由Bespoke Labs开发的7B参数规模开源图表理解视觉语言模型，在图表问答任务上超越Gemini-1.5-Pro等闭源模型

基于Qwen2.5-VL-7B-Instruct在instancevid数据集上微调的视觉语言模型，专注于实例级图像描述生成

WebDreamer 是一个规划框架，能够为现实世界中的网页智能体任务实现高效且有效的规划。

Gemma 3 27B参数的GGUF量化版本，支持图像文本交互任务

这是对Fanbin/STEVE-R1-7B-SFT模型进行的加权/矩阵量化版本，适用于资源受限环境。

Gemma是谷歌推出的轻量级尖端开放模型家族，基于与Gemini模型相同的研究和技术构建。

Gemma 3是谷歌推出的轻量级开源多模态模型，支持文本和图像输入，生成文本输出，具有128K上下文窗口和140+语言支持。

Q-SiT Mini是一个轻量级的图像质量评估与对话模型，专注于图像质量分析和评分。

Llama 3.2 11B Vision Instruct 是一个结合视觉和语言的多模态模型，支持图像转文本任务。

LLaVA-NeXT-Video-7B-hf 是一个基于视频的多模态模型，能够处理视频和文本输入，生成文本输出。

基于InternLM2开发的视觉语言大模型，具备卓越的图文理解与创作能力

LLaVA-Med是一个专为生物医学应用优化的开源大型视觉语言模型，基于LLaVA框架，通过课程学习增强，并针对开放式生物医学问答任务进行了微调。

基于microsoft/Florence-2-base微调的图像描述生成模型，专注于提升描述质量和格式

LLaVA-Llama3是基于Llama-3的多模态模型，支持图像与文本的联合处理。

UI-TARS 是新一代原生图形用户界面（GUI）智能体模型，旨在通过类人的感知、推理和行动能力与图形用户界面无缝交互。

UI-TARS是新一代原生图形用户界面（GUI）代理模型，旨在通过类人的感知、推理和行动能力与图形用户界面无缝交互。

UI-TARS 是新一代原生图形用户界面（GUI）代理模型，旨在通过类人的感知、推理和行动能力，无缝地与图形用户界面交互。

DeQA-Score-Mix3是基于MAGAer13/mplug-owl2-llama2-7b基础模型微调的无参考图像质量评估模型，在多个数据集上表现出色。

基于Qwen2-VL-7B-Instruct与ColBERT策略的视觉检索模型，支持多向量文本与图像表示

基于论文《任务偏好优化：通过视觉任务对齐改进多模态大语言模型》研发的多模态大语言模型

Olympus是一个通用任务路由系统，专为计算机视觉任务设计，能够处理20种不同的视觉任务，并通过任务路由机制实现高效的多任务处理。

这是一个与transformers兼容的视觉语言模型，具备图像理解和文本生成能力

BLIP 是一个基于 Transformer 的图像描述生成模型，能够为输入图像生成自然语言描述。

基于Qwen2-VL-2B-Instruct与ColBERT策略的视觉检索模型，能高效通过视觉特征索引文档

该模型是microsoft/Florence-2-large的微调版本，在Ejafa/ye-pop数据集的4万张图像子集上进行训练，标注文本由THUDM/cogvlm2-llama3-chat-19B生成，适用于图像转文本任务。

Lumina-mGPT是一个多模态自回归模型家族，擅长执行多种视觉与语言任务，特别是根据文本描述生成灵活逼真的图像。

这是microsoft/Florence-2-large模型的微调版本，在Ejafa/ye-pop数据集的38,000张图像子集上训练，使用CogVLM2生成标注，专注于图像转文本任务。

TiC-CLIP是基于TiC-DataComp-Yearly数据集训练的视觉语言模型，采用持续学习策略保持模型与最新数据同步

TiC-CLIP是基于OpenCLIP改进的视觉语言模型，专注于时间持续学习，训练数据涵盖2014至2022年

LLaVA-Phi-3-mini 是基于 Phi-3-mini-4k-instruct 和 CLIP-ViT-Large-patch14-336 微调的 LLaVA 模型，专注于图像转文本任务。

moondream的预发布版本，主要用于内部测试。

通过强化学习方法微调的BLIP-2 OPT-2.7B模型，能够生成长且全面的图像描述

该模型是基于Salesforce/blip-vqa-base微调的视觉问答模型，专注于时尚领域

InfiMM-HD是一个高分辨率多模态模型，能够理解和生成结合图像和文本的内容。

基于OpenAI CLIP初始化的视觉语言模型，在ImageNet上进行监督式对抗微调，具有鲁棒性增强特性

基于OpenAI CLIP初始化的视觉语言模型，通过无监督对抗微调提升鲁棒性

基于OpenAI CLIP初始化的视觉语言模型，通过无监督对抗微调提升鲁棒性

书生·浦语2是基于InternLM2的视觉语言大模型(VLLM)，具备先进的图文理解与创作能力。

基于InternLM2的视觉语言大模型，具备卓越的图文理解与创作能力

Quilt-LLaVA 是基于组织病理学教育视频图像和GPT生成的多模态指令跟随数据，对LLaMA/Vicuna进行微调的开源聊天机器人。