SmolVLM2-2.2B-Instruct 是一个2.2B参数规模的视觉语言模型，专注于视频文本到文本任务，支持英语。

Phi-4-multimodal-instruct是一个轻量级开源多模态基础模型，支持文本、图像和音频输入，生成文本输出，具备128K标记的上下文长度。

OpenVLA 7B是一个基于Open X-Embodiment数据集训练的开源视觉-语言-动作模型，能够根据语言指令和摄像头图像生成机器人动作。

苍鹭GIT Llama 2 7B是一款能够就输入图像进行对话的视觉语言模型。