Gemma 3是谷歌基于Gemini技术构建的轻量级开放模型系列，12B版本采用量化感知训练(QAT)技术，支持多模态输入和128K上下文窗口。

GIT是一个基于Transformer的图像到文本生成模型，能够根据输入的图像生成描述性文本。

VoRA是一个基于7B参数的视觉-语言模型，专注于图像文本到文本的转换任务。

Sapnous-6B是一款先进的视觉语言模型，通过强大的多模态能力提升对世界的感知和理解。

该模型是对gemma-3-27b-it进行INT4量化的版本，通过减少每个参数的比特数来降低磁盘和GPU内存需求。

Gemma 3是谷歌推出的轻量级尖端开源多模态模型，支持文本与图像输入并生成文本输出，具备128K上下文窗口和140+语言支持

Gemma 3是谷歌推出的轻量级开源多模态模型系列，基于与Gemini相同技术构建，支持文本和图像输入并生成文本输出

Gemma是Google推出的轻量级前沿开放模型系列，基于与Gemini相同技术构建，支持多模态输入和文本输出。

轻量级多模态模型，专为分析视频内容设计，可处理视频、图像和文本输入以生成文本输出。

SmolVLM2-256M-Video是一款轻量级多模态模型，专为分析视频内容而设计，能够处理视频、图像和文本输入并生成文本输出。

SmolVLM2-2.2B 是一款轻量级多模态模型，专为分析视频内容而设计，可处理视频、图像和文本输入并生成文本输出。

Qwen2.5-VL-7B-Instruct的量化版本，支持视觉-文本输入和文本输出，通过INT8权重量化优化推理效率

Qwen2.5-VL-3B-Instruct的FP8量化版本，支持视觉-文本输入和文本输出，优化了推理效率。

LlamaV-o1 是一款先进的多模态大语言模型，专为复杂的视觉推理任务而设计，通过课程学习技术优化，在多样化的基准测试中展现出卓越性能。

GIT是一个基于Transformer的生成式图像转文本模型，能够将视觉内容转换为文本描述。

基于Qwen2-VL-2B-Instruct使用LoRA技术微调的皮肤科专业诊断模型，能分析皮肤状况图像并提供专业诊断描述。

基于Florence-2-base-ft微调的肺癌检测模型，通过肺部图像识别肺癌类型

孔雀模型是基于InstructBLIP架构的阿拉伯语多模态大语言模型，其语言模型采用AraLLaMA。

GUIChat是一个基于视觉问答(VQA)的多模态模型，能够理解图像内容并回答相关问题，特别针对GUI界面元素识别和交互进行了优化。

Donut 是一个基于 Transformer 的图像转文本模型，能够从图像中提取和生成文本内容。

基于google/paligemma-3b-mix-448微调的多模态对话模型，专为多轮对话场景优化

该模型是基于google/paligemma-3b-pt-224在VQAv2数据集的一小部分上进行微调的版本，专注于视觉问答任务。

360VL是基于LLama3语言模型开发的多模态模型，具备强大的图像理解和双语对话能力。

基于LLaVA-v1.5框架训练的大型多模态模型，采用80亿参数的Meta-Llama-3-8B-Instruct作为语言主干，并配备基于CLIP的视觉编码器。

LLaVA-Next-Video 是一个开源的多模态对话模型，通过对大语言模型进行多模态指令跟随数据的微调训练而成，支持视频和文本的多模态交互。

UForm-Gen2-dpo 是一个小型生成式视觉语言模型，通过直接偏好优化（DPO）在 VLFeedback 和 LLaVA-Human-Preference-10K 偏好数据集上针对图像描述生成和视觉问答任务进行对齐训练。

MoAI是一个大型语言与视觉混合模型，能够处理图像和文本输入，生成文本输出。

LLaVA 是一个大型语言和视觉助手模型，能够处理图像和文本的多模态任务。

LLaVA 是一个视觉语言模型，能够理解和生成与图像相关的文本内容。

UForm-Gen是一款小型生成式视觉语言模型，主要用于图像描述生成和视觉问答。

LLaVA 1.6 34B是一个开源的多模态聊天机器人模型，通过在多模态指令遵循数据上微调大语言模型开发而成。

LLaVA 是一个开源的多模态聊天机器人，通过对多模态指令跟随数据进行大型语言模型微调训练而成。

LLaVA 是一个开源的多模态聊天机器人，通过在多模态指令跟随数据上微调大语言模型训练而成。

MiniCPM-V是一款高效轻量级多模态模型，专为终端设备部署优化，支持中英双语交互，性能超越同规模模型。

16亿参数的多模态模型，融合SigLIP与Phi-1.5技术架构，支持图像理解和问答任务

BLIP2是基于OPT-2.7B的视觉语言模型，专注于视觉问答任务，能够理解图像内容并回答相关问题。

InfiMM是一个受Flamingo架构启发的多模态视觉语言模型，集成了最新的LLM模型，适用于广泛的视觉语言处理任务。

UForm-Gen-Chat是UForm-Gen的多模态对话精调版本，主要用于图像描述生成和视觉问答任务。

GLaMM-全功能版是一个多模态大模型，整合了GLaMM的全部能力，包括场景对话生成、指代表达分割、区域级图像描述、图像级描述生成和视觉问答等功能。

UForm-Gen是一款小型生成式视觉语言模型，主要用于图像描述生成和视觉问答。