话。

Apollo 是一系列专注于视频理解的大型多模态模型，擅长处理长视频内容理解、时序推理和复杂视频问答等任务。

台风2-音频版是一个端到端的语音转语音模型架构，能够处理音频、语音和文本输入，并同时生成文本和语音输出。

Mini-InternVL2-DA-RS是针对遥感图像领域优化的多模态模型，基于Mini-InternVL架构，通过领域适配框架微调，在遥感图像理解任务上表现优异。

VARCO-VISION-14B是一款强大的英韩视觉语言模型，支持图像和文本输入，生成文本输出，具备定位、指代和OCR功能。

ChatRex是一款擅长感知的多模态大语言模型，能在回答问题的同时将答案关联到具体对象。

GLM-Edge-V-5B是一个50亿参数的多模态模型，支持图像和文本输入，能够执行图像理解和文本生成任务。

GLM-Edge-V-2B是一个基于Pytorch框架的图像文本到文本模型，支持中文处理。

MMDuet是一个支持视频播放时实时交互的VideoLLM模型，专注于时间敏感的视频理解任务。

基于Aria-sequential_mlp的BitsAndBytes NF4量化版本，适用于图像文本到文本任务，显存需求约15.5 GB。

基于Aria-sequential_mlp的FP8动态量化模型，适用于图像文本到文本任务，显存需求约30GB。

mPLUG-Owl3 是一款先进的多模态大语言模型，专注于解决长图像序列理解的挑战，通过超注意力机制显著提升处理速度和序列长度。

mPLUG-Owl3 是一款先进的多模态大语言模型，专注于解决长图像序列理解的挑战，通过超注意力机制显著提升处理速度和序列长度。

VideoChat2-HD-hf是一个基于Mistral-7B的多模态视频理解模型，专注于视频文本转换任务。

这是一个基于Qwen2-VL-7B-Instruct配置随机初始化的小型调试模型，用于视觉语言任务

InternVideo2-Chat-8B-InternLM2.5是一个视频-文本多模态模型，通过整合InternVideo2视频编码器与大型语言模型(LLM)来增强视频理解和人机交互能力。

这是Qwen2-Audio-7B-Instruct的4位量化版本，基于阿里巴巴云原版Qwen模型开发，是一个音频-文本多模态大语言模型。

mPLUG-Owl3 是一款前沿的多模态大语言模型，专为解决长图像序列理解难题而设计，支持处理单图、多图和视频任务。

AI虚拟主播板板模型，专为NTNU VLSI社团设计的虚拟主播助手，具有图像文本到文本的能力。

InternVideo2-Chat-8B-HD 是一个结合了大型语言模型和视频BLIP的视频理解模型，通过渐进式学习方案构建，能够处理高清视频输入。

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。

基于TinyLlama-1.1B的轻量级视觉问答模型，通过BakLlava代码库训练而成，支持图像内容理解和问答任务。

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

MiniCPM-Llama3-V 2.5 的 int4 量化版本，显著降低 GPU 显存占用（约 9GB）

CogVLM2是基于Meta-Llama-3-8B-Instruct构建的多模态对话模型，支持中英文，具备8K上下文长度和1344*1344分辨率图像处理能力。

MiniCPM-Llama3-V 2.5的int4量化版本，显著降低GPU显存占用至约9GB，适用于视觉问答任务。

360VL是基于LLama3语言模型开发的开源大型多模态模型，具备强大的图像理解和双语文本支持能力。