# 多模态图像理解

Pixtral 12b GGUF
Apache-2.0
Mistral-Community推出的多模态大模型,支持图像和文本处理,具备128k上下文长度和可变图像尺寸处理能力。
图像生成文本
P
lmstudio-community
611
1
Gemma 3 27B It Qat GGUF
Google推出的Gemma 3 27B IT模型,适用于多种文本生成和图像理解任务,支持128k令牌的上下文长度和多模态图像处理。
图像生成文本
G
lmstudio-community
41.35k
8
Gemma 3 12b It Qat 8bit
其他
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。
图像生成文本 Transformers 其他
G
mlx-community
149
1
Qwen2.5 VL 32B Instruct GGUF
Apache-2.0
Qwen2.5-VL-32B-Instruct 是一个多模态视觉语言模型,支持图像和文本的联合理解与生成任务。
图像生成文本 英语
Q
samgreen
25.59k
6
Qwen2.5 VL 7B Instruct GGUF
Apache-2.0
Qwen2.5-VL-7B-Instruct 是一个多模态视觉语言模型,支持图像文本生成任务。
图像生成文本 英语
Q
samgreen
5,052
9
Qwen2.5 VL 72B Instruct GGUF
其他
Qwen2.5-VL-72B-Instruct 是一个多模态视觉语言模型,支持图像和文本的交互式生成任务。
图像生成文本 英语
Q
samgreen
2,073
1
Gemma 3 12b It Gguf
Gemma-3 是谷歌推出的轻量级多模态开放模型,支持文本和图像输入,生成文本输出。基于创建 Gemini 模型的研究和技术构建,具有 128K 大上下文窗口,支持超过 140 种语言。
图像生成文本
G
Mungert
4,574
11
Gemma 3 4b It Gguf
Gemma 3是谷歌推出的轻量级开源多模态模型,支持图像和文本输入,生成文本输出。
图像生成文本
G
Mungert
4,593
9
Asagi 14B
Apache-2.0
Asagi-14B是一个大规模的日语视觉与语言模型(VLM),在广泛的日语数据集上进行了训练,整合了多样化的数据来源。
图像生成文本 Transformers 日语
A
MIL-UT
83
9
Qwen2 VL 2B Instruct GGUF
Apache-2.0
Qwen2-VL-2B-Instruct 是一个多模态视觉语言模型,支持图像文本生成任务,基于 Qwen2 架构,参数规模为 2B。
图像生成文本 英语
Q
second-state
125
3
Llama3 Chat Vector Kor Llava V02
这是一个基于Llama3架构的韩语多模态模型,支持图像理解和韩语对话。
图像生成文本 Transformers 支持多种语言
L
nebchi
27
2
Cerule V0.1
Cerule 是一款轻量却强大的视觉语言模型,基于谷歌的 Gemma-2b 和 SigLIP 构建,专注于图像文本处理。
图像生成文本 Transformers 英语
C
Tensoic
157
47
AIbase
智启未来,您的人工智能解决方案智库
© 2025AIbase