# 圖像文本理解

Gemma 3是Google推出的輕量級、最先進的開源多模態模型家族，基於創建Gemini模型的相同研究和技術構建，支持文本和圖像輸入並生成文本輸出。

Gemma 3是谷歌推出的輕量級開源多模態模型，基於Gemini技術構建，支持文本和圖像輸入，生成文本輸出。

Llama 4 Maverick是Meta開發的多模態AI模型，採用混合專家架構，支持文本和圖像理解，具有170億激活參數和4000億總參數。

Gemma 3是谷歌推出的輕量級開放模型系列，支持多模態輸入（文本和圖像），擁有128K大上下文窗口，適用於問答、摘要等多種任務。

Gemma-3-12b-it-GGUF 是基於 Google 原始模型 google/gemma-3-12b-it 構建的量化模型，適用於圖像文本到文本的任務。

基於Qwen2-VL-7B-Instruct的多模態模型量化版本，支持圖像文本到文本任務，適用於多種量化級別。

Razorback 12B v0.2 是一個結合了Pixtral 12B和UnslopNemo v3優勢的多模態模型，具備視覺理解和語言處理能力。

GLM-Edge-V-2B是一個基於Pytorch框架的圖像文本到文本模型，支持中文處理。

LLaVA是一個開源的多模態聊天機器人，通過在多模態指令跟隨數據上微調LLM訓練而成。本版本為GGUF量化版本，提供多種量化選項。

Llava-Phi2是基於Phi2的多模態實現，結合了視覺和語言處理能力，適用於圖像文本到文本的任務。

MMAlaya是基於大語言模型Alaya開發的多模態系統，包含大語言模型、圖像文本特徵編碼器和特徵轉換模塊三大核心組件。

LLaVA是一個開源的多模態聊天機器人，通過微調LLaMA/Vicuna在GPT生成的多模態指令跟隨數據上進行訓練。

LLaVA 是一個開源多模態聊天機器人，基於 LLaMA/Vicuna 在 GPT 生成的多模態指令跟隨數據上進行微調訓練而成。

基於microsoft/git-base-textvqa在textvqa數據集上微調的視覺問答模型，擅長處理包含文本的圖像問答任務