# 英语视觉理解

这是一个基于Qwen2.5-VL-7B-Instruct的多模态模型，支持视觉问答任务，已转换为MLX格式以便在Apple芯片上高效运行。

基于ViT-L/14和掩码自注意力Transformer的CLIP模型，用于零样本图像分类研究

UForm-Gen是一款小型生成式视觉语言模型，主要用于图像描述生成和视觉问答。

CLIP是由OpenAI开发的多模态模型，能够理解图像和文本之间的关系，支持零样本图像分类任务。