Dimple是首个结合自回归与扩散训练范式的离散扩散多模态大语言模型（DMLLM），在LLaVA-NEXT相同数据集上训练后，以3.9%的优势超越LLaVA-NEXT-7B。

Qwen团队推出的8B参数规模大语言模型，支持超长上下文和多种语言处理

Qwen2.5-VL-72B-Instruct是一个72B参数规模的多模态大模型，支持视觉-语言任务，能够理解和生成与图像相关的文本内容。

基于SmolVLM2-500M-Video-Instruct转换的MLX格式模型，支持视频文本转文本任务

基于unsloth/Llama-3.2-11B-Vision-Instruct进行精调的多模态模型，针对视觉-语言任务优化并增强指令跟随能力，通过Unsloth框架实现2倍训练加速

一个专为多模态视觉指令跟随任务设计的土耳其语视觉语言模型，能够同时处理视觉（图像）和文本输入，理解并执行土耳其语提供的指令。

基于meta-llama/Llama-3.2-11B-Vision-Instruct的4位量化版本，支持图像理解和文本生成任务

LLaVa是一个开源多模态聊天机器人，通过对LLaMA/Vicuna在GPT生成的多模态指令跟随数据上进行微调训练而成，专门为聊天/指令优化的多模态版本LLM。

LLaRA是一个开源视觉运动策略模型，通过微调LLaVA-7b-v1.5在指令跟随数据和辅助数据集上训练而成，主要用于机器人技术研究。

DenseConnector 是一个开源聊天机器人，基于 LLaMA/Vicuna 微调，并利用 GPT 生成的多模态指令跟随数据进行训练。

LLaVA是一款开源的多模态聊天机器人，通过对多模态指令跟随数据进行大语言模型微调训练而成。

LLaVA是一个开源的多模态聊天机器人，基于大语言模型微调训练而成，支持图像和文本的交互。

LLaMA-VID是基于LLaMA/Vicuna微调的开源多模态聊天机器人，通过扩展上下文令牌支持长达数小时的视频处理能力。

LLaVA是一个多模态大模型，通过连接视觉编码器与大语言模型实现通用视觉助手功能

一款视觉语言指令跟随模型，能够为输入图像生成日语描述，并可选地处理输入文本（如问题）。

BakLLaVA-1是基于Mistral 7B模型，并采用LLaVA 1.5架构增强的多模态模型，在多个基准测试上超越了Llama 2 13B的表现。

LLaVA 是一个开源多模态聊天机器人，基于 LLaMA/Vicuna 进行微调，通过 GPT 生成的多模态指令跟随数据训练而成。

LLaVA 是一款开源多模态聊天机器人，基于 LLaMA/Vicuna 微调，支持图文交互。

SpeechGPT是一个具备内在跨模态对话能力的大型语言模型，能够感知和生成多模态内容，支持语音与文本的交互。

SpeechGPT是一个具备内在跨模态对话能力的大型语言模型，能够根据人类指令感知和生成多模态内容。

InstructBLIP-Vicuna-7B 是一个基于 Vicuna-7B 的视觉-语言模型，支持图像到文本的转换任务。

LLaVA是一款开源多模态聊天机器人，基于LLaMA/Vicuna微调，通过GPT生成的多模态指令跟随数据训练而成。

LLaVA是基于LLaMA/Vicuna通过GPT生成的多模态指令跟随数据微调的开源聊天机器人

LLaVA是基于LLaMA/Vicuna通过GPT生成的多模态指令跟随数据微调的开源聊天机器人，支持视觉与语言的多模态交互。

LLaVA是基于LLaMA/Vicuna通过GPT生成的多模态指令跟随数据微调的开源聊天机器人，属于基于Transformer架构的自回归语言模型。