该模型是基于llava-hf/llava-1.5-7b-hf转换的GGUF格式模型，支持图像文本生成任务。

VideoChat-R1_7B_caption 是一个基于 Qwen2-VL-7B-Instruct 的多模态视频文本生成模型，专注于视频内容理解和描述生成。

ViCA-7B是一款专为室内视频环境中的视觉空间推理而微调的视觉语言模型，基于LLaVA-Video-7B-Qwen2架构构建，使用ViCA-322K数据集进行训练，强调结构化空间标注和基于指令的复杂推理任务。

VL-Rethinker-7B 4位MLX量化版是基于TIGER-Lab/VL-Rethinker-7B模型的量化版本，专为苹果设备优化，支持视觉问答任务。

基于ViLT架构的视觉语言模型，专为GQA视觉推理任务微调

这是一个基于Qwen2.5-VL-7B-Instruct的多模态模型，支持视觉问答任务，已转换为MLX格式以便在Apple芯片上高效运行。

VL-Rethinker-7B-8bit 是一个基于 Qwen2.5-VL-7B-Instruct 的多模态模型，支持视觉问答任务。

该模型是基于Qwen2.5-VL-7B-Instruct转换而来的多模态视觉语言模型，支持视觉问答任务。

该模型是基于Qwen2.5-VL-7B-Instruct转换而来的多模态视觉语言模型，支持8位量化，适用于视觉问答任务。

VL-Rethinker-72B-4bit是一个基于Qwen2.5-VL-7B-Instruct的多模态模型，支持视觉问答任务，已转换为MLX格式以便在苹果设备上高效运行。

该模型是mlabonne/gemma-3-4b-it-abliterated的GGUF格式转换版本，结合了x-ray_alpha的视觉组件，提供更流畅的多模态体验。

LLaVAction是一个面向动作识别的多模态大语言模型评估与训练框架，基于Qwen2语言模型架构，支持第一人称视角视频理解。

TinyLLaVA-Video是基于Qwen2.5-3B和siglip-so400m-patch14-384构建的视频理解模型，采用分组重采样器处理视频帧

基于InternVideo2-1B和Qwen2.5-7B构建的多模态视频文本模型，每帧仅使用16个标记，支持长达10,000帧的输入序列。

Asagi-8B是一个大规模的日语视觉与语言模型（VLM），基于广泛的日语数据集训练，整合了多样化的数据来源。

DeepSeer是基于DeepSeek-R1模型开发的视觉语言模型，支持思维链推理能力，通过对话模板训练视觉模型。

这是对EraX-VL-7B-V2.0-Preview模型进行加权/重要性矩阵量化的结果，提供多种量化版本以适应不同需求

基于UMT-L和Qwen2-7B构建的多模态模型，支持长视频理解，每帧仅使用16个标记，上下文窗口扩展至128k。

VideoChat-Flash-2B是基于UMT-L（300M）和Qwen2.5-1.5B构建的多模态模型，支持视频文本转文本任务，仅使用每帧16个标记，并扩展上下文窗口至128k。

EraX-VL-7B-V2.0-Preview是一款强大的多模态模型，专为OCR和视觉问答设计，擅长处理越南语等多种语言，在医疗表格、发票等文档识别上表现突出。

基于微软Phi-1.5架构的视觉语言模型，结合CLIP实现图像处理能力

VideoRefer-7B是一个多模态大语言模型，专注于视频问答任务，能够理解和分析视频中的时空物体关系。

LLaVA-SpaceSGG是基于LLaVA-v1.5-13b的视觉问答模型，专注于场景图生成任务，能够理解图像内容并生成结构化场景描述。

LongVU是基于Qwen2-7B的多模态模型，专注于长视频语言理解任务，采用时空自适应压缩技术。

基于InternVL-Chat-V1-5微调的多模态模型，在MMBench基准测试中表现优异

Idefics3是一个开源的多模态模型，能够处理任意序列的图像和文本输入并生成文本输出。

Table LLaVA 7B 是一款开源多模态聊天机器人，专为理解各类表格图像并完成多样化表格相关任务而设计。

Idefics2 是一个开放的多模态模型，能够接受任意序列的图像和文本输入并生成文本输出。

Idefics2 是一个开源的多模态模型，能够接受任意序列的图像和文本输入并生成文本输出。

Idefics2 是 Hugging Face 开发的开源多模态模型，能够处理图像和文本输入并生成文本输出，在 OCR、文档理解和视觉推理方面表现优异。

一款能够就输入图像进行对话的视觉语言模型，支持日语交互

Llava-Phi2是基于Phi2的多模态实现，结合了视觉和语言处理能力，适用于图像文本到文本的任务。

猴模型是一种大型多模态模型，通过提升图像分辨率和改进文本标签方法，在多项视觉任务中表现优异。

ChatTruth-7B是基于Qwen-VL架构优化的多语言视觉-语言模型，增强了大分辨率图像处理能力并引入还原模块降低计算开销

Heron GIT Japanese StableLM Base 7B 是一个能够就输入图像进行对话的视觉语言模型。

IDEFICS是一个开源的多模态模型，能够处理图像和文本输入并生成文本输出，是Deepmind Flamingo模型的开源复现版本。

InstructBLIP是BLIP-2的视觉指令调优版本，基于Vicuna-13b语言模型，用于视觉语言任务。

InstructBLIP是BLIP-2经过视觉指令调优的版本，能够根据图像和文本指令生成描述或回答

VideoBLIP是BLIP-2的增强版本，能够处理视频数据，采用Flan T5-xl作为语言模型主干。

VideoBLIP是BLIP-2的增强版本，能够处理视频数据，采用OPT-2.7b作为语言模型主干。