模型找得到，
下载更顺手。

Bunny-v1.1-Llama-3-8B-V Bunny是一系列轻量级但功能强大的多模态模型。该模型基于SigLIP视觉编码器和Llama-3-8B-Instruct语言模型构建，采用S²-Wrapper技术，支持图像和文本的多模态理解与处理。 提供多种即插即用的视觉编码器选择，包括EVA-CLIP和SigLIP。支持多种语言骨干模型，包括Llama-3-8B、Phi-1.5、StableLM-2、Qwen1.5、MiniCPM和Phi-2。通过从更广泛的数据源中进行精选，

Emu3是一个开源多模态模型，通过next-token prediction（下一个token预测）任务进行训练。通过将图像和文本标记化为离散空间，Emu3在多模态序列混合数据上从头训练单个transformer。它是基于transformer架构的自回归语言模型。 图像生成：能够根据文本输入生成高质量图像，只需预测下一个视觉token。支持灵活的分辨率和风格。 视觉语言理解：具备强大的视觉语言理解能力，能够感知物理世界并提供连贯的文本响应。该能力不依赖CLIP和预训练LLM

Emu3: Next-Token Prediction is All You Need Emu3是一个开源多模态模型，通过next-token prediction任务进行训练。通过将图像和文本标记化为离散空间，Emu3在多模态序列混合数据上从头训练单个transformer。它是基于transformer架构的自回归语言模型。 图像生成：Emu3能够根据文本输入生成高质量图像，只需预测下一个视觉token。支持灵活的分辨率和风格。

Aquila-VL-2B是一个视觉语言模型（VLM），基于LLava-one-vision框架开发，用于处理图像和文本的多模态理解与生成任务。 该模型采用Qwen2.5-1.5B-instruct作为语言模型基座，配合siglip-so400m-patch14-384视觉编码器。模型在自建的Infinity-MM数据集上训练，该数据集包含约4000万图像-文本对，由开源互联网数据和利用开源VLM生成的合成指令数据组成。

视觉语言模型（Vision-Language Model，VLM） 基于开源数据集 Infinity-MM 训练 该模型能够处理图像和文本输入，进行视觉问答、视觉推理等任务。在多个视觉语言基准测试中进行了评估，包括 MMMU、MMStar、MMBench、MathVista、HallusionBench、OCRBench、AI2D、MMVet 等。

Recon2Reason Reasoning 4B Recon2Reason Reasoning 4B 是一个40亿参数规模的视觉语言模型，专门用于室内和具身场景的空间推理任务。 该模型基于 Qwen3-VL-4B 微调而成，能够从视觉输入中推理度量距离、相对位置、物体配置和空间关系。在度量空间推理和定性空间推理基准测试中表现优异。

DeepSeek-VL是一个开源的视觉语言模型，旨在用于现实世界的视觉和语言理解应用场景。 DeepSeek-VL具备通用多模态理解能力，能够处理以下类型的内容：逻辑图表、网页、公式识别、科学文献、自然图像，以及复杂场景中的具身智能任务。 该模型支持最高1024x1024分辨率的图像输入。模型基于图像输入进行理解和推理，并输出相应的文本响应。

DeepSeek-VL是一个开源视觉语言模型，旨在用于现实世界的视觉和语言理解应用。 DeepSeek-VL具备通用多模态理解能力，能够处理以下类型的内容： 视觉输入：支持384 x 384分辨率的图像输入

DeepSeek-VL2 是一个先进的混合专家（Mixture-of-Experts）视觉语言模型系列，旨在处理多模态理解任务。 该模型在以下任务中表现出色：视觉问答、光学字符识别、文档理解、表格理解、图表理解以及视觉定位。 模型系列包含三个变体，激活参数分别为：DeepSeek-VL2-Tiny（1.0B）、DeepSeek-VL2-Small（2.8B）和 DeepSeek-VL2（4.5B）。与具有相似或更少激活参数的开源 dense 模型和 MoE 模型相比，Deep

