VideoLLaMA2 是一个面向图像、视频和文本交互的多模态应用示例。用户可以输入文字并上传图像或视频，再围绕媒体内容进行提问，适合用于内容理解、信息提取和自然语言分析等任务。

Image To Text 是一个基于图片和文字提示生成描述的公开应用，面向需要从图像中提取内容、补充上下文或进行定位式描述的任务。用户上传图片后输入提示词，即可围绕图像提出具体要求。

Moondream 是一个开源的轻量级视觉语言模型，由开发者 vikhyatk 推出，旨在提供高效、灵活的图像理解和文本生成能力。