# 大语言模型集成

Granite-speech-3.3-2b是IBM开发的紧凑高效语音语言模型，专为自动语音识别（ASR）和自动语音翻译（AST）设计，采用双通设计提高模块化和安全性。

VARGPT是一个统一的多模态模型，结合了视觉理解和生成能力，通过预测下一标记实现理解，预测下一尺度实现生成。

VideoRefer-7B是一个多模态大语言模型，专注于视频问答任务，能够理解和分析视频中的时空物体关系。

Pixtral-12B 是一个与 transformers 库兼容的多模态模型，能够处理图像和文本输入并生成文本输出，适用于图像理解和描述任务。

VideoLLaMA 2是新一代视频大语言模型，专注于提升时空建模能力和音频理解能力，支持多模态视频问答和描述任务。

一个通过图像-文本对进行预训练的视觉语言模型，基于Llama-2 70B架构，适用于图像描述生成任务。

IDEFICS-9B是一个90亿参数的多模态模型，能够处理图像和文本输入并生成文本输出，是Deepmind Flamingo模型的开源复现版本。