这是Qwen2-VL-7B模型的GGUF量化版本，通过llama.cpp从原始模型转换而来。该模型是一个7B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。

多模态Transformers英语

GUI-Actor-2B是基于Qwen2-VL-2B的视觉语言模型，专为图形用户界面(GUI)定位任务设计，通过增加基于注意力的动作头并进行微调，在多个GUI定位基准测试中表现良好。

多模态Transformers

GUI-Actor-7B是基于Qwen2-VL-7B-Instruct开发的视觉语言模型，专注于图形用户界面(GUI)代理任务，提供无坐标的视觉接地解决方案。

多模态Transformers

基于Qwen/Qwen2-VL-2B-Instruct微调的多模态模型，专为OCR、图像转文本、LaTeX数学求解及手写识别优化

多模态Gguf支持多种语言

coreOCR-7B-050325-preview 是基于 Qwen/Qwen2-VL-7B 微调的视觉语言模型，专注于文档级 OCR、长上下文视觉语言理解和精确的图像到文本转换（支持数学 LaTeX 格式）。

多模态Transformers英语

VideoChat-R1_7B_caption 是一个基于 Qwen2-VL-7B-Instruct 的多模态视频文本生成模型，专注于视频内容理解和描述生成。

多模态Transformers英语

olmOCR是一款基于Qwen2-VL-7B-Instruct微调的光学字符识别模型，专注于将PDF等图像内容转换为文本，并通过微调提升特定场景下的识别准确率。

多模态Safetensors其他

QARI-OCR v0.3 是一款专注于阿拉伯语结构化文档理解的光学字符识别视觉语言模型，基于 Qwen2-VL-2B-Instruct 构建，擅长保留文档布局和格式。

多模态Transformers阿拉伯语

BiQwen2是基于Qwen2-VL-2B-Instruct与ColBERT策略的视觉检索模型，专注于高效视觉文档检索。

多模态Safetensors英语

基于Qwen2-VL-2B-Instruct微调的阿拉伯语OCR模型，专为整页阿拉伯文本识别优化，支持变音符号识别

多模态Transformers阿拉伯语

基于Qwen2-VL-7B模型的4位量化版本，使用Unsloth和Huggingface TRL库进行训练，推理速度提升2倍

多模态Transformers英语

R1-VL-7B是一个基于Qwen2-VL-7B-Instruct的推理模型，采用逐步分组相对策略优化（StepGRPO）方法进行训练，专注于图文转文本任务。

多模态Transformers

R1-VL-2B 是通过逐步组相对策略优化（StepGRPO）训练得到的视觉语言推理模型，基于Qwen2-VL-2B-Instruct进行优化。

多模态Transformers

Qwen2-VL-2B-Instruct 是一个多模态视觉语言模型，支持图像文本到文本的任务。

多模态Transformers英语

Qwen2-VL-72B-Instruct 是一个多模态视觉语言模型，支持图像和文本的交互，适用于复杂的视觉语言任务。

多模态Transformers英语

Qwen2-VL-7B-Instruct 是一个基于 Qwen2 架构的视觉语言模型，支持图像和文本的多模态输入，适用于多种视觉语言任务。

多模态Safetensors英语

Qaari 0.1 Urdu是一款专门为乌尔都语文本的光学字符识别（OCR）优化的模型，基于Qwen/Qwen2-VL-2B进行微调，在乌尔都语OCR能力上有显著提升。

多模态Peft

Sarashina2-Vision-14B是由SB Intuitions开发的日本大型视觉语言模型，结合了Sarashina2-13B和Qwen2-VL-7B的图像编码器，在多个基准测试中表现优异。

多模态Transformers支持多种语言

Sarashina2-Vision-8B是由SB Intuitions训练的日本大型视觉语言模型，基于Sarashina2-7B和Qwen2-VL-7B的图像编码器，在多个基准测试中表现优异。

多模态Transformers支持多种语言

基于Qwen2-VL-7B模型的微调版本，使用Unsloth和Huggingface的TRL库进行训练，速度提升2倍。

多模态Transformers英语