# 視覺推理

基於ViLT架構的視覺語言模型，專為GQA視覺推理任務微調

Llama 4系列是Meta推出的原生多模態AI模型，支持文本和圖像交互，採用混合專家架構，在文本和圖像理解方面表現卓越。

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。

該模型是基於Qwen2.5-VL-7B-Instruct轉換而來的多模態視覺語言模型，支持8位量化，適用於視覺問答任務。

Llama 4 Scout是Meta推出的原生多模態AI模型，支持多語言文本和圖像理解，採用混合專家架構，在文本和圖像理解方面具有行業領先性能。

Idefics3是一個開源的多模態模型，能夠處理任意序列的圖像和文本輸入並生成文本輸出。它在OCR、文檔理解和視覺推理方面有顯著提升。

Idefics2 是一個開放的多模態模型，能夠接受任意序列的圖像和文本輸入並生成文本輸出。該模型可以回答關於圖像的問題、描述視覺內容、基於多張圖像創作故事，或僅作為純語言模型使用。

ChartQA 是一個視覺問答模型，專注於從圖表中提取信息並回答相關問題。

LLaVA是一個開源多模態聊天機器人模型，基於Transformer架構，通過在GPT生成的多模態指令跟隨數據上微調LLaMA/Vicuna而得。