# 多模态指令微调

基于Qwen2.5架构的视觉问答模型，专注于越南语场景，支持对图像相关问题进行解答。

LLaDA-V是一款基于扩散模型的视觉语言模型，性能超越其他扩散多模态大语言模型。

这是一个基于Llama架构的多模态模型，支持视觉和文本指令，经过4位量化优化。

Qwen2.5-VL-32B-Instruct是一个32B参数规模的多模态视觉语言模型，支持图像理解和文本生成任务。

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。

基于microsoft/Phi-4-multimodal-instruct微调的韩语自动语音识别(ASR)和语音翻译(AST)模型，在zeroth-korean和fleurs数据集上表现优异。

SmolVLM2-2.2B-Instruct-4bit 是一个基于 MLX 格式转换的视觉语言模型，专注于视频文本到文本的任务。

基于Qwen2-VL-7B-Instruct的韩语视觉语言模型，支持图像转文本任务

基于Pixtral-12B-2409微调的多模态大语言模型，专注于生成丰富的图像描述

Med-CXRGen-I是基于LLaVA-v1.5-7B微调的多模态大语言模型，专注于胸部X光影像的放射学报告生成任务，特别是印象部分的生成。

Med-CXRGen-F是一个基于LLaVA-v1.5-7B微调的多模态大语言模型，专门用于放射学报告生成任务，特别是胸部X光检查结果部分的自动生成。

这是一个基于Llama-3.2-11B-Vision-Instruct的多模态模型，支持图像和文本输入，并生成文本输出。

Qwen2-VL-7B-Instruct 是一个基于 SafeRLHF 数据集微调的多模态大语言模型，专注于视觉问答任务，并强调安全性。

xGen-MM是由Salesforce AI Research开发的一系列最新基础大语言模型(LMMs)，在BLIP系列基础上改进，融入增强功能，具有更强大的基础能力。

xGen-MM是Salesforce AI Research开发的多模态基础模型系列，基于BLIP系列改进，在高质量图像字幕和交错图文数据上训练。

ChartGemma是基于PaliGemma构建的图表理解与推理模型，通过视觉指令微调直接处理图表图像，捕捉视觉趋势和底层信息。

xGen-MM是Salesforce AI Research开发的最新基础大型多模态模型系列，基于BLIP系列改进，具有强大的图像理解和文本生成能力。

ViP-LLaVA 是一款开源多模态聊天机器人，通过对 LLaMA/Vicuna 进行图像和区域级别指令数据的微调训练而成。

LLaVA-Med是通过视觉指令微调构建的生物医学领域多模态模型，具备处理生物医学图像和文本的能力。

OTTER-MPT7B-Init是一个用于初始化Otter模型训练的权重，由Openflamingo直接转换而来。

这是一个基于 BLIP 架构的图像描述生成模型，能够为输入的图片生成简洁的文字描述。