# 英語視覺理解

這是一個基於Qwen2.5-VL-7B-Instruct的多模態模型，支持視覺問答任務，已轉換為MLX格式以便在Apple芯片上高效運行。

基於ViT-L/14和掩碼自注意力Transformer的CLIP模型，用於零樣本圖像分類研究

UForm-Gen是一款小型生成式視覺語言模型，主要用於圖像描述生成和視覺問答。

CLIP是由OpenAI開發的多模態模型，能夠理解圖像和文本之間的關係，支持零樣本圖像分類任務。