# 高精度视觉问答

基于Google Gemma 3 12B模型转换的8位量化版本，适用于图像文本到文本任务。

VideoRefer-7B是一个基于视频大语言模型的多模态模型，专注于时空物体理解任务。

Qwen2-VL-72B-Instruct的GGUF量化版本，支持多模态图像文本到文本转换，可通过LlamaEdge运行。

Llama-3.2V-11B-cot 是一个能够进行自发、系统性推理的视觉语言模型，基于 LLaVA-CoT 框架开发。

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。

xGen-MM是Salesforce AI Research开发的一系列最新基础大型多模态模型，基于BLIP系列的成功设计进行了改进，提供更强大的多模态处理能力。

基于InternLM2的视觉-语言大模型，具备卓越的图文理解与创作能力

InternLM-XComposer2是基于InternLM2研发的视觉-语言大模型，具备卓越的图文理解与创作能力。