# 多模態視覺理解

基於google/gemma-3-12b-it的INT8量化版本，支持視覺文本輸入和文本輸出，適用於高效推理部署

Qwen2.5-VL是Qwen家族的最新視覺語言模型，具備強大的視覺理解和多模態處理能力。

感知編碼器是通過視覺語言訓練實現的最先進圖像視頻理解編碼器，具有強大的泛化能力。

感知編碼器（PE）是一種通過視覺-語言學習訓練而成的先進圖像與視頻理解編碼器，在多種視覺任務上具有最先進性能。

Qwen2.5-VL-32B-Instruct是Qwen家族的最新視覺語言模型，具備強大的視覺理解和智能代理能力，支持多模態任務處理。

Qwen2.5-VL-7B-Instruct 是一個多模態視覺語言模型，支持圖像理解和文本生成任務。

Qwen2.5-VL-32B-Instruct 是 Qwen 家族的最新視覺語言模型，具備強大的多模態理解和生成能力，支持圖像、視頻和文本的交互。

基於soob3123/amoral-gemma3-12B的視覺增強版本，結合了Gemma3-12B大語言模型與視覺編碼器，支持多模態任務

Qwen2.5-VL是Qwen家族的最新視覺語言模型，專注於增強視覺理解和代理能力。

這是一個基於mlabonne/gemma-3-4b-it-abliterated模型的量化版本，使用llama.cpp進行imatrix量化，適用於圖像文本到文本任務。

這是對Minthy/ToriiGate-v0.4-7B模型進行的加權/重要性矩陣量化版本，提供多種量化選項以適應不同需求。

Qwen2.5-VL 是 Qwen 家族的最新視覺語言模型，具備強大的視覺理解和代理能力，支持多格式視覺定位和結構化輸出生成。

Qwen2.5-VL是通義千問團隊推出的多模態大語言模型，具備強大的視覺理解和智能代理能力，支持圖像、視頻、文本等多種輸入格式。

Qwen2.5-VL是通義千問推出的多模態視覺語言模型，具備強大的圖像理解和文本生成能力。

MiniCPM-o 2.6是一個多模態模型，支持視覺和語言任務，專為llama.cpp設計。

Razorback 12B v0.2 是一個結合了Pixtral 12B和UnslopNemo v3優勢的多模態模型，具備視覺理解和語言處理能力。

Qwen2-VL-72B-Instruct的GGUF量化版本，支持多模態圖像文本到文本轉換，可通過LlamaEdge運行。

Meta Llama 3.2系列90B參數的多模態大語言模型，支持視覺指令理解，經Unsloth動態4位量化優化

MiniCPM-V 2.6是支持單圖、多圖和視頻理解的GPT-4V級別多模態大語言模型，專為RK3588 NPU優化

寒武紀是一個開源的以視覺為核心設計的 multimodal LLM（多模態大語言模型）。

Phi-3-Vision-128K-Instruct是一個輕量級、前沿的開放多模態模型，支持128K令牌的上下文長度，專注於文本和視覺領域的高質量推理。

結合Phi-3-mini-3.8B大語言模型與LLaVA v1.5的視覺語言模型，提供先進的視覺語言理解能力。

OWLv2是一個基於視覺語言預訓練的模型，專注於對象檢測和定位任務。