# 高分辨率图像理解

EuroVLM-9B-Preview是基于EuroLLM-9B长上下文版本的多模态视觉语言模型，支持多种语言和视觉任务，目前为预览版本。

Janus-Pro 是一种创新的自回归框架，统一了多模态理解与生成功能。通过解耦视觉编码路径，采用单一Transformer架构处理，解决了视觉编码器在理解与生成角色间的冲突。

PaliGemma 2是Google推出的视觉语言模型(VLM)，融合Gemma 2语言模型和SigLIP视觉模型能力，支持图像和文本输入生成文本输出。

PaliGemma 2是基于Gemma 2的视觉语言模型，支持图像+文本输入，输出文本响应，适用于多种视觉语言任务。

PaliGemma 2是Google推出的视觉语言模型(VLM)，融合Gemma 2能力，支持图像和文本输入生成文本输出

PaliGemma 2是Google推出的升级版视觉语言模型(VLM)，融合Gemma 2能力，支持图像和文本输入生成文本输出。

PaliGemma 2是基于Gemma 2的视觉语言模型，支持图像和文本输入，生成文本输出，适用于多种视觉语言任务。

PaliGemma 2是Google推出的升级版视觉语言模型，结合Gemma 2和SigLIP视觉模型的能力，支持多语言视觉语言任务。

蜻蜓是基于Llama 3.1通过指令微调训练的多模态视觉语言模型，支持图像与文本的联合理解与生成

ConvLLaVA-JP是一款支持高分辨率输入的日语视觉语言模型，能够就输入图像进行对话。

CogVLM2是基于Meta-Llama-3-8B-Instruct构建的多模态对话模型，支持中英文，具备8K上下文长度和1344*1344分辨率图像处理能力。

360VL是基于LLama3语言模型开发的开源大型多模态模型，具备强大的图像理解和双语文本支持能力。

CogVLM2是基于Meta-Llama-3-8B-Instruct构建的多模态大模型，支持中英双语，具备强大的图像理解和对话能力。

CogVLM2是基于Meta-Llama-3-8B-Instruct构建的多模态大模型，支持图像理解和对话任务，具有8K上下文长度和1344x1344图像分辨率处理能力。

360VL是基于LLama3语言模型开发的多模态模型，具备强大的图像理解和双语对话能力。

PaliGemma是一款多功能轻量级视觉语言模型(VLM)，支持图像和文本输入，生成文本输出，具备多语言能力。

PaliGemma是Google开发的多功能轻量级视觉语言模型(VLM)，基于SigLIP视觉模型和Gemma语言模型构建，支持图像和文本输入，输出文本结果。

XGen-MM是Salesforce AI Research开发的最新多模态大模型系列，基于BLIP的成功设计，通过基础性增强实现了更强大、更优越的模型架构。

xGen-MM是Salesforce AI Research开发的最新基础大型多模态模型系列，基于BLIP系列改进，具有强大的图像理解和文本生成能力。

基于Meta-Llama-3-8B-Instruct和CLIP-ViT-Large-patch14-336模型微调的多模态模型，支持图像理解和文本生成

基于Meta-Llama-3-8B-Instruct和CLIP-ViT-Large-patch14-336微调的LLaVA模型，支持图像文本到文本任务

猴子模型是一种高效的大型多模态模型，通过提升图像分辨率和改进文本标签方法，在多个视觉任务中表现优异。