# 高精度圖像描述

PixelReasoner是一個基於Qwen2.5-VL-7B-Instruct的視覺語言模型，採用好奇心驅動強化學習訓練，專注於圖像文本到文本的任務。

Llama 3.2-Vision是Meta開發的多模態大語言模型，具備圖像推理和文本生成能力，支持視覺識別、圖像描述和問答等任務。

基於soob3123/amoral-gemma3-12B的視覺增強版本，結合了Gemma3-12B大語言模型與視覺編碼器，支持多模態任務

Qwen2.5-VL-3B-Instruct的量化版本，權重量化為INT4，激活量化為FP16，適用於視覺-文本任務的高效推理。

Asagi-4B是一個大規模日語視覺語言模型（VLM），基於廣泛的日語數據集訓練而成，融合了多樣化的數據來源。

Llama 3.2-Vision是Meta開發的多模態大型語言模型，支持圖像和文本輸入，能夠進行視覺識別、圖像推理和描述等任務。

Pixtral是一個基於Mistral架構的多模態模型，能夠處理圖像和文本輸入，生成詳細的文本描述。

ShareCaptioner是一個開源的圖像描述生成模型，基於改進的InternLM-Xcomposer-7B基礎模型，在GPT4-Vision輔助的ShareGPT4V數據集上微調，能生成高質量的圖像描述。