#UForm-Gen2-dpo

UForm-Gen2-dpo是一个经过直接偏好优化(DPO)训练的视觉语言模型，专门用于图像描述和视觉问答。该模型结合了CLIP式ViT-H/14视觉编码器和Qwen1.5-0.5B-Chat语言模型，能够生成准确的图像描述、回答图像相关问题，并支持多模态对话。在MME基准测试中，UForm-Gen2-dpo在感知、推理、OCR等多个图像理解任务上展现出优秀性能，为视觉语言处理提供了高效可靠的解决方案。