# 視覺文本生成

Wan2.1-T2V-1.3B的直接GGUF轉換版本，適用於消費級GPU的視頻生成任務

Gemma 3是Google基於Gemini技術構建的輕量級開放模型系列，支持多模態輸入和文本輸出。

Qwen2-VL-7B的量化版本，致力於讓知識為每個人所用。

Llama-3.2-11B-Vision-Instruct 是一個支持多語言的視覺-語言模型，可用於圖像文本到文本的轉換任務。

基於unsloth/Llama-3.2-11B-Vision-Instruct進行精調的多模態模型，針對視覺-語言任務優化並增強指令跟隨能力，通過Unsloth框架實現2倍訓練加速

EraX-VL-7B-V1.5的多模態量化版本，支持越南語、英語和中文，適用於保險、OCR等任務。

基於ZhTrainTicket微調的Donut模型，用於文檔圖像到文本的轉換，無需OCR處理。

Donut是一個無需OCR的文檔理解Transformer模型，由視覺編碼器(Swin Transformer)和文本解碼器(BART)組成，能夠直接從圖像中提取文本信息。