# 多語言視覺理解

通義千問推出的多模態大模型，支持圖像文本生成和128k長上下文處理，具備多語言能力。

InternVL3-8B是OpenGVLab推出的先進多模態大語言模型，具備強大的多模態感知與推理能力，支持工具調用、GUI智能體、工業圖像分析、3D視覺感知等新領域。

InternVL3-2B-Instruct是基於InternVL3-2B的監督微調版本，經過原生多模態預訓練和SFT處理，具備強大的多模態感知和推理能力。

Aya Vision 32B是Cohere實驗室開發的開放權重32B參數多模態模型，支持23種語言的視覺語言任務。

Aya Vision 8B是一個開放權重的80億參數多語言視覺語言模型，支持23種語言的視覺和語言任務。

基於Qwen2.5-VL-3B-Instruct並採用ColBERT策略的多語言視覺檢索器，在Vidore基準測試中表現優異

EraX-VL-2B-V1.5是一個多模態基礎模型，支持越南語、英語和中文，具備圖像轉文本和圖文轉文本能力。

這是一個基於Llama-3.2-11B-Vision-Instruct的多模態模型，支持圖像和文本輸入，並生成文本輸出。

Pix2Struct是一個視覺語言理解模型，專為從UI界面截圖生成功能描述字幕而優化

Pix2Struct是一種視覺語言理解模型，通過預訓練處理圖像到文本轉換任務，特別針對高分辨率信息圖表的視覺問答進行了優化。

Pix2Struct是一種圖像編碼器-文本解碼器模型，通過多任務訓練處理視覺語言理解任務，特別針對高分辨率信息圖表的視覺問答進行了優化。

Pix2Struct是一個視覺語言理解模型，通過圖像到文本的轉換進行多任務訓練，支持圖像描述生成和視覺問答等任務。

Pix2Struct是一個視覺語言理解模型，通過預訓練和微調處理圖像到文本的任務，特別適用於圖像描述生成。