Qwen2.5-Omni-7B-GGUF 是基于 Qwen2.5-Omni-7B 模型的 GGUF 格式版本，支持多模态输入，包括文本、音频和图像。

InternVL3 是一个先进的多模态大语言模型系列，具备强大的多模态感知和推理能力，支持图像、视频和文本输入。

Cephalo-Gemma-3-4b 是一个专注于生物材料和蜘蛛丝分析的视觉语言模型，基于 Gemma 架构进行精调。

Qwen2.5-Omni 是一个端到端的多模态模型，能够感知文本、图像、音频和视频等多种模态，并以流式方式生成文本和自然语音响应。

Centurio 是一个开源的多语言大型视觉语言模型，支持100种语言，具备图像文本到文本的处理能力。

VITA-1.5是一个多模态交互模型，旨在实现GPT-4o级别的实时视觉与语音交互能力。

AIMv2是通过多模态自回归目标预训练的视觉模型系列，在多模态理解基准测试中表现优异。

基于CLIP编码器和GPT2架构的编码器-解码器模型，用于生成泰语图像描述

VILA-U是一个统一处理视觉语言理解与生成任务的基础模型，通过单一自回归框架实现高效的多模态处理。

这是一个强大的文本-图像交错输入输出模型，通过对齐万物算法进行了深度对齐，提升了图像生成能力和人类偏好对齐能力。

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。

该模型是一个基于Apache-2.0许可证的图像转文本模型，能够将图像内容转换为文本描述。

CSUMLM是整合多模态AI引擎和大语言模型优势的前沿人工智能系统，具备多模态处理、复杂语言理解和实时学习能力。

一个基于深度学习的图像转文本模型，能够为输入的图像生成描述性字幕。

BLIP是一个统一的视觉语言预训练框架，擅长图像描述生成和理解任务，通过引导式标注策略高效利用网络数据

这是一个基于Apache-2.0许可证的图像转文本模型，能够将图像内容转换为文本描述。

这是一个使用OpenCLIP在DataComp-1B数据集上训练的CLIP ViT-B/16模型，主要用于零样本图像分类和图像文本检索。

Pix2Struct是一个图像编码器-文本解码器模型，通过图像-文本对训练，支持多种任务，包括图像描述生成和视觉问答。

这是一个基于MIT许可证的图像转文本模型，能够将图像内容转换为文本描述。

微软VinVL基础预训练模型，专为图像描述生成任务设计，具备强大的视觉-语言理解能力。

中文CLIP是基于约2亿中文图文对数据集的CLIP简化实现，采用ViT-L/14@336px作为图像编码器，RoBERTa-wwm-base作为文本编码器。

支持韩语和英语的预训练视觉编码器文本解码器模型

molt5-base 是一个基于 T5 架构的模型，专门用于分子与自然语言之间的翻译任务。