这是一个256M参数的预览版文档理解模型，专为文档结构解析和内容提取任务设计，支持将图像文档转换为结构化数据。

Qwen2.5-VL-7B-Captioner-Relaxed 是一个多模态视觉语言模型，基于 Qwen2.5 架构，专注于图像到文本的生成任务。

基于SmolVLM2-500M-Video-Instruct转换的MLX格式模型，支持视频文本转文本任务

这是一个基于MLX格式的视频文本转文本模型，由HuggingFaceTB开发，支持英文语言处理。

LlavaGuard是基于视觉语言模型的安全评估守护者，主要用于图像内容的安全分类和违规检测。

doubutsu是一个轻量级视觉语言模型系列，专为定制化场景微调设计。

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。

Moondream2的微调版本，专为图像提示生成优化，是一款轻量级视觉语言模型，适合在边缘设备高效运行。

LLaVa-Phi-2-3B是一个开源的多模态聊天机器人模型，基于Phi-2架构微调而成，能够处理图像和文本输入并生成自然语言响应。