# 多模态视觉语言模型

InternVL3-8B-bf16 是一个基于 MLX 格式转换的视觉语言模型，支持多语言图像文本到文本任务。

这是一个基于Meta的Llama-4-Scout-17B-16E模型转换而来的MLX格式模型，支持多语言和视觉语言任务。

基于Qwen2.5-VL-3B-Instruct的视觉语言模型，通过VLM-R1强化学习增强，专注于指代表达式理解任务。

Eagle2是一个高性能的视觉语言模型系列，专注于通过数据策略和训练方法的优化来提升模型性能。Eagle2-9B是该系列中的大型模型，在性能和推理速度之间取得了良好平衡。

Eagle2-9B是NVIDIA发布的最新视觉语言模型(VLM)，在性能和推理速度之间实现了完美平衡。它基于Qwen2.5-7B-Instruct语言模型和Siglip+ConvNext视觉模型构建，支持多语言和多模态任务。

BioTrove-CLIP 是一套基于 CLIP 风格的生物多样性视觉语言基础模型，在包含 4000 万张图像和 3.3 万种植物和动物物种的数据集上训练。

基于Qwen2-VL-2B-Instruct微调的爪夷文OCR模型，专门用于识别历史马来文本

ViTamin-XL-256px是基于ViTamin架构的视觉语言模型，专为高效视觉特征提取和多模态任务设计，支持高分辨率图像处理。