EraX-VL-7B-V1.5是一款强大的多模态模型，专精于光学字符识别（OCR）和视觉问答（VQA），在多语言环境下表现卓越，尤其擅长越南语。

Trillion-LLaVA-7B是一个能够理解图像的视觉语言模型（VLM），基于Trillion-7B-preview基础模型开发。

InternVL3-8B-6bit 是一个基于 MLX 格式转换的视觉语言模型，支持多语言图像文本到文本的任务。

基于Qwen2.5-VL-3B-Instruct与ColBERT策略的多语言视觉检索模型，支持动态输入图像分辨率和多语言文档检索。

Llama 3.2-Vision是由Meta开发的多模态大语言模型，支持图像和文本输入，针对视觉识别、图像推理和描述任务进行了优化。

Centurio 是一个开源的多语言大型视觉语言模型，支持100种语言，具备图像文本到文本的处理能力。

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。

mBLIP是一个多语言视觉-语言模型，基于BLIP-2架构，支持96种语言的图像描述生成和视觉问答任务。

mBLIP是一个多语言视觉-语言模型，基于BLIP-2架构，支持96种语言的图像描述生成和视觉问答任务。

基于Pix2Struct架构的大规模视觉语言模型，专为UI界面生成功能描述而微调