# 多模态图像理解

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。