# 视觉推理

基于ViLT架构的视觉语言模型，专为GQA视觉推理任务微调

Llama 4系列是Meta推出的原生多模态AI模型，支持文本和图像交互，采用混合专家架构，在文本和图像理解方面表现卓越。

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。

该模型是基于Qwen2.5-VL-7B-Instruct转换而来的多模态视觉语言模型，支持8位量化，适用于视觉问答任务。

Llama 4 Scout是Meta推出的原生多模态AI模型，支持多语言文本和图像理解，采用混合专家架构，在文本和图像理解方面具有行业领先性能。

Idefics3是一个开源的多模态模型，能够处理任意序列的图像和文本输入并生成文本输出。它在OCR、文档理解和视觉推理方面有显著提升。

Idefics2 是一个开放的多模态模型，能够接受任意序列的图像和文本输入并生成文本输出。该模型可以回答关于图像的问题、描述视觉内容、基于多张图像创作故事，或仅作为纯语言模型使用。

ChartQA 是一个视觉问答模型，专注于从图表中提取信息并回答相关问题。

LLaVA是一个开源多模态聊天机器人模型，基于Transformer架构，通过在GPT生成的多模态指令跟随数据上微调LLaMA/Vicuna而得。