# 圖文理解

Gemma 3 27B IT QAT 8bit 是一個基於 Google 的 Gemma 3 27B 模型轉換而來的 MLX 格式模型，支持圖文到文本的任務。

R1-VL-7B是一個基於Qwen2-VL-7B-Instruct的推理模型，採用逐步分組相對策略優化（StepGRPO）方法進行訓練，專注於圖文轉文本任務。

Qwen2-VL-2B是一個多模態模型，能夠處理圖像和文本輸入，生成文本輸出。

Qwen2.5-VL-7B-Instruct-GPTQ-Int4是基於Qwen2.5-VL-7B-Instruct模型進行非官方GPTQ-Int4量化的版本，支持圖文到文本的多模態任務。

基於微軟Phi-1.5架構的視覺語言模型，結合CLIP實現圖像處理能力

這是微軟Florence-2模型使用Docmatix數據集（5%數據量）以1e-6學習率微調1天后的版本

基於中文多模態預訓練模型孟子-奧斯卡，在AIC-ICC中文圖像描述數據集上微調而成的中文多模態圖像描述模型