# 圖像文本轉換

基於Gemma 3 4B的量化版本圖像文本轉文本模型，旨在讓知識為大眾所用

Gemma 3 12B IT是由谷歌開發的大語言模型，支持多模態輸入和長上下文處理。

基於Gemma 3 4B模型，採用與Glitter 12b相同的數據混合方案優化的模型

Granite Vision 3.2 2B Abliterated 是一個視覺語言模型，專注於圖像文本轉文本任務。

Granite Vision 3.2 2B 是 IBM 開發的一個視覺語言模型，專注於圖像文本轉文本任務。

赫爾墨斯流是一個通用的多模態大語言模型對齊框架，能夠自主生成同源偏好數據，並通過自我博弈迭代優化與配對DPO技術，無縫彌合多模態理解與生成的鴻溝。

LLaVA 是一個大型語言和視覺助手模型，能夠處理圖像和文本的多模態任務。

GIT是一個基於Transformer的生成式圖像到文本模型，能夠將視覺內容轉換為描述性文本。