白虎-v2

白虎-v2 是一款多模态大语言模型，支持文本、图像、音频与视频输入，适用于中文场景下的多模态理解与生成任务。

模型简介

• 模型名称: 白虎-v2
• 上下文长度: 131,072 tokens
• 词表大小: 262,144
• 数据类型: float16
• 支持模态: 文本 / 图像 / 音频 / 视频

仓库文件说明

推荐搭配使用：BaiHu-v2.Q4_K_M.gguf + BaiHu-v2.F16-mmproj.gguf

模型能力

• 中文多轮对话
• 图像描述与视觉问答
• 音频内容理解
• 视频内容理解
• 工具调用

使用方法

使用 llama.cpp / Ollama 推理

参考仓库中的 Modelfile 创建 Ollama 模型：

ollama create BaiHu-v2 -f Modelfile
ollama run BaiHu-v2

使用 llama.cpp 命令行

./llama-cli \
  -m BaiHu-v2.Q4_K_M.gguf \
  --mmproj BaiHu-v2.F16-mmproj.gguf \
  --image example.jpg \
  -p "请描述这张图片："

使用 transformers（完整模型）

完整 PyTorch/Safetensors 版本请参考配套仓库。本仓库仅提供 GGUF 量化版本。

模型配置

• 文本模型: 35 层，隐藏维度 1536，8 头注意力
• 视觉编码器: 16 层，隐藏维度 768，图像 token 数 280
• 音频编码器: 12 层，隐藏维度 1024
• 视频: 支持 32 帧采样，每帧最大 70 个 soft token

训练信息

• 训练框架: Unsloth
• Unsloth 版本: 2026.6.8
• 优化目标: 在保持多模态能力的同时，提升中文指令跟随与对话质量

免责声明

本模型生成的内容可能受训练数据影响。请勿将模型输出作为专业建议（医疗、法律、金融等）使用。模型可能存在幻觉、偏见或不准确信息，请谨慎使用并自行验证。

授权协议

本模型采用 MIT 协议 开源。使用本模型前请仔细阅读并遵守 MIT 许可协议条款。

致谢

• Unsloth
• llama.cpp