基于Mistral Small模型的视觉编码器，支持图像文本生成任务，适配llama.cpp框架

MedGemma-4B-IT 是一个专注于医疗领域的图像文本生成模型，由Google开发。

T0++是基于T5架构的自然语言处理模型，通过多任务提示训练实现零样本任务泛化能力，在多种NLP任务上超越GPT-3且体积更小。

InternVL3-8B-bf16 是一个基于 MLX 格式转换的视觉语言模型，支持多语言图像文本到文本任务。

Google推出的Gemma 3 27B IT模型，适用于多种文本生成和图像理解任务，支持128k令牌的上下文长度和多模态图像处理。

VL-Rethinker-7B-8bit 是一个基于 Qwen2.5-VL-7B-Instruct 的多模态模型，支持视觉问答任务。

该模型是基于Qwen2.5-VL-7B-Instruct转换而来的多模态视觉语言模型，支持视觉问答任务。

该模型是一个基于transformers库的模型，具体功能和用途需要进一步信息确认。

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。

VoRA是一个基于7B参数的视觉语言模型，能够处理图像和文本输入，生成文本输出。

该模型是基于Gemma-3-27b-tools转换的GGUF格式版本，适用于本地推理任务。

Qwen2.5-VL-32B-Instruct 是一个多模态视觉语言模型，支持图像和文本的联合理解与生成任务。

基于Transformers库的预训练模型，适用于自然语言处理任务

Qwen2.5-VL-72B-Instruct 是一个多模态视觉语言模型，支持图像和文本的交互式生成任务。

ARPG是一种创新的自回归图像生成框架，能够通过类GPT因果架构实现BERT式掩码建模。

Distill-Any-Depth是一种新的SOTA单目深度估计模型，采用知识蒸馏算法训练而成。

基于Llama 3.1架构的8B参数语言模型，通过mergekit合并多个模型而成，具备文本生成能力

基于Llama 3.1架构的8B参数语言模型，通过mergekit合并多个专业模型而成，在文本生成任务中表现优异。

基于Llama 3.1架构的8B参数模型，通过mergekit合并多个Smarteaz系列模型而成，专注于文本生成任务

这是一个使用SLERP方法合并的14B参数规模的大语言模型，由li-14b-v0.4和miscii-14b-0218两个基础模型合并而成。

基于Qwen 2.5 14B Instruct微调的引文意图分类模型，专门用于科学出版物中的引文意图分类。

这是一个图像文本到文本的转换模型，能够将输入的图像和文本转换为新的文本输出。

基于Deepseek-R1知识蒸馏的推理模型，支持链式思维(CoT)推理能力

LLaVA-Llama3是基于Llama-3的多模态模型，支持图像与文本的联合处理。

基于ModernBERT-large的多任务微调模型，专注于自然语言推理(NLI)任务，在零样本分类和推理任务中表现优异。

该模型是从bigscience/mt0-xxl-mt通过llama.cpp转换为GGUF格式的多语言文本生成模型，支持多种语言任务。

鹰隼2号是一个高性能视觉语言模型家族，专注于数据策略和训练方案的透明性，旨在推动开源社区开发具有竞争力的视觉语言模型。

LLaVA-SpaceSGG是基于LLaVA-v1.5-13b的视觉问答模型，专注于场景图生成任务，能够理解图像内容并生成结构化场景描述。

AiM是一个基于PyTorch的无条件图像生成模型，通过PytorchModelHubMixin集成推送到Hugging Face Hub。

基于Microsoft Florence-2-large的视觉语言模型，擅长图像理解和文本生成任务

MiniCPM-Llama3-V-2_5是一个基于Llama3架构的多模态视觉问答模型，支持中英文交互。

基于Depth Anything V2使用合成Hypersim数据集进行室内度量深度估计的微调版本，兼容transformers库。

基于Depth Anything V2模型，针对室内度量深度估计任务使用Hypersim合成数据集微调的版本

基于Depth Anything V2针对室内度量深度估计任务进行微调的模型，使用合成数据集Hypersim训练，兼容transformers库。

基于Depth Anything V2的微调版本，专为户外场景度量深度估计设计，使用合成数据集Virtual KITTI进行训练。

基于PaliGemma 224x224版本微调的图像到文本生成模型，专注于生成详细的艺术类图像描述

Latte是一个基于Transformer的潜在扩散模型，专注于文本生成视频任务，支持多种数据集预训练权重。

基于Flan-T5-xl微调的目标情感分析模型，支持英语文本的情感倾向判断（积极/消极/中立）

Chronos是基于语言模型架构的预训练时间序列预测模型家族，通过量化和缩放将时间序列转化为token序列进行训练。

XGen-MM是Salesforce AI Research开发的最新多模态大模型系列，基于BLIP的成功设计，通过基础性增强实现了更强大、更优越的模型架构。