基于google/gemma-3-4b-it模型训练的多模态模型，专注于数学、编程、科学和解谜领域的高质量数据处理。

这是一个基于MLX框架转换的视频文本到文本模型，适用于视频理解和指令跟随任务。

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。

nanoLLaVA-1.5是一款参数规模在10亿以下的视觉语言模型，专为边缘设备设计，小巧但功能强大。

Imp-v1.5-4B-Phi3是一个高性能轻量级多模态大模型，仅含40亿参数，基于Phi-3框架和SigLIP视觉编码器构建。

moondream2是一款小型视觉语言模型，专为在边缘设备上高效运行而设计，通过llamafile格式提供便捷部署。

nanoLLaVA是一款1B参数的视觉语言模型，专为边缘设备设计，具有高效运行的特点。

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。

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

TinyLLaVA是一个小型大规模多模态模型框架，专注于视觉语言任务，参数规模小但性能优异。

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。

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。