# 圖像理解

Qwen2-VL-2B 是一個視覺語言模型，提供 GGUF 格式的量化版本，適用於多種場景。

InternLM-XComposer2.5-OL是一個支持長時流式視頻與音頻交互的全方位多模態系統。

這是一個與transformers兼容的視覺語言模型，具備圖像理解和文本生成能力

LLaVA-Saiga-8b是基於IlyaGusev/saiga_llama3_8b模型開發的視覺-語言模型（VLM），主要適配俄語任務，但仍具備英語處理能力。

實驗性視覺模型，融合關鍵詞標籤與長文本描述生成圖像提示詞

llava-calm2-siglip 是一個實驗性的視覺語言模型，能夠用日語和英語回答關於圖像的問題。

基於google/paligemma-3b-mix-448微調的多模態對話模型，專為多輪對話場景優化

該模型是基於google/paligemma-3b-pt-224在VQAv2數據集的一小部分上進行微調的版本，專注於視覺問答任務。

基於Meta-Llama-3-8B-Instruct和CLIP-ViT-Large-patch14-336微調的LLaVA模型，支持圖像轉文本任務

基於Phi-3-mini-4k-instruct和CLIP-ViT-Large-patch14-336微調的LLaVA模型，支持圖像轉文本任務

該模型是基於Salesforce/blip-vqa-base微調的視覺問答模型，專注於時尚領域

一個結合視覺與語言能力的多模態模型，通過合併方法實現圖像與文本交互功能

Eris Prime V2是一個7B參數規模的多模態語言模型，支持視覺功能，需配合Koboldcpp使用。

基於ViT架構的CLIP模型，用於零樣本圖像分類任務

LLaVA 是一個視覺語言模型，能夠理解和生成與圖像相關的文本內容。

TeCoA是基於OpenAI CLIP初始化的視覺語言模型，通過監督式對抗微調提升魯棒性

LLaVA是基於Transformer架構的開源多模態聊天機器人，通過量化技術提供多種體積與質量平衡的模型版本。

LLaVA 是一個視覺語言模型，能夠理解和生成與圖像相關的文本內容。

這是一個基於Apache-2.0許可證的視覺問答模型，支持英文語言，專注於處理視覺相關的問答任務。

Llava v1.5 13B是由Haotian Liu開發的多模態模型，結合了視覺和語言能力，能夠理解和生成基於圖像和文本的內容。

一個基於MIT許可證的視覺語言模型，專注於從圖像生成文本描述。

mPLUG-Owl是一個多模態大語言模型，基於LLaMA-7B架構，支持圖像理解和文本生成任務。

一個專注於將圖像內容轉換為文本描述的模型，支持中文處理。

基於未知數據集微調的BEiT基礎模型，具體用途和性能信息暫不可用

UperNet是一個語義分割框架，結合ConvNeXt大型骨幹網絡，用於像素級語義標籤預測。