olmOCR-2-7B-1025的FP8量化版本，基於Qwen2.5-VL-7B-Instruct微調而來，專門用於處理數學方程、表格等複雜OCR場景的視覺語言模型。

多模態Transformers英語

NuExtract 2.0是NuMind公司專門為結構化信息提取任務訓練的一系列多模態模型。該4B版本基於Qwen2.5-VL-3B-Instruct構建，支持文本和圖像輸入，具備多語言處理能力，能夠從非結構化數據中提取結構化信息。

多模態Transformers

VideoChat-R1_5-7B是基於Qwen2.5-VL-7B-Instruct構建的視頻文本交互模型，支持多模態任務，特別擅長視頻問答功能。該模型通過強化微調增強時空感知能力，並採用迭代感知機制來強化多模態推理。

多模態Transformers英語

本項目基於Qwen2.5-VL-7B-Instruct模型，專注於視覺問答任務，能夠精準回答圖像相關問題，具備較高的準確性和相關性。這是一個多模態視覺語言模型，支持圖像理解和基於圖像的問答交互。

多模態Safetensors英語

這是基於 unsloth/qwen2.5-vl-72b-instruct-bnb-4bit 模型進行微調的視覺語言模型，使用 Unsloth 和 Huggingface TRL 庫進行優化訓練，訓練速度相比傳統方式提升了2倍。

多模態Transformers英語

ARC-Qwen-Video-7B是騰訊ARC實驗室開發的用於理解現實世界短視頻的多模態模型，基於Qwen2.5-VL-7B-Instruct構建，支持音視頻同步分析和理解。

多模態Transformers

Qwen2.5-VL-7B-Instruct是阿里巴巴通義千問團隊開發的多模態視覺語言模型，基於70億參數規模，專門針對視覺問答任務進行優化訓練。該模型能夠理解和分析圖像內容，並生成準確的自然語言回答。

多模態Safetensors英語

LLaVA-OneVision-1.5 是一系列完全開源的大型多模態模型，通過在原生分辨率圖像上進行訓練，以較低的成本實現了先進的性能。該模型在多個多模態基準測試中展現出卓越性能，超越了Qwen2.5-VL等競爭對手。

多模態Transformers

這是基於Qwen2.5-VL-7B-Instruct微調的FP8量化版本OCR模型，專門用於文檔圖像文本識別，支持高效的大規模文檔處理。

多模態Transformers英語

Qwen2.5-VL-7B-IT-GGUF是一個強大的多模態模型，支持文本和圖像到文本的生成任務，具備文本編碼能力，並與多種工具兼容。

多模態Gguf

MedVLThinker-7B-RL_m23k是一個基於Qwen2.5-VL的醫學視覺語言模型，擁有70億參數，利用強化學習在Med23k數據集上進行訓練，專門用於處理醫學圖像與文本的交互任務。

多模態Safetensors英語

Qwen2.5-VL-7B-Abliterated-Caption-it的量化版本，支持多語言圖像描述任務。

多模態Transformers多語言

這是一個基於Qwen2.5-VL-7B模型的靜態量化版本，專注於圖像描述生成任務，支持多種語言。

多模態Transformers多語言

olmOCR-7B-0725-FP8是基於Qwen2.5-VL-7B-Instruct模型，使用olmOCR-mix-0225數據集微調後量化為FP8版本的文檔OCR模型。

多模態Transformers英語

Qwen2.5-VL-7B-Meteorology的量化版本，適用於氣象、氣候等領域的圖像文本處理任務，能在不同硬件條件下高效運行。

多模態Transformers英語

Qwen2.5-VL-7B-Meteorology 的量化版本，適用於氣象相關的圖像文本處理任務。

多模態Transformers英語

Qwen2.5-VL是基於圖像文本到文本的多模態模型，在視覺理解、視頻處理、結構化輸出等方面有顯著提升。

多模態Gguf英語

基於Qwen2.5架構的視覺問答模型，專注于越南語場景，支持對圖像相關問題進行解答。

多模態Peft其他

Owlet Safety 1是基於Qwen2.5-VL-3B-Instruct微調的多標籤安全事件檢測模型，專門用於視頻監控中的安全活動識別，能夠同時檢測多種安全相關事件如火災、煙霧、摔倒、襲擊等。

多模態Transformers

基於Qwen2.5-VL-3B-Instruct微調的視覺OCR模型，專注於文檔級OCR、長上下文視覺語言理解和數學LaTeX格式轉換

多模態Transformers英語