# 多模態圖像理解

Mistral-Community推出的多模態大模型，支持圖像和文本處理，具備128k上下文長度和可變圖像尺寸處理能力。

Google推出的Gemma 3 27B IT模型，適用於多種文本生成和圖像理解任務，支持128k令牌的上下文長度和多模態圖像處理。

基於Google Gemma 3 12B模型轉換的8位量化版本，適用於圖像文本到文本任務。

Qwen2.5-VL-32B-Instruct 是一個多模態視覺語言模型，支持圖像和文本的聯合理解與生成任務。

Qwen2.5-VL-7B-Instruct 是一個多模態視覺語言模型，支持圖像文本生成任務。

Qwen2.5-VL-72B-Instruct 是一個多模態視覺語言模型，支持圖像和文本的交互式生成任務。

Gemma-3 是谷歌推出的輕量級多模態開放模型，支持文本和圖像輸入，生成文本輸出。基於創建 Gemini 模型的研究和技術構建，具有 128K 大上下文窗口，支持超過 140 種語言。

Gemma 3是谷歌推出的輕量級開源多模態模型，支持圖像和文本輸入，生成文本輸出。

Asagi-14B是一個大規模的日語視覺與語言模型（VLM），在廣泛的日語數據集上進行了訓練，整合了多樣化的數據來源。

Qwen2-VL-2B-Instruct 是一個多模態視覺語言模型，支持圖像文本生成任務，基於 Qwen2 架構，參數規模為 2B。

這是一個基於Llama3架構的韓語多模態模型，支持圖像理解和韓語對話。

Cerule 是一款輕量卻強大的視覺語言模型，基於谷歌的 Gemma-2b 和 SigLIP 構建，專注於圖像文本處理。