# 輕量級視覺語言模型

這是一個256M參數的預覽版文檔理解模型，專為文檔結構解析和內容提取任務設計，支持將圖像文檔轉換為結構化數據。

Qwen2.5-VL-7B-Captioner-Relaxed 是一個多模態視覺語言模型，基於 Qwen2.5 架構，專注於圖像到文本的生成任務。

基於SmolVLM2-500M-Video-Instruct轉換的MLX格式模型，支持視頻文本轉文本任務

這是一個基於MLX格式的視頻文本轉文本模型，由HuggingFaceTB開發，支持英文語言處理。

LlavaGuard是基於視覺語言模型的安全評估守護者，主要用於圖像內容的安全分類和違規檢測。

doubutsu是一個輕量級視覺語言模型系列，專為定製化場景微調設計。

UForm-Gen2-dpo 是一個小型生成式視覺語言模型，通過直接偏好優化（DPO）在 VLFeedback 和 LLaVA-Human-Preference-10K 偏好數據集上針對圖像描述生成和視覺問答任務進行對齊訓練。

Moondream2的微調版本，專為圖像提示生成優化，是一款輕量級視覺語言模型，適合在邊緣設備高效運行。

LLaVa-Phi-2-3B是一個開源的多模態聊天機器人模型，基於Phi-2架構微調而成，能夠處理圖像和文本輸入並生成自然語言響應。