DeepSeek-VL2 是先进的混合专家（MoE）视觉语言模型系列，在其前代DeepSeek-VL基础上进行了显著改进。该系列包含三个变体：DeepSeek-VL2-Tiny（1.0B激活参数）、DeepSeek-VL2-Small（2.8B激活参数）和DeepSeek-VL2（4.5B激活参数）。DeepSeek-VL2基于DeepSeekMoE-16B构建。 DeepSeek-VL2在多种任务上展现出卓越能力，包括但不限于：视觉问答、光学字符识别（OCR）、文档理解、表

DeepSeek-VL2 是一款先进的混合专家（MoE）视觉语言模型系列，旨在提升多模态理解能力。 该模型在以下任务中表现出色：视觉问答、光学字符识别、文档理解、表格理解、图表理解以及视觉定位。 DeepSeek-VL2-Tiny：1.0B 激活参数

DeepSeek-OCR：视觉-文本压缩模型 面向视觉-文本压缩任务的光学字符识别模型 测试环境：Python 3.12.9 + CUDA 11.8

DeepSeek-OCR 2: Visual Causal Flow 支持动态分辨率处理，可处理多种尺寸的图像输入 支持动态分辨率输入，默认配置为 (0-6)×768×768 + 1×1024×1024 图像尺寸，输出 (0-6)×144 + 256 个视觉token

DeepSeek-V4-Flash-Vision-Exp 是 DeepSeek-V4 系列中首个实验性多模态模型。该模型在 DeepSeek-V4-Flash 架构基础上加入视觉模块，通过持续训练解锁视觉理解能力。 该模型在多模态代理能力方面相比 DeepSeek-V4-Flash-0731 有显著提升，同时在纯文本代理任务上保持相当的表现。支持视觉理解与文本处理的多模态交互。 文本代理能力测试中，该模型在 Terminal Bench 2.1 得分 83.9，NL2Repo

DeepSeek-V4.1-Flash 是一个多模态混合专家（MoE）模型，支持处理图像和文本并以自回归方式生成文本。该模型面向需要长上下文处理能力和高效推理的智能体工作负载。 架构采用因果编码器-解码器（CED），由40层Transformer组成（20层编码器+20层解码器）。 Prefill阶段每token激活8B参数，解码阶段激活16B参数，显著降低输入密集型智能体工作负载的成本。 KV缓存压缩方面，SWA Bounded Replay将持久化KV缓存占用降至Deep

Qwen3-VL-30B-A3B-Thinking Qwen3-VL是Qwen系列中最强大的视觉语言模型，支持从边缘到云端的部署。该模型提供Dense和MoE两种架构版本，以及Instruct和Thinking推理增强版，可根据需求灵活部署。 视觉智能体：可操作PC和移动端图形界面，识别界面元素，理解功能，调用工具并完成任务。

Qwen3-VL是Qwen系列中目前最强大的视觉语言模型。该代模型在各方面进行了全面升级：更出色的文本理解与生成能力、更深入的视觉感知与推理能力、更长的上下文长度、更强的空间与视频动态理解能力，以及更优秀的智能体交互能力。 模型提供Dense和MoE两种架构，涵盖从端侧到云端的多种规模，并提供Instruct版和增强推理的Thinking版，支持灵活按需部署。 视觉智能体：可操作PC/移动端图形界面，识别界面元素、理解功能、调用工具、完成任务。

Qwen3-VL-30B-A3B-Thinking-FP8 这是一个FP8量化版本的Qwen3-VL-30B-A3B-Thinking模型，采用细粒度fp8量化方法，块大小为128，性能与原始BF16模型几乎相同。Qwen3-VL是Qwen系列中最强大的视觉语言模型。 视觉Agent：可操作PC和移动端图形界面，识别界面元素，理解功能，调用工具并完成任务。