Ristretto是一款创新的视觉语言模型，采用动态图像令牌部署技术，能根据任务需求灵活调整图像令牌数量，在性能和多功能性上超越前代产品。

Qwen2-VL-2B-Instruct 是一个多模态视觉语言模型，支持图像文本到文本的任务。

这是一个图像文本到文本的转换模型，能够处理图像和文本输入，生成相应的文本输出。

Aya Vision 32B是Cohere实验室开发的开放权重32B参数多模态模型，支持23种语言的视觉语言任务。

ChatTime是一个统一处理时间序列与文本的多模态基础模型，具备零样本预测能力，支持时间序列与文本的双模态输入/输出。

ChemVLM是一个多模态大语言模型，专注于化学领域的应用，结合了文本和图像处理能力。

Meta变色龙是FAIR研发的混合模态早期融合基础模型，支持图像和文本的多模态处理。

基于BLIP-2-OPT-2.7B训练的第一人称视角视频优化视觉语言模型，采用EILEV创新方法激发上下文学习能力

CogVLM是一个强大的开源视觉语言模型，在多个跨模态基准测试中取得领先性能

Pix2Struct是一种图像编码器-文本解码器模型，通过多任务训练处理视觉语言理解任务，特别针对高分辨率信息图表的视觉问答进行了优化。

该模型是基于微软LayoutLMv3预训练模型，在多页文档问答（MP-DocVQA）数据集上微调的文档视觉问答模型。