# 大語言模型集成

Granite-speech-3.3-2b是IBM開發的緊湊高效語音語言模型，專為自動語音識別（ASR）和自動語音翻譯（AST）設計，採用雙通設計提高模塊化和安全性。

VARGPT是一個統一的多模態模型，結合了視覺理解和生成能力，通過預測下一標記實現理解，預測下一尺度實現生成。

VideoRefer-7B是一個多模態大語言模型，專注於視頻問答任務，能夠理解和分析視頻中的時空物體關係。

Pixtral-12B 是一個與 transformers 庫兼容的多模態模型，能夠處理圖像和文本輸入並生成文本輸出，適用於圖像理解和描述任務。

VideoLLaMA 2是新一代視頻大語言模型，專注於提升時空建模能力和音頻理解能力，支持多模態視頻問答和描述任務。

一個通過圖像-文本對進行預訓練的視覺語言模型，基於Llama-2 70B架構，適用於圖像描述生成任務。

IDEFICS-9B是一個90億參數的多模態模型，能夠處理圖像和文本輸入並生成文本輸出，是Deepmind Flamingo模型的開源復現版本。