add model_recommandation.md

docs/tutorial/model_recommandation.md

@@ -0,0 +1,89 @@
+# 热门任务和推荐模型
+
+## 多模态理解
+
+#### **1. 视觉问答（Visual Question Answering, VQA）**  
+**任务描述**：基于图像或视频内容，回答自然语言问题，需同时理解视觉语义、空间关系及常识知识。核心挑战在于跨模态对齐精度和事实性推理能力，需避免生成与图像无关的"幻觉答案"。  
+**关注能力**：  
+- 细粒度视觉理解（物体属性、空间关系）  
+- 跨模态语义对齐（视觉特征与文本问题的关联）  
+- 常识与专业领域知识内化  
+
+**推荐模型**：  
+- [**Qwen2.5-VL**](../../paddlemix/examples/qwen2_5_vl/README.md)
+- [**LLaVA-OneVision**](../../paddlemix/examples/llava_onevision/README.md) 
+- [**InternVL2**](../../paddlemix/examples/internvl2/README.md)
+
+---
+
+#### **2. 文献和图表理解（Document and Diagrams Reading）**  
+**任务描述**：解析PDF/扫描文档、表格、科学图表等结构化数据，提取关键信息并执行推理。需处理复杂排版、手写体、数学符号等特殊元素。  
+**关注能力**：  
+- 任意分辨率文本识别（OCR）  
+- 表格结构重建与跨单元格推理  
+- 数学公式/化学式语义解析 
+
+**推荐模型**：  
+- [**PP-DocBee**](../../paddlemix/examples/ppdocbee/README.md)  
+- [**Qwen2.5-VL**](../../paddlemix/examples/qwen2_5_vl/README.md)
+- [**Aria**](../../paddlemix/examples/aria/README.md)
+
+---
+
+#### **3. 数学推理（Mathematical Reasoning）**  
+**任务描述**：结合文本、公式、图表等多模态信息解决数学问题，需执行符号运算、几何证明等复杂推理流程。  
+**关注能力**：  
+- 多模态条件解析（将图表数据转化为数学表达式）  
+- 分步逻辑链生成与验证  
+- 符号计算与数值精度控制  
+
+**推荐模型**：  
+- [**DeepSeek-VL2**](../../paddlemix/examples/deepseek_vl2/README.md)
+- [**Qwen2.5-VL**](../../paddlemix/examples/qwen2_5_vl/README.md)  
+
+---
+
+#### **4. 指示性目标检测（Referring Expression Comprehension）**  
+**任务描述**：根据自然语言指令定位并检测中图像/视频中的特定目标，返回box坐标，需理解抽象描述（如"左起第三个穿红衣服的人"）。  
+**关注能力**：  
+- 开放词汇实例分割  
+- 空间关系推理（方位词、序数词理解）  
+- 跨帧一致性保持
+
+**推荐模型**：  
+- [**Qwen2-VL**](../../paddlemix/examples/qwen2_vl/README.md) 
+- [**DeepSeek-VL2**](../../paddlemix/examples/deepseek_vl2/README.md) 
+
+---
+
+#### **5. 视频理解（Video Understanding）**  
+**任务描述**：解析长视频（数十分钟至数小时）中的时序事件、人物交互、场景变换，需捕捉时空动态特征。  
+
+**关注能力**：  
+- 动态分辨率帧采样  
+- 跨镜头事件关联  
+- 秒级时间戳定位  
+
+**推荐模型**：  
+- [**Qwen2.5-VL**](../../paddlemix/examples/qwen2_5_vl/README.md)
+- [**LLaVA-OneVision**](../../paddlemix/examples/llava_onevision/README.md) 
+- [**InternVL2**](../../paddlemix/examples/internvl2/README.md)
+
+
+---
+
+#### **6. 视觉Agent**  
+**任务描述**：构建可操作物理世界/数字界面的智能体，完成点击、拖拽等具体动作。  
+**关注能力**：  
+- 屏幕元素OCR与操作映射  
+- 多步骤任务规划  
+- 异常状态恢复  
+
+**推荐模型**：  
+- [**Qwen2.5-VL**](../../paddlemix/examples/qwen2_5_vl/README.md)  
+- [**LLaVA-OneVision**](../../paddlemix/examples/llava_onevision/README.md) 
+
+
+
+
+