Qwen2.5-VL-7B-Instruct 是一个基于 Qwen2.5 架构的多模态模型，支持图像和文本的联合处理，适用于视觉语言任务。

Open-Qwen2VL是一个多模态模型，能够接收图像和文本作为输入并生成文本输出。

这是一个基于MLX框架转换的视频文本到文本模型，适用于视频理解和指令跟随任务。

Qwen2-VL-7B-Instruct 是一个7B参数规模的多模态模型，支持图像与文本的交互任务。

这是一个基于Apache-2.0许可证的视觉问答模型，支持英文语言，专注于处理视觉相关的问答任务。