# 多語言視覺問答

EuroVLM-9B-Preview是基於EuroLLM-9B長上下文版本的多模態視覺語言模型，支持多種語言和視覺任務，目前為預覽版本。

EraX-VL-7B-V1.5是一款強大的多模態模型，專精於光學字符識別（OCR）和視覺問答（VQA），在多語言環境下表現卓越，尤其擅長越南語。

Trillion-LLaVA-7B是一個能夠理解圖像的視覺語言模型（VLM），基於Trillion-7B-preview基礎模型開發。

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。

基於Qwen2.5-VL-3B-Instruct與ColBERT策略的多語言視覺檢索模型，支持動態輸入圖像分辨率和多語言文檔檢索。

Llama 3.2-Vision是由Meta開發的多模態大語言模型，支持圖像和文本輸入，針對視覺識別、圖像推理和描述任務進行了優化。

Centurio 是一個開源的多語言大型視覺語言模型，支持100種語言，具備圖像文本到文本的處理能力。

PaliGemma 2是基於Gemma 2的視覺語言模型，支持圖像和文本輸入，生成文本輸出，適用於多種視覺語言任務。

mBLIP是一個多語言視覺-語言模型，基於BLIP-2架構，支持96種語言的圖像描述生成和視覺問答任務。

mBLIP是一個多語言視覺-語言模型，基於BLIP-2架構，支持96種語言的圖像描述生成和視覺問答任務。

基於Pix2Struct架構的大規模視覺語言模型，專為UI界面生成功能描述而微調