PixelReasoner是一个基于Qwen2.5-VL-7B-Instruct的视觉语言模型，采用好奇心驱动强化学习训练，专注于图像文本到文本的任务。

基于soob3123/amoral-gemma3-12B的视觉增强版本，结合了Gemma3-12B大语言模型与视觉编码器，支持多模态任务

Qwen2.5-VL-3B-Instruct的量化版本，权重量化为INT4，激活量化为FP16，适用于视觉-文本任务的高效推理。

Asagi-4B是一个大规模日语视觉语言模型（VLM），基于广泛的日语数据集训练而成，融合了多样化的数据来源。

Llama 3.2-Vision是Meta开发的多模态大型语言模型，支持图像和文本输入，能够进行视觉识别、图像推理和描述等任务。

Pixtral是一个基于Mistral架构的多模态模型，能够处理图像和文本输入，生成详细的文本描述。