基于Microsoft Florence-2基础模型微调的图像转文本模型，支持瑞典语和英语，专注于历史手写文本识别和光学字符识别。

InternVL3-2B是OpenGVLab推出的先进多模态大语言模型（MLLM），具备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。

PaliGemma 2是基于Gemma 2的升级版视觉语言模型，支持多语言图文输入与文本输出，专为视觉语言任务设计

MiniCPM-o 2.6的int4量化版本，显著降低GPU显存占用，支持多模态处理能力。

PaliGemma 2是Google推出的升级版视觉语言模型，结合Gemma 2和SigLIP视觉模型能力，支持多语言图像文本交互任务。

PaliGemma 2是基于Gemma 2的视觉语言模型，支持图像+文本输入，输出文本响应，适用于多种视觉语言任务。

PaliGemma 2是基于Gemma 2的视觉语言模型，支持图像和文本输入，生成文本输出，适用于多种视觉语言任务。

PaliGemma 2是基于Gemma 2的视觉语言模型，支持图像与文本输入，输出生成文本，适用于多种视觉语言任务。

基于TrOCR架构的天城文光学字符识别模型，专门针对尼泊尔语/天城文字符进行微调

基于TrOCR基础手写体模型微调而成的泰语和英语光学字符识别模型，擅长处理手写文本行图像

该模型是针对乌尔都语OCR任务专门训练的，最适合处理单行乌尔都语文本图像，主要专注于印刷体文本。

这是一个基于TrOCR的中世纪草书体识别模型，专门用于识别拉丁语、法语、意大利语、西班牙语和加泰罗尼亚语的中世纪手写文本。

TrOCR-Ru是基于microsoft/trocr-base-handwritten在俄语和英语合成数据集上微调的光学字符识别模型，专注于图像转文本任务。

TrOCR 是一个基于Transformer的光学字符识别模型，用于从图像中提取文本内容。

一个基于Transformer架构的OCR系统，专门用于识别中部库尔德语文本，使用合成数据进行训练。

Pix2Struct是基于OCR-VQA任务微调的视觉问答模型，能够解析图像中的文本内容并回答问题

Pix2Struct是一个图像编码器-文本解码器模型，通过图像-文本对训练，支持多种任务，包括图像描述生成和视觉问答。

Pix2Struct是一种图像编码器-文本解码器模型，通过图像-文本配对数据进行多任务训练，专门针对图表问答任务进行微调

该模型是基于donut-base在拉脱维亚收据数据集上微调的版本，主要用于收据图像处理任务

基于TensorFlow 2和PyTorch的光学字符识别(OCR)模型，支持多语言文本检测与识别

基于 TensorFlow 2 和 PyTorch 的光学字符识别技术，支持多语言文档识别