# 多模態理解

這是google/gemma-3-27b-it的量化版本，支持視覺-文本輸入和文本輸出，通過權重量化和激活量化優化，可使用vLLM進行高效推理。

Cosmos-Reason1-7B是英偉達發佈的7B參數規模的基礎模型，專注於圖文轉文本任務。

基於Mistral Small模型的視覺編碼器，支持圖像文本生成任務，適配llama.cpp框架

FastVLM-0.5B-Stage3 是一個高效的多模態語言模型，具備視覺理解和語言處理能力，能夠處理長視頻並生成結構化輸出。

FastVLM-0.5B-Stage2是一個高效的多模態語言模型，能夠理解視覺內容並處理文本任務。

Magma-8B是一個基於GGUF格式的圖像文本到文本轉換模型，適用於多模態任務處理。

專為泰英雙語現實場景文檔解析打造的視覺語言模型，基於Qwen2.5-VL-Instruction框架

Gemma 3是Google推出的輕量級開放模型系列，基於Gemini技術構建，支持多模態輸入和文本輸出。

Qwen2.5-VL-72B-Instruct的多模態大語言模型量化版本，支持圖像文本到文本任務，適用於多種量化級別，從高精度到低內存需求。

Qwen2.5-VL-7B-Instruct的量化版本，使用llama.cpp進行量化，支持多模態任務，適用於圖文轉文本等應用場景。

基於ViLT-B32-MLM模型在VQA數據集上微調的視覺語言模型

TEMPURA是一個結合因果推理與細粒度時間分割的視頻時序理解框架，通過兩階段訓練提升視頻事件理解能力

基於Qwen2.5-VL-7B-Instruct微調的攝像機運動分析模型，專注於視頻中的攝像機運動分類和視頻-文本檢索任務

基於80億MetaCLIP數據訓練的70億參數視覺Transformer模型，採用DINOv2自監督學習框架，無需語言監督

Gemma 3是谷歌基於Gemini技術構建的輕量級開放模型系列，12B版本採用量化感知訓練(QAT)技術，支持多模態輸入和128K上下文窗口。

Gemma 3是Google推出的輕量級、最先進的多模態開源模型，能夠處理文本和圖像輸入並生成文本輸出。

Gemma 3是Google基於Gemini技術構建的輕量級開放模型系列，支持多模態輸入和文本輸出，具有128K大上下文窗口和140+語言支持。

Gemma 3是谷歌推出的輕量級多模態模型，能夠處理文本和圖像輸入並生成文本輸出。該模型具有128K大上下文窗口和超140種語言的多語言支持。

Gemma 3是谷歌推出的輕量級前沿開放模型系列，基於Gemini模型技術構建，支持多模態輸入和文本輸出。

Gemma 3是Google推出的輕量級開放模型系列，基於創建Gemini模型的研究和技術構建。12B版本是經過指令調優的多模態模型，支持文本和圖像輸入，生成文本輸出。

Gemma是Google推出的輕量級開放模型系列，基於Gemini模型技術構建。Gemma 3是多模態模型，支持文本和圖像輸入，生成文本輸出，具有128K大上下文窗口和多語言能力。

Gemma 3是Google推出的輕量級、最先進的開放模型家族，基於與Gemini模型相同的研究和技術構建。支持多模態輸入和文本輸出。

Gemma 3是谷歌推出的輕量級、最先進的多模態開源模型，能處理文本和圖像輸入並生成文本輸出，適用於多種文本生成和圖像理解任務。

基於Salesforce/blip2-opt-2.7b微調的視覺語言模型，用於圖像問答任務

BLIP是一個統一的視覺-語言預訓練框架，擅長圖像描述生成等視覺-語言任務

InternVL3-8B-6bit 是一個基於 MLX 格式轉換的視覺語言模型，支持多語言圖像文本到文本的任務。

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。

Google出品的Gemma 3 4B IT模型，支持多模態輸入和長上下文處理，適用於文本生成和圖像理解任務。

Kimi-VL-A3B-Thinking-8bit 是一個基於 MLX 格式轉換的多模態視覺語言模型，支持圖像文本到文本的生成任務。

Gemma 3 27B IT QAT BF16 是由 Google 發佈的 Gemma 系列模型的一個版本，經過量化感知訓練（QAT）並轉換為 BF16 格式，適用於 MLX 框架。

該模型是從 google/gemma-3-27b-it-qat-q4_0-unquantized 轉換為 MLX 格式的 3 位量化版本，適用於圖像文本到文本任務。

Gemma 3 27B IT QAT 4bit 是一個基於 Google 原始模型轉換而來的 MLX 格式模型，支持圖像文本到文本的任務。

這是一個經過INT8量化的Mistral-Small-3.1-24B-Instruct-2503模型，由Red Hat和Neural Magic優化，適用於快速響應和低延遲場景。

Gemma 3 4B IT QAT 4bit 是一個經過量化感知訓練（QAT）的4位量化大語言模型，基於Gemma 3架構，專為MLX框架優化。

Gemma 3是Google推出的輕量級、先進的多模態開放模型，基於與Gemini模型相同的研究和技術構建，支持文本和圖像輸入並生成文本輸出。

VideoChat-R1_7B 是一個基於 Qwen2.5-VL-7B-Instruct 的多模態視頻理解模型，能夠處理視頻和文本輸入，生成文本輸出。

基於gemma-3-4b-it模型進行INT4量化的版本，顯著減少存儲和計算資源需求

Gemma 3是Google推出的輕量級多模態開放模型，支持文本和圖像輸入，生成文本輸出，具有128K大上下文窗口和多語言能力。

Gemma 3是Google推出的輕量級多模態開放模型，支持文本和圖像輸入，生成文本輸出。4B版本經過指令調優和量化感知訓練，適合資源有限環境部署。

Gemma 3 是 Google 推出的輕量級先進開放模型系列，基於與 Gemini 模型相同的研究和技術構建。此版本為 27B 參數的指令調優模型，採用量化感知訓練（QAT）和壓縮張量技術。