# 多模態視覺語言

Qwen2.5 VL 7B Instruct Gemlite Ao A8w8
Apache-2.0
這是一個經過A8W8量化的多模態大語言模型,基於Qwen2.5-VL-7B-Instruct,支持視覺和語言任務。
圖像生成文本 Transformers
Q
mobiuslabsgmbh
161
1
Llava 1.5 13b Hf I1 GGUF
該項目提供了llava-1.5-13b-hf模型的加權/矩陣量化版本,包含多種量化類型選擇,適用於不同場景下的使用需求。
文本生成圖像 Transformers 英語
L
mradermacher
332
1
Spaceqwen2.5 VL 3B Instruct I1 GGUF
Apache-2.0
SpaceQwen2.5-VL-3B-Instruct是一個3B參數的視覺語言模型,專注於空間推理和多模態任務。
文本生成圖像 英語
S
mradermacher
459
0
Qwen.qwen2.5 VL 72B Instruct GGUF
Qwen2.5-VL-72B-Instruct是通義千問團隊開發的大規模視覺語言模型,支持圖像和文本的多模態理解與生成。
圖像生成文本
Q
DevQuasar
281
0
VLM R1 Qwen2.5VL 3B OVD 0321
Apache-2.0
基於Qwen2.5-VL-3B-Instruct的零樣本目標檢測模型,通過VLM-R1強化學習增強,支持開放詞彙檢測任務。
文本生成圖像 英語
V
omlab
892
11
Eagle2 1B
鷹隼2號是一個高性能視覺語言模型家族,專注於數據策略和訓練方案的透明性,旨在推動開源社區開發具有競爭力的視覺語言模型。
圖像生成文本 Transformers 其他
E
nvidia
1,791
23
Eagle2 2B
Eagle2是NVIDIA推出的高性能視覺語言模型家族,專注於通過數據策略和訓練方案提升開源視覺語言模型的性能。Eagle2-2B是該系列中的輕量級模型,在保持強勁性能的同時實現卓越效率和速度。
文本生成圖像 Transformers 其他
E
nvidia
667
21
Qwen2 VL 7B GGUF
Apache-2.0
Qwen2-VL-7B 是一個視覺語言模型,提供多種量化版本的 GGUF 格式模型文件,適用於 llama.cpp 使用。
文本生成圖像 Transformers 英語
Q
tensorblock
108
1
Qwen2 VL 2B GGUF
Apache-2.0
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。
文本生成圖像 Transformers 英語
Q
tensorblock
314
0
Minivla Libero90 Prismatic
MIT
MiniVLA是一個10億參數規模的視覺語言模型,與稜鏡視覺語言模型項目代碼庫兼容,適用於機器人技術和多模態任務。
圖像生成文本 Transformers 英語
M
Stanford-ILIAD
127
0
Paligemma2 28b Mix 224
PaliGemma 2是Google推出的升級版視覺語言模型,結合Gemma 2和SigLIP視覺模型能力,支持多語言圖像文本交互任務。
圖像生成文本 Transformers
P
google
2,050
4
Paligemma2 28b Mix 448
PaliGemma 2是基於Gemma 2的視覺語言模型,支持圖像+文本輸入,輸出文本響應,適用於多種視覺語言任務。
圖像生成文本 Transformers
P
google
198
26
Paligemma2 10b Pt 896
PaliGemma 2是Google推出的視覺語言模型(VLM),融合Gemma 2能力,支持圖像和文本輸入生成文本輸出
圖像生成文本 Transformers
P
google
233
32
Paligemma2 10b Pt 448
PaliGemma 2是Google推出的升級版視覺語言模型(VLM),融合Gemma 2能力,支持圖像和文本輸入生成文本輸出。
圖像生成文本 Transformers
P
google
282
14
Paligemma2 10b Pt 224
PaliGemma 2是一款視覺語言模型(VLM),結合了Gemma 2模型的能力,能夠同時處理圖像和文本輸入,並生成文本輸出,支持多種語言。適用於圖像和短視頻字幕、視覺問答、文本閱讀、目標檢測和目標分割等多種視覺語言任務。
圖像生成文本 Transformers
P
google
3,362
8
Paligemma2 3b Pt 896
PaliGemma 2是一款多模態視覺語言模型,結合圖像和文本輸入生成文本輸出,支持多語言,適用於多種視覺語言任務。
圖像生成文本 Transformers
P
google
2,536
22
Paligemma2 3b Pt 448
PaliGemma 2是基於Gemma 2的視覺語言模型,支持圖像和文本輸入,生成文本輸出,適用於多種視覺語言任務。
圖像生成文本 Transformers
P
google
3,412
45
Paligemma2 3b Pt 224
PaliGemma 2是Google開發的視覺語言模型(VLM),結合了Gemma 2語言模型和SigLIP視覺模型的能力,支持多語言視覺語言任務。
圖像生成文本 Transformers
P
google
30.51k
148
Paligemma2 10b Mix 224
PaliGemma 2是基於Gemma 2的視覺語言模型,支持圖像和文本輸入,生成文本輸出,適用於多種視覺語言任務。
圖像生成文本 Transformers
P
google
701
7
Paligemma2 3b Mix 448
PaliGemma 2是基於Gemma 2的視覺語言模型,支持圖像與文本輸入,輸出生成文本,適用於多種視覺語言任務。
