olmOCR-2-7B-1025的FP8量化版本，基于Qwen2.5-VL-7B-Instruct微调而来，专门用于处理数学方程、表格等复杂OCR场景的视觉语言模型。

多模态Transformers英语

NuExtract 2.0是NuMind公司专门为结构化信息提取任务训练的一系列多模态模型。该4B版本基于Qwen2.5-VL-3B-Instruct构建，支持文本和图像输入，具备多语言处理能力，能够从非结构化数据中提取结构化信息。

多模态Transformers

VideoChat-R1_5-7B是基于Qwen2.5-VL-7B-Instruct构建的视频文本交互模型，支持多模态任务，特别擅长视频问答功能。该模型通过强化微调增强时空感知能力，并采用迭代感知机制来强化多模态推理。

多模态Transformers英语

本项目基于Qwen2.5-VL-7B-Instruct模型，专注于视觉问答任务，能够精准回答图像相关问题，具备较高的准确性和相关性。这是一个多模态视觉语言模型，支持图像理解和基于图像的问答交互。

多模态Safetensors英语

这是基于 unsloth/qwen2.5-vl-72b-instruct-bnb-4bit 模型进行微调的视觉语言模型，使用 Unsloth 和 Huggingface TRL 库进行优化训练，训练速度相比传统方式提升了2倍。

多模态Transformers英语

ARC-Qwen-Video-7B是腾讯ARC实验室开发的用于理解现实世界短视频的多模态模型，基于Qwen2.5-VL-7B-Instruct构建，支持音视频同步分析和理解。

多模态Transformers

Qwen2.5-VL-7B-Instruct是阿里巴巴通义千问团队开发的多模态视觉语言模型，基于70亿参数规模，专门针对视觉问答任务进行优化训练。该模型能够理解和分析图像内容，并生成准确的自然语言回答。

多模态Safetensors英语

LLaVA-OneVision-1.5 是一系列完全开源的大型多模态模型，通过在原生分辨率图像上进行训练，以较低的成本实现了先进的性能。该模型在多个多模态基准测试中展现出卓越性能，超越了Qwen2.5-VL等竞争对手。

多模态Transformers

这是基于Qwen2.5-VL-7B-Instruct微调的FP8量化版本OCR模型，专门用于文档图像文本识别，支持高效的大规模文档处理。

多模态Transformers英语

Qwen2.5-VL-7B-IT-GGUF是一个强大的多模态模型，支持文本和图像到文本的生成任务，具备文本编码能力，并与多种工具兼容。

多模态Gguf

MedVLThinker-7B-RL_m23k是一个基于Qwen2.5-VL的医学视觉语言模型，拥有70亿参数，利用强化学习在Med23k数据集上进行训练，专门用于处理医学图像与文本的交互任务。

多模态Safetensors英语

Qwen2.5-VL-7B-Abliterated-Caption-it的量化版本，支持多语言图像描述任务。

多模态Transformers支持多种语言

这是一个基于Qwen2.5-VL-7B模型的静态量化版本，专注于图像描述生成任务，支持多种语言。

多模态Transformers支持多种语言

olmOCR-7B-0725-FP8是基于Qwen2.5-VL-7B-Instruct模型，使用olmOCR-mix-0225数据集微调后量化为FP8版本的文档OCR模型。

多模态Transformers英语

Qwen2.5-VL-7B-Meteorology的量化版本，适用于气象、气候等领域的图像文本处理任务，能在不同硬件条件下高效运行。

多模态Transformers英语

Qwen2.5-VL-7B-Meteorology 的量化版本，适用于气象相关的图像文本处理任务。

多模态Transformers英语

Qwen2.5-VL是基于图像文本到文本的多模态模型，在视觉理解、视频处理、结构化输出等方面有显著提升。

多模态Gguf英语

基于Qwen2.5架构的视觉问答模型，专注于越南语场景，支持对图像相关问题进行解答。

多模态Peft其他

Owlet Safety 1是基于Qwen2.5-VL-3B-Instruct微调的多标签安全事件检测模型，专门用于视频监控中的安全活动识别，能够同时检测多种安全相关事件如火灾、烟雾、摔倒、袭击等。

多模态Transformers

基于Qwen2.5-VL-3B-Instruct微调的视觉OCR模型，专注于文档级OCR、长上下文视觉语言理解和数学LaTeX格式转换

多模态Transformers英语