# 圖像文本推理

Gemma 3是Google推出的輕量級多模態開放模型，支持文本和圖像輸入並生成文本輸出，具有128K大上下文窗口和140+語言支持。

R1-VL-2B 是通過逐步組相對策略優化（StepGRPO）訓練得到的視覺語言推理模型，基於Qwen2-VL-2B-Instruct進行優化。