这是一个基于Mistral-Small-3.1-24B-Instruct-2503的视觉增强版本，支持图像文本生成文本任务。

基于Qwen2.5-14B基础模型和VisualWebInstruct-Verified数据集训练的多模态推理模型，支持英语任务处理。

Qwen2.5-VL-32B-Instruct 是一个多模态视觉语言模型，支持图像和文本的联合理解与生成任务。

基于Unsloth优化的Llama 3.2 11B视觉指令微调模型，采用4位量化技术，训练速度提升2倍

Qwen2.5-VL-72B-Instruct 是一个多模态视觉语言模型，支持图像和文本的交互式生成任务。

基于unsloth/Llama-3.2-11B-Vision-Instruct微调的模型，使用Unsloth和Huggingface的TRL库进行训练，速度提升了2倍。

基于unsloth/llama-3.2-11b-vision-instruct-unsloth-bnb-4bit微调的多模态大语言模型，支持视觉指令理解任务，使用Unsloth优化训练速度提升2倍。

基于Unsloth优化的视觉指令微调模型，支持多模态任务处理

基于LLaVA-1.5-7B模型通过视觉监督微调(VSFT)训练的多模态视觉语言模型，支持图像理解和对话生成

LLaVA 是一个开源多模态聊天机器人，通过对 LLaMA/Vicuna 在 GPT 生成的多模态指令跟随数据上进行微调训练而成。

LLaVA 是一个开源多模态聊天机器人，基于 LLaMA/Vicuna 在 GPT 生成的多模态指令跟随数据上进行微调训练而成。

开源可商用的中英文双语视觉-语言助手，支持中英文视觉-文本多模态对话的开源商用对话模型。

InstructBLIP是BLIP-2经过视觉指令微调的版本，能够执行视觉语言任务，如图像描述生成和视觉问答。