# 多模態指令

SmolVLM2-2.2B-Instruct 是一個2.2B參數規模的視覺語言模型，專注於視頻文本到文本任務，支持英語。

Phi-4-multimodal-instruct是一個輕量級開源多模態基礎模型，支持文本、圖像和音頻輸入，生成文本輸出，具備128K標記的上下文長度。

OpenVLA 7B是一個基於Open X-Embodiment數據集訓練的開源視覺-語言-動作模型，能夠根據語言指令和攝像頭圖像生成機器人動作。

蒼鷺GIT Llama 2 7B是一款能夠就輸入圖像進行對話的視覺語言模型。