# 多模態圖文理解

Gemma是Google推出的輕量級先進開放模型系列，基於創建Gemini模型的技術構建。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。

Gemma 3是Google推出的輕量級開源多模態模型，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。

Qwen2.5-VL-3B-Instruct是一個3B參數規模的多模態模型，支持圖文生成任務，特別優化了在llama.cpp中的視覺功能支持。

Open-Qwen2VL是一個多模態模型，能夠接收圖像和文本作為輸入並生成文本輸出。

Qwen2.5-VL-3B-Instruct 是一個3B參數的視覺語言模型，支持圖文生成文本任務。

Qwen2.5-VL-7B-Instruct 是一個7B參數規模的多模態視覺語言模型，支持圖像和文本的聯合理解與生成任務。

Qwen2.5-VL-3B-Instruct的GPTQ-Int3量化版本，適用於多模態圖像文本處理任務，顯存佔用更少，推理速度更快。

這是一個基於Qwen2.5-VL-7B-Instruct模型的非官方GPTQ-Int3量化版本，適用於圖像文本到文本的多模態任務。

Gemma 3是谷歌推出的輕量級尖端開源多模態模型，支持圖文輸入與文本輸出，具有128K上下文窗口和140+語言支持。

這是一個支持英文和中文的多模態模型量化版本，適用於圖像文本到文本的任務。

PaliGemma 2是基於Gemma 2的升級版視覺語言模型，支持多語言圖文輸入與文本輸出，專為視覺語言任務設計

PaliGemma 2是基於Gemma 2的視覺語言模型，支持圖像和文本輸入，生成文本輸出，適用於多種視覺語言任務。

LLaVA-1.6是一個開源的視覺語言模型，支持圖像文本到文本的任務，具有改進的視覺理解和文本生成能力。

BLIP是一個先進的視覺-語言預訓練模型，擅長圖像描述生成任務，通過引導式標註策略有效利用網絡數據