# 视觉语言理解

基于BLIP架构微调的阿拉伯语图像字幕生成模型，专门针对Flickr8k阿拉伯语数据集优化

天工-R1V2-38B是当前最先进的开源多模态推理模型，在多项基准测试中表现卓越，具备强大的视觉推理与文本理解能力。

Skywork-VL-Reward-7B是一个7B参数的多模态奖励模型，基于Qwen2.5-VL-7B-Instruct架构，增加了用于训练奖励模型的价值头结构。

EMOVA是一种端到端全能模态大语言模型，支持视觉、听觉和语音功能，能够生成具有情感控制的文本和语音响应。

Gemma 3是谷歌推出的轻量级先进开放模型系列，基于创建Gemini模型的相同研究和技术构建。该模型是多模态的，能够处理文本和图像输入并生成文本输出。

VL-Rethinker-7B 4位MLX量化版是基于TIGER-Lab/VL-Rethinker-7B模型的量化版本，专为苹果设备优化，支持视觉问答任务。

这是一个基于Llama架构的多模态模型，支持视觉和文本指令，经过4位量化优化。

InternVL3-78B是OpenGVLab推出的先进多模态大语言模型，展现卓越的综合性能。相比前代InternVL 2.5，具备更强大的多模态感知与推理能力，并将能力拓展至工具使用、GUI代理、工业图像分析、3D视觉感知等新领域。

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，支持视觉问答任务。

VL-Rethinker-72B-4bit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格式以便在苹果设备上高效运行。

基于Qwen2.5-VL-7B-Instruct模型进行GPTQ-INT8量化的视觉语言模型

基于Meta Llama 4模型转换的6位量化版本，支持多语言指令交互

VoRA是一个基于7B参数的视觉语言模型，能够处理图像和文本输入，生成文本输出。

Qwen2.5-VL-72B-Instruct是一个72B参数规模的多模态大模型，支持视觉-语言任务，能够理解和生成与图像相关的文本内容。

Qwen2.5-VL-32B-Instruct是一个32B参数规模的多模态视觉语言模型，支持图像理解和文本生成任务。

基于Qwen2.5-VL通过创新性Curr-ReFT方法微调的多模态大语言模型，显著提升了视觉语言理解与推理能力。

HiMTok是一个基于InternVL2_5-8B大型多模态模型微调的分层掩码标记学习框架，专注于图像分割任务。

这是一个图像文本到文本的转换模型，能够处理图像和文本输入，生成相应的文本输出。

该模型是基于Qwen2-VL-7B-Captioner-Relaxed转换的GGUF格式版本，专为图像转文本任务优化，支持通过llama.cpp和Koboldcpp等工具运行。

mmMamba-linear是首个通过中等学术计算资源实现二次到线性蒸馏的纯解码器多模态状态空间模型，具有高效的多模态处理能力。

针对新加坡语境下冒犯性表情包分类的视觉语言模型，基于Qwen2-VL-7B-Instruct微调

桑葚模型是一个基于逐步推理的模型，通过集体知识搜索生成的Mulberry - 260K SFT数据集上进行训练。

DeepSeer是基于DeepSeek-R1模型开发的视觉语言模型，支持思维链推理能力，通过对话模板训练视觉模型。

魔术师是首个具备自由形式多图像定位能力的多模态大语言模型，在复杂多图像场景中实现精确定位，性能超越70B规模模型。

一个开源的聊天机器人模型，通过在开源数据上微调整个模型进行训练，可用于多模态模型和聊天机器人的研究。

Qwen2-VL-7B-Instruct 是一个多模态视觉语言模型，支持图像和文本的联合理解与生成。

MiniVLA是一个轻量级的视觉语言模型，兼容Prismatic VLMs训练框架，支持图像文本到文本的多模态任务。

GLM-Edge-V-5B是一个50亿参数的多模态模型，支持图像和文本输入，能够执行图像理解和文本生成任务。

Emu3是由北京智源研究院开发的多模态模型，仅通过预测下一个标记训练而成，支持图像、文本和视频处理。

Llama-3-EvoVLM-JP-v2 是一款实验性通用日语视觉语言模型，支持交错输入文本和图像。该模型采用进化模型融合方法创建。

Cephalo是一系列专注于多模态材料科学的视觉大语言模型（V-LLMs），旨在整合视觉和语言数据，以促进人机交互或多智能体AI框架中的高级理解和交互。

一个开源的聊天机器人模型，通过在开源数据上微调整个模型进行训练，可用于多模态模型和聊天机器人的研究。

DenseConnector 是一个开源聊天机器人，基于 LLaMA/Vicuna 微调，并利用 GPT 生成的多模态指令跟随数据进行训练。

Cephalo是一系列专注于多模态材料科学的视觉大语言模型（V-LLMs），旨在整合视觉和语言数据，以促进人机交互或多智能体AI框架中的高级理解和互动。

LLaVA-JP是一个支持日语的多模态视觉语言模型，能够理解和生成关于输入图像的描述和对话。

这是一个基于transformers的图像到文本转换模型，具体功能需进一步补充

基于LLaVA-v1.6-Mistral-7B模型微调的多模态模型，支持图像和文本的联合理解与生成

LLaVA-v1.5-13B-DPO 是一个基于LLaVA框架的视觉语言模型，经过直接偏好优化(DPO)训练，并转换为GGUF量化格式以提高推理效率。

LLaVA是一个开源的多模态聊天机器人，基于大语言模型微调训练而成，支持图像和文本的交互。

MoE-LLaVA是一种基于专家混合架构的大规模视觉语言模型，通过稀疏激活参数实现高效的多模态学习。