# 高分辨率視覺理解

LLaVA-UHD v2 是一款先進的多模態大語言模型，圍繞分層窗口變換器構建，能夠通過高分辨率特徵金字塔捕捉不同視覺粒度。

Eagle 是一系列以視覺為中心的高分辨率多模態大語言模型，支持高達1K以上的輸入分辨率，在光學字符識別和文檔理解等任務上表現出色。

猴模型是一種大型多模態模型，通過提升圖像分辨率和改進文本標籤方法，在多項視覺任務中表現優異。

基於ConvNeXt-Large架構的CLIP模型，在LAION-2B數據集上訓練，支持零樣本圖像分類和圖像文本檢索任務。