# 圖像問答

Gemma是谷歌推出的輕量級尖端開源模型家族，基於與Gemini模型相同的研究技術構建。Gemma 3為多模態模型，支持文本/圖像輸入與文本輸出。

基於LLaVA-1.5-7B模型通過視覺監督微調(VSFT)訓練的多模態視覺語言模型，支持圖像理解和對話生成

LLaVA-v1.5-13B-DPO 是一個基於LLaVA框架的視覺語言模型，經過直接偏好優化(DPO)訓練，並轉換為GGUF量化格式以提高推理效率。

InstructBLIP是BLIP-2的視覺指令調優版本，基於Flan-T5-xl語言模型，用於圖像到文本生成任務。

IDEFICS是Deepmind開發的閉源視覺語言模型Flamingo的開源復現版本，支持多模態輸入（圖像+文本）並生成文本輸出。