# 图像文本理解

Gemma 3是Google推出的轻量级、最先进的开源多模态模型家族，基于创建Gemini模型的相同研究和技术构建，支持文本和图像输入并生成文本输出。

Gemma 3是谷歌推出的轻量级开源多模态模型，基于Gemini技术构建，支持文本和图像输入，生成文本输出。

Llama 4 Maverick是Meta开发的多模态AI模型，采用混合专家架构，支持文本和图像理解，具有170亿激活参数和4000亿总参数。

Gemma 3是谷歌推出的轻量级开放模型系列，支持多模态输入（文本和图像），拥有128K大上下文窗口，适用于问答、摘要等多种任务。

Gemma-3-12b-it-GGUF 是基于 Google 原始模型 google/gemma-3-12b-it 构建的量化模型，适用于图像文本到文本的任务。

基于Qwen2-VL-7B-Instruct的多模态模型量化版本，支持图像文本到文本任务，适用于多种量化级别。

Razorback 12B v0.2 是一个结合了Pixtral 12B和UnslopNemo v3优势的多模态模型，具备视觉理解和语言处理能力。

GLM-Edge-V-2B是一个基于Pytorch框架的图像文本到文本模型，支持中文处理。

LLaVA是一个开源的多模态聊天机器人，通过在多模态指令跟随数据上微调LLM训练而成。本版本为GGUF量化版本，提供多种量化选项。

Llava-Phi2是基于Phi2的多模态实现，结合了视觉和语言处理能力，适用于图像文本到文本的任务。

MMAlaya是基于大语言模型Alaya开发的多模态系统，包含大语言模型、图像文本特征编码器和特征转换模块三大核心组件。

LLaVA是一个开源的多模态聊天机器人，通过微调LLaMA/Vicuna在GPT生成的多模态指令跟随数据上进行训练。

LLaVA 是一个开源多模态聊天机器人，基于 LLaMA/Vicuna 在 GPT 生成的多模态指令跟随数据上进行微调训练而成。

基于microsoft/git-base-textvqa在textvqa数据集上微调的视觉问答模型，擅长处理包含文本的图像问答任务