# 多模态视觉推理

Llama 3.2-Vision是Meta开发的多模态大语言模型，具备图像推理和文本生成能力，支持视觉识别、图像描述和问答等任务。

Qwen2.5 VL 32B Instruct是由Qwen开发的多模态大语言模型，支持视觉和语言任务，具备强大的图像理解和文本生成能力。

基于Google Gemma 3B模型的量化版本，使用llama.cpp进行优化，支持多种量化级别，适用于文本生成任务。

Phi-3.5-vision 是一款轻量级、前沿的开放多模态模型，支持128K上下文长度，专注于高质量、富含推理的文本和视觉数据。