# 视觉文本生成

Wan2.1-T2V-1.3B的直接GGUF转换版本，适用于消费级GPU的视频生成任务

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

Qwen2-VL-7B的量化版本，致力于让知识为每个人所用。

Llama-3.2-11B-Vision-Instruct 是一个支持多语言的视觉-语言模型，可用于图像文本到文本的转换任务。

基于unsloth/Llama-3.2-11B-Vision-Instruct进行精调的多模态模型，针对视觉-语言任务优化并增强指令跟随能力，通过Unsloth框架实现2倍训练加速

EraX-VL-7B-V1.5的多模态量化版本，支持越南语、英语和中文，适用于保险、OCR等任务。

基于ZhTrainTicket微调的Donut模型，用于文档图像到文本的转换，无需OCR处理。

Donut是一个无需OCR的文档理解Transformer模型，由视觉编码器(Swin Transformer)和文本解码器(BART)组成，能够直接从图像中提取文本信息。