InternVL3-14B-Instruct 是一个先进的多模态大语言模型（MLLM），展示了卓越的多模态感知和推理能力，支持工具使用、GUI代理、工业图像分析、3D视觉感知等多种任务。

InternVL3-8B-Instruct 是一个先进的多模态大语言模型（MLLM），展示了卓越的整体性能，具备强大的多模态感知和推理能力。

由Bespoke Labs开发的7B参数规模开源图表理解视觉语言模型，在图表问答任务上超越Gemini-1.5-Pro等闭源模型

天工-R1V2-38B是当前最先进的开源多模态推理模型，在多项基准测试中表现卓越，具备强大的视觉推理与文本理解能力。

ViCA2是一个多模态视觉语言模型，专注于视频理解和视觉空间认知任务。

ViCA2是一个7B参数规模的多模态视觉语言模型，专注于视频理解和视觉空间认知任务。

基于Qwen2.5-VL-3B-Instruct的多模态GUI智能体，通过强化学习增强在图形用户界面任务中的规划和反思能力

InternVL3 是一个先进的多模态大语言模型系列，具备强大的多模态感知和推理能力，支持图像、视频和文本输入。

SpaceThinker是一款通过测试时计算增强空间推理能力的多模态视觉语言模型，特别擅长定量空间推理和物体关系分析。

InternVL3-9B是InternVL3系列中的一款多模态大语言模型，具备卓越的多模态感知与推理能力，支持工具使用、GUI代理、工业图像分析、3D视觉感知等多种应用场景。

InternVL3-8B是OpenGVLab推出的先进多模态大语言模型，具备强大的多模态感知与推理能力，支持工具调用、GUI智能体、工业图像分析、3D视觉感知等新领域。

由腾讯PCG基础算法中心微调的多模态语言模型，基于Qwen2.5-VL-3B-Instruct优化，在同规模模型中实现多项多模态推理基准的最先进性能

InternVL3-9B-Instruct 是 InternVL3 系列的监督微调版本，具备强大的多模态感知和推理能力，支持图像、文本、视频等多种模态处理。

InternVL3-8B-Instruct 是一个先进的多模态大语言模型（MLLM），展示了卓越的多模态感知和推理能力，支持工具使用、GUI代理、工业图像分析、3D视觉感知等多种功能。

这是一个经过INT4量化的Mistral-Small-3.1-24B-Instruct-2503模型，由Red Hat (Neural Magic)优化发布，适用于快速响应的对话代理和低延迟推理场景。

VL-Reasoner-7B 是一个基于 GRPO-SSR 技术训练的多模态推理模型，在多项多模态推理基准测试中表现卓越。

基于Qwen2.5-14B基础模型和VisualWebInstruct-Verified数据集训练的多模态推理模型，支持英语任务处理。

SpaceQwen2.5-VL-3B-Instruct 是一个多模态视觉语言模型，专注于空间推理和具身智能任务。

Gemma 3是谷歌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。

DeepCogito推出的通过迭代蒸馏与放大（IDA）训练的强大混合推理模型，在编程、STEM、多语言和智能体应用场景中表现卓越。

基于Qwen2.5-VL-3B模型的微调版本，使用Unsloth和Huggingface TRL库进行训练，推理速度提升2倍

WebDreamer 是一个规划框架，能够为现实世界中的网页智能体任务实现高效且有效的规划。

Gemma 3 27B参数的GGUF量化版本，支持图像文本交互任务

基于Qwen2.5-VL通过创新性Curr-ReFT方法微调的多模态大语言模型，显著提升了视觉语言理解与推理能力。

这是对Fanbin/STEVE-R1-7B-SFT模型进行的加权/矩阵量化版本，适用于资源受限环境。

VideoMind是一个多模态智能体框架，通过模拟人类思维的处理流程（如任务拆解、时刻定位与验证和答案合成）来增强视频推理能力。

本模型是对Mistral-Small-3.1-24B-Instruct-2503进行INT4量化的版本，通过GPTQ算法将权重从16位降至4位，显著减少磁盘大小和GPU内存需求。

Vintern-3B-R-beta是一个多模态大语言模型，专注于基于图像的复杂推理任务，能分解推理步骤并有效控制幻觉现象。

基于unsloth/Llama-3.2-11B-Vision-Instruct微调的模型，使用Unsloth和Huggingface的TRL库进行训练，速度提升了2倍。

Sarashina2-Vision-14B是由SB Intuitions开发的日本大型视觉语言模型，结合了Sarashina2-13B和Qwen2-VL-7B的图像编码器，在多个基准测试中表现优异。

Sarashina2-Vision-8B是由SB Intuitions训练的日本大型视觉语言模型，基于Sarashina2-7B和Qwen2-VL-7B的图像编码器，在多个基准测试中表现优异。

首个在仅一个非监督微调的2B模型上复现'顿悟时刻'和响应长度增加的多模态推理模型

Spec-Vision-V1是一款轻量级、最先进的开源多模态模型，专为深度整合视觉与文本数据而构建，支持128K的上下文长度。

Qwen2.5-VL-7B-Instruct的量化版本，支持视觉-文本输入和文本输出，通过INT8权重量化优化推理效率

Qwen2.5-VL-3B-Instruct的FP8量化版本，支持视觉-文本输入和文本输出，优化了推理效率。

UI-TARS是新一代原生图形用户界面（GUI）代理模型，旨在通过类人的感知、推理和行动能力与图形用户界面无缝交互。

QVQ-72B-Preview是Qwen团队开发的实验性研究模型，专注于提升视觉推理能力，本仓库提供其AWQ 4比特量化版本。

LlamaV-o1 是一款先进的多模态大语言模型，专为复杂的视觉推理任务而设计，通过课程学习技术优化，在多样化的基准测试中展现出卓越性能。

该模型是基于LLaVA-Phi-3-mini-4k-instruct开发的视频语言指导推理分割模型，专注于视频中的对象分割任务。

NVLM 1.0 是一系列前沿的多模态大语言模型，在视觉语言任务上取得了最先进的结果，可与领先的专有模型和开放访问模型相媲美。