# 多模态文本生成

Vintern-1B-v3_5是一个10亿参数的视觉语言模型，支持图像文本生成任务。

这是一个基于Mistral-Small-3.1-24B-Instruct-2503的视觉增强版本，支持图像文本生成文本任务。

基于OpenVINO优化的Gemma 3 4B参数模型，支持文本到文本及视觉文本推理

Gemma是Google推出的轻量级先进开放模型系列，基于与Gemini相同技术构建，支持多模态输入和文本生成。

基于Meta Llama基础模型构建的图像文本到文本转换模型，支持通过gguf-connector和llama-cpp-python进行交互。

Gemma 3是Google推出的轻量级开源模型系列，基于Gemini技术构建，支持多模态输入和文本输出。

Gemma是谷歌推出的轻量级尖端开放模型家族，基于与Gemini模型相同的研究和技术构建。1B版本为预训练基础模型，采用量化感知训练（QAT）的GGUF格式。

Gemma-3-4b-it-GGUF 是对 Google 的 Gemma-3-4b-it 模型进行量化处理的版本，使其能在 LlamaEdge 上运行，适用于图像文本到文本的转换任务。

基于Qwen2-VL-7B模型的微调版本，使用Unsloth和Huggingface TRL库进行训练，推理速度提升2倍。

Llama 2 是 Meta 开发的一系列开源大语言模型，支持多种自然语言处理任务。

ko-deplot是基于谷歌Pix2Struct架构的韩语视觉问答模型，通过微调Deplot模型训练而成，支持韩语和英语的图表图像问答任务。