# 多语言视觉理解

通义千问推出的多模态大模型，支持图像文本生成和128k长上下文处理，具备多语言能力。

InternVL3-8B是OpenGVLab推出的先进多模态大语言模型，具备强大的多模态感知与推理能力，支持工具调用、GUI智能体、工业图像分析、3D视觉感知等新领域。

InternVL3-2B-Instruct是基于InternVL3-2B的监督微调版本，经过原生多模态预训练和SFT处理，具备强大的多模态感知和推理能力。

Aya Vision 32B是Cohere实验室开发的开放权重32B参数多模态模型，支持23种语言的视觉语言任务。

Aya Vision 8B是一个开放权重的80亿参数多语言视觉语言模型，支持23种语言的视觉和语言任务。

基于Qwen2.5-VL-3B-Instruct并采用ColBERT策略的多语言视觉检索器，在Vidore基准测试中表现优异

EraX-VL-2B-V1.5是一个多模态基础模型，支持越南语、英语和中文，具备图像转文本和图文转文本能力。

这是一个基于Llama-3.2-11B-Vision-Instruct的多模态模型，支持图像和文本输入，并生成文本输出。

Pix2Struct是一个视觉语言理解模型，专为从UI界面截图生成功能描述字幕而优化

Pix2Struct是一种视觉语言理解模型，通过预训练处理图像到文本转换任务，特别针对高分辨率信息图表的视觉问答进行了优化。

Pix2Struct是一种图像编码器-文本解码器模型，通过多任务训练处理视觉语言理解任务，特别针对高分辨率信息图表的视觉问答进行了优化。

Pix2Struct是一个视觉语言理解模型，通过图像到文本的转换进行多任务训练，支持图像描述生成和视觉问答等任务。

Pix2Struct是一个视觉语言理解模型，通过预训练和微调处理图像到文本的任务，特别适用于图像描述生成。