# 图像文本转换

基于Gemma 3 4B的量化版本图像文本转文本模型，旨在让知识为大众所用

Gemma 3 12B IT是由谷歌开发的大语言模型，支持多模态输入和长上下文处理。

基于Gemma 3 4B模型，采用与Glitter 12b相同的数据混合方案优化的模型

Granite Vision 3.2 2B Abliterated 是一个视觉语言模型，专注于图像文本转文本任务。

Granite Vision 3.2 2B 是 IBM 开发的一个视觉语言模型，专注于图像文本转文本任务。

赫尔墨斯流是一个通用的多模态大语言模型对齐框架，能够自主生成同源偏好数据，并通过自我博弈迭代优化与配对DPO技术，无缝弥合多模态理解与生成的鸿沟。

LLaVA 是一个大型语言和视觉助手模型，能够处理图像和文本的多模态任务。

GIT是一个基于Transformer的生成式图像到文本模型，能够将视觉内容转换为描述性文本。