基于Qwen2.5-VL-3B的多模态指令模型，专注于计算机使用场景的视觉语言任务

Heron-NVILA-Lite-15B 是一款基于 NVILA-Lite 架构、专为日语训练的视觉语言模型，支持日语和英语，具备图文理解和生成能力。

基于Qwen2-VL-7B模型在VLGuard数据集上微调的多模态视觉语言模型，专注于安全相关的视觉问答任务。

LLaVA是基于LLaMA/Vicuna通过GPT生成的多模态指令跟随数据微调的开源聊天机器人，属于基于Transformer架构的自回归语言模型。