PixelReasoner是一个基于Qwen2.5-VL-7B-Instruct的视觉语言模型，采用好奇心驱动强化学习训练，专注于图像文本到文本的任务。

基于Qwen2.5-VL-3B的多模态指令模型，专注于计算机使用场景的视觉语言任务

Qwen2.5-VL-7B-Instruct 是一个基于 Qwen2.5 架构的多模态模型，支持图像和文本的联合处理，适用于视觉语言任务。

基于Llama-3.1-8B-Instruct的多语言音频文本转文本模型，支持40多种语言处理

基于Llama-4构建的17B参数多语言指令模型，采用FP8量化优化，显著降低资源需求

Qwen2.5-VL-32B-Instruct 是一个32B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-32B-Instruct 是一个32B参数规模的多模态视觉语言模型，支持图像与文本的联合理解与生成任务。

Qwen2.5-VL-32B-Instruct 是一个32B参数规模的多模态大语言模型，支持视觉和语言任务，适用于复杂的多模态交互场景。

Qwen2-VL-2B-Instruct 是一个多模态视觉语言模型，支持图像文本到文本的任务。

InstructCLIP是一种通过对比学习自动数据优化改进指令引导的图像编辑模型，结合了CLIP和稳定扩散技术，能够根据文本指令编辑图像。

Qwen2-VL-7B-Instruct 是一个基于 Qwen2 架构的视觉语言模型，支持图像和文本的多模态输入，适用于多种视觉语言任务。

基于Qwen2-VL-7B模型的微调版本，使用Unsloth和Huggingface的TRL库进行训练，速度提升2倍。

基于Unsloth优化的Llama 3.2-11B视觉指令模型，4bit量化版本，训练速度提升2倍

Llama 3.2 11B Vision Instruct 是一个结合视觉和语言的多模态模型，支持图像转文本任务。

Phi-4-multimodal-instruct是一款轻量级开源多模态基础模型，融合了Phi-3.5和4.0模型的语言、视觉及语音研究与数据集。

Phi-4多模态模型的ONNX版本，已量化为int4精度，通过ONNX Runtime加速推理，支持文本、图像和音频输入。

基于Qwen2.5-VL-7B-Instruct模型微调的多模态模型，采用Unsloth加速框架和TRL库训练，速度提升2倍

Pixtral-Large-Instruct-2411是基于MistralAI技术的多模态指令微调模型，支持图像和文本输入，具备多语言处理能力。

Qwen2-VL-7B-Instruct 是一个7B参数规模的多模态模型，支持图像与文本的交互任务。

这是一个基于Qwen2-VL架构的7B参数规模的视觉语言模型，支持图像理解和指令交互。

首个支持繁体中文指令输入的视觉语言模型（12亿参数），兼容Transformers库，加载迅速、微调便捷

该模型是通过在LIBERO-10数据集上采用LoRA方法微调OpenVLA 7B模型得到的视觉语言动作模型，适用于机器人技术领域。

这是一个在LIBERO-Goal数据集上使用LoRA技术微调的OpenVLA 7B视觉语言动作模型，适用于机器人技术领域。

Octo小型版是一个用于机器人控制的扩散策略模型，采用Transformer架构，能够根据视觉输入和语言指令预测机器人动作。