# 视觉问答SOTA

MiniMax-VL-01是一个强大的多模态大语言模型，采用'ViT-MLP-LLM'框架，具有动态分辨率处理能力，在多项视觉语言任务中表现优异。

Llama 3.2-Vision是Meta开发的多模态大语言模型系列，支持图像+文本输入和文本输出，专为视觉识别、图像推理、图像描述和图像问答任务优化。