感知编码器是通过视觉语言训练实现的最先进图像视频理解编码器，具有强大的泛化能力。

Eagle 是一系列以视觉为中心的高分辨率多模态大语言模型，支持高达1K以上的输入分辨率，在光学字符识别和文档理解等任务上表现出色。

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。