圖像生成文本 Transformers
P
google
20.55k
44
Paligemma2 10b Ft Docci 448
PaliGemma 2是Google推出的多功能視覺語言模型(VLM),結合圖像和文本處理能力,支持多語言和多任務處理。
圖像生成文本 Transformers
P
google
2,207
16
Paligemma2 3b Ft Docci 448
PaliGemma 2是Google推出的升級版視覺語言模型,結合Gemma 2和SigLIP視覺模型的能力,支持多語言視覺語言任務。
圖像生成文本 Transformers
P
google
8,765
12
Llama 3.1 8B Dragonfly V2
蜻蜓是基於Llama 3.1通過指令微調訓練的多模態視覺語言模型,支持圖像與文本的聯合理解與生成
圖像生成文本 英語
L
togethercomputer
113
1
Openvla V01 7b
MIT
OpenVLA v0.1 7B是一個開源視覺-語言-動作模型,基於Open X-Embodiment數據集訓練,支持多種機器人控制。
文本生成圖像 Transformers 英語
O
openvla
30
10
Paligemma 3b Ft Widgetcap 224
PaliGemma是一款多功能輕量級視覺語言模型,結合圖像和文本輸入生成文本輸出,支持多語言,在多種視覺語言任務中表現出色。
圖像生成文本 Transformers
P
google
135
2
Paligemma 3b Ft Scicap 448
PaliGemma是一款多功能輕量級視覺語言模型,結合圖像和文本輸入生成文本輸出,支持多語言。
文本生成圖像 Transformers
P
google
123
0
Paligemma 3b Ft Cococap 224
PaliGemma是一款多功能輕量級視覺語言模型(VLM),支持多語言輸入輸出,適用於多種視覺語言任務。
圖像生成文本 Transformers
P
google
209
1
Paligemma 3b Pt 448
PaliGemma是一款輕量級多功能視覺語言模型,基於SigLIP視覺模型和Gemma語言模型構建,支持多語言圖像文本交互任務。
圖像生成文本 Transformers
P
google
2,708
29
Paligemma 3b Pt 896
PaliGemma是一款多功能輕量級視覺語言模型(VLM),支持圖像和文本輸入,生成文本輸出,具備多語言能力。
圖像生成文本 Transformers
P
google
1,788
119
Paligemma 3b Ft Nlvr2 224
PaliGemma是一款多功能輕量級視覺語言模型(VLM),支持多語言輸入輸出,擅長圖像字幕、視覺問答等多種視覺語言任務。
文本生成圖像 Transformers
P
google
2,056
1
Paligemma 3b Ft Nlvr2 448
PaliGemma是一款多功能且輕量級的視覺語言模型(VLM),支持圖像和文本輸入,生成文本輸出,適用於多種視覺語言任務。
文本生成圖像 Transformers
P
google
2,350
0
Paligemma 3b Ft Vqav2 224
PaliGemma是一款多功能輕量級視覺語言模型,結合圖像和文本輸入生成文本輸出,支持多語言。
文本生成圖像 Transformers
P
google
150
2
Paligemma 3b Ft Refcoco Seg 896
PaliGemma是Google開發的輕量級視覺語言模型,基於SigLIP視覺模型和Gemma語言模型構建,支持多語言文本生成和視覺理解任務。
圖像生成文本 Transformers
P
google
20
6
Paligemma 3b Mix 224
PaliGemma是一款多功能、輕量級的視覺語言模型(VLM),基於SigLIP視覺模型和Gemma語言模型構建,支持圖像和文本輸入,輸出文本結果。
文本生成圖像 Transformers
P
google
143.03k
75
Paligemma 3b Ft Rsvqa Lr 224
PaliGemma是一款多功能輕量級視覺語言模型(VLM),結合圖像和文本輸入生成文本輸出,支持多語言。
文本生成圖像 Transformers
P
google
223
0
Paligemma 3b Pt 224
PaliGemma是一款多功能輕量級視覺語言模型(VLM),基於SigLIP視覺模型和Gemma語言模型構建,能同時處理圖像和文本輸入並生成文本輸出。
圖像生成文本 Transformers
P
google
38.40k
318
Paligemma 3b Ft Scicap 224
PaliGemma是一款輕量級視覺語言模型,結合圖像和文本輸入生成文本輸出,支持多語言和多任務處理。
圖像生成文本 Transformers
P
google
107
0
Paligemma 3b Ft Ocrvqa 896
PaliGemma是一款多功能輕量級視覺語言模型,支持圖像和文本輸入,生成文本輸出,適用於多種視覺語言任務。
圖像生成文本 Transformers
P
google
2,056
14
Paligemma 3b Ft Science Qa 224
PaliGemma是一款多功能輕量級視覺語言模型(VLM),支持圖像和文本輸入,生成文本輸出,適用於多種視覺語言任務。
文本生成圖像 Transformers
P
google
113
1
Vitamin XL 384px
MIT
ViTamin-XL-384px 是一個基於 ViTamin 架構的大規模視覺語言模型,專為視覺語言任務設計,支持高分辨率圖像處理和多模態特徵提取。
圖像生成文本 Transformers
V
jienengchen
104
20
AIbase
智啟未來,您的人工智能解決方案智庫
© 2025AIbase