# 多模態指令理解

Mistral-Small-3.2-24B-Instruct-2506 是一個圖像文本到文本的模型，在模型量化方面表現出色，指令遵循、減少重複錯誤和函數調用等方面有顯著提升。

PixelReasoner是一個基於Qwen2.5-VL-7B-Instruct的視覺語言模型，採用好奇心驅動強化學習訓練，專注於圖像文本到文本的任務。

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。

基於Llama-3.1-8B-Instruct的多語言音頻文本轉文本模型，支持40多種語言處理

基於Llama-4構建的17B參數多語言指令模型，採用FP8量化優化，顯著降低資源需求

Qwen2.5-VL-32B-Instruct 是一個32B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-32B-Instruct 是一個32B參數規模的多模態視覺語言模型，支持圖像與文本的聯合理解與生成任務。

Qwen2.5-VL-32B-Instruct 是一個32B參數規模的多模態大語言模型，支持視覺和語言任務，適用於複雜的多模態交互場景。

Qwen2-VL-2B-Instruct 是一個多模態視覺語言模型，支持圖像文本到文本的任務。

InstructCLIP是一種通過對比學習自動數據優化改進指令引導的圖像編輯模型，結合了CLIP和穩定擴散技術，能夠根據文本指令編輯圖像。

Qwen2-VL-7B-Instruct 是一個基於 Qwen2 架構的視覺語言模型，支持圖像和文本的多模態輸入，適用於多種視覺語言任務。

基於Qwen2-VL-7B模型的微調版本，使用Unsloth和Huggingface的TRL庫進行訓練，速度提升2倍。

基於Unsloth優化的Llama 3.2-11B視覺指令模型，4bit量化版本，訓練速度提升2倍

Llama 3.2 11B Vision Instruct 是一個結合視覺和語言的多模態模型，支持圖像轉文本任務。

Phi-4-multimodal-instruct是一款輕量級開源多模態基礎模型，融合了Phi-3.5和4.0模型的語言、視覺及語音研究與數據集。支持文本、圖像和音頻輸入，生成文本輸出，並具備128K標記的上下文長度。

Phi-4多模態模型的ONNX版本，已量化為int4精度，通過ONNX Runtime加速推理，支持文本、圖像和音頻輸入。

基於Qwen2.5-VL-7B-Instruct模型微調的多模態模型，採用Unsloth加速框架和TRL庫訓練，速度提升2倍

Llama-3.2-11B-Vision-Instruct 是一個支持多語言的視覺-語言模型，可用於圖像文本到文本的轉換任務。

Pixtral-Large-Instruct-2411是基於MistralAI技術的多模態指令微調模型，支持圖像和文本輸入，具備多語言處理能力。

Qwen2-VL-7B-Instruct 是一個7B參數規模的多模態模型，支持圖像與文本的交互任務。

這是一個基於Qwen2-VL架構的7B參數規模的視覺語言模型，支持圖像理解和指令交互。

首個支持繁體中文指令輸入的視覺語言模型（12億參數），兼容Transformers庫，加載迅速、微調便捷

該模型是通過在LIBERO-10數據集上採用LoRA方法微調OpenVLA 7B模型得到的視覺語言動作模型，適用於機器人技術領域。

這是一個在LIBERO-Goal數據集上使用LoRA技術微調的OpenVLA 7B視覺語言動作模型，適用於機器人技術領域。

Octo小型版是一個用於機器人控制的擴散策略模型，採用Transformer架構，能夠根據視覺輸入和語言指令預測機器人動作。