# 图像文本推理

Gemma 3是Google推出的轻量级多模态开放模型，支持文本和图像输入并生成文本输出，具有128K大上下文窗口和140+语言支持。

R1-VL-2B 是通过逐步组相对策略优化（StepGRPO）训练得到的视觉语言推理模型，基于Qwen2-VL-2B-Instruct进行优化。