# 多模態視覺語言模型

InternVL3-8B-bf16 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任務。

基於Qwen2.5-VL-3B-Instruct的視覺語言模型，通過VLM-R1強化學習增強，專注於指代表達式理解任務。

Eagle2是一個高性能的視覺語言模型系列，專注於通過數據策略和訓練方法的優化來提升模型性能。Eagle2-9B是該系列中的大型模型，在性能和推理速度之間取得了良好平衡。

Eagle2-9B是NVIDIA發佈的最新視覺語言模型(VLM)，在性能和推理速度之間實現了完美平衡。它基於Qwen2.5-7B-Instruct語言模型和Siglip+ConvNext視覺模型構建，支持多語言和多模態任務。

BioTrove-CLIP 是一套基於 CLIP 風格的生物多樣性視覺語言基礎模型，在包含 4000 萬張圖像和 3.3 萬種植物和動物物種的數據集上訓練。

基於Qwen2-VL-2B-Instruct微調的爪夷文OCR模型，專門用於識別歷史馬來文本

ViTamin-XL-256px是基於ViTamin架構的視覺語言模型，專為高效視覺特徵提取和多模態任務設計，支持高分辨率圖像處理。