为了实现真正的All in Local！ 我将Llava视觉大模型、QWen2.5-VL多模态大模型，以及STT和TTS模型全部部署在本地计算机上，打造了一个完全离线的机器人视觉交互系统。 机器人通过摄像头感知周围环境，LLaVA和QWen2.5-VL进行视觉分析，STT进行语音识别，TTS进行语音播报，整个过程完全在本地完成。