# 圖像文本生成

基於google/gemma-3-12b-it的INT8量化版本，支持視覺文本輸入和文本輸出，適用於高效推理部署

Jedi-3B-1080p是由xlangai開發的3B參數模型，經過llama.cpp量化處理，適用於圖像文本生成文本任務。

medgemma-4b-it 是一個專注於醫療領域的多模態模型，能夠處理圖像和文本輸入，適用於放射學、臨床推理等多個醫療場景。

Dimple是首個結合自迴歸與擴散訓練範式的離散擴散多模態大語言模型（DMLLM），在LLaVA-NEXT相同數據集上訓練後，以3.9%的優勢超越LLaVA-NEXT-7B。

Magma-8B是一個基於GGUF格式的圖像文本到文本轉換模型，適用於多模態任務處理。

該模型是基於llava-hf/llava-1.5-7b-hf轉換的GGUF格式模型，支持圖像文本生成任務。

Qwen2.5-VL-72B-Instruct的多模態大語言模型量化版本，支持圖像文本到文本任務，適用於多種量化級別，從高精度到低內存需求。

Qwen2.5-VL-7B-Instruct 是一個基於 Qwen2.5 架構的多模態模型，支持圖像和文本的聯合處理，適用於視覺語言任務。

這是pixtral-12b模型的量化版本，使用llama.cpp進行量化，支持圖像文本到文本的任務。

UI-TARS-1.5-7B-4bit是一個多模態模型，專注於圖像文本到文本的轉換任務，支持英文語言。

Gemma 3是谷歌推出的輕量級多模態模型，能夠處理文本和圖像輸入並生成文本輸出。該模型具有128K大上下文窗口和超140種語言的多語言支持。

InternVL3 是一個先進的多模態大語言模型系列，具備強大的多模態感知和推理能力，支持圖像、視頻和文本輸入。

InternVL3-2B是基於Hugging Face Transformers庫實現的多模態大語言模型，在圖像、視頻和文本處理等多模態任務上表現出色，支持多種輸入方式和高效的批量推理。

InternVL3 是一個先進的多模態大語言模型系列，展示了卓越的多模態感知和推理能力，支持圖像、視頻和文本輸入。

Kimi-VL-A3B-Thinking-8bit 是一個基於 MLX 格式轉換的多模態視覺語言模型，支持圖像文本到文本的生成任務。

Gemma 3 27B IT QAT BF16 是由 Google 發佈的 Gemma 系列模型的一個版本，經過量化感知訓練（QAT）並轉換為 BF16 格式，適用於 MLX 框架。

該模型是從 google/gemma-3-27b-it-qat-q4_0-unquantized 轉換為 MLX 格式的 3 位量化版本，適用於圖像文本到文本任務。

Gemma 3 27B IT QAT 4bit 是一個基於 Google 原始模型轉換而來的 MLX 格式模型，支持圖像文本到文本的任務。

基於gemma-3-4b-it模型進行INT4量化的版本，顯著減少存儲和計算資源需求

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，生成文本輸出，具有128K大上下文窗口和多語言能力。

Gemma 3是Google基於Gemini技術打造的輕量級開源多模態模型系列，支持文本和圖像輸入並生成文本輸出。12B版本經過指令調優和量化感知訓練(QAT)，適合資源有限環境部署。

Gemma 3是Google推出的輕量級開源多模態模型系列，支持文本和圖像輸入，能生成文本輸出。該版本為27B參數的指令調優模型，採用量化感知訓練技術，內存需求低但質量接近原版。

VoRA是一個基於7B參數的視覺-語言模型，專注於圖像文本到文本的轉換任務。

VoRA是一個基於7B參數的視覺語言模型，能夠處理圖像和文本輸入，生成文本輸出。

這是Qwen2.5-VL-7B-Instruct模型的GGUF量化版本，適用於多模態任務，支持圖像和文本輸入。

Qwen2.5-VL-7B-Instruct 是一個多模態視覺語言模型，支持圖像理解和文本生成任務。

基於NVILA-Lite架構訓練的日語視覺語言模型，支持日語和英語的圖文交互

Gemma是Google推出的輕量級先進開放模型系列，基於與Gemini相同的研究和技術構建。27B版本是多模態模型，支持文本和圖像輸入，生成文本輸出。

Gemma是Google推出的輕量級先進開放模型系列，基於與Gemini相同的研究技術構建。Gemma 3是多模態模型，能處理文本和圖像輸入並生成文本輸出。

該模型是從 ds4sd/SmolDocling-256M-preview 轉換為 MLX 格式的視覺語言模型，支持圖像文本到文本任務。

Gemma 3是Google推出的輕量級開放模型系列，基於與Gemini相同技術構建，支持多模態輸入和文本輸出。

這是一個基於Google Gemma 3 27B IT模型轉換的MLX版本，支持圖像文本到文本的任務。

這是一個圖像文本到文本的轉換模型，能夠處理圖像和文本輸入，生成相應的文本輸出。

字節跳動研究團隊發佈的72B參數規模的多模態基礎模型，專注於圖像文本轉文本任務

Meta發佈的變色龍系列7B參數規模的多模態模型，支持圖像文本轉文本任務

這是對Minthy/ToriiGate-v0.4-7B模型進行的加權/重要性矩陣量化版本，提供多種量化選項以適應不同需求。

InternVL2_5-4B-AWQ 是使用 autoawq 對 InternVL2_5-4B 進行 AWQ 量化的版本，支持多語言和多模態任務。

Aya Vision 8B是一個開放權重的80億參數多語言視覺語言模型，支持23種語言的視覺和語言任務。

Gemma是Google推出的輕量級前沿開源多模態模型系列，基於創建Gemini模型的技術構建，支持文本和圖像輸入並生成文本輸出。

Gemma是Google推出的輕量級開源多模態模型系列，基於與Gemini相同技術構建，支持文本和圖像輸入並生成文本輸出。