Google 一款轻量级、高效能的AI模型，专为大规模高频任务设计。Gemini 1.5 Flash官网入口网址

Falcon 2 是一款开源、多语言、多模态的模型，具备图像到文本转换能力。Falcon 2官网入口网址

革命性AI技术，多模态智能互动，GPT4o.so官网入口网址

大型视频语言模型，用于视觉问答和视频字幕生成。VideoLLaMA2-7B-16F-Base官网入口网址

微软轻量级、先进的多模态模型，专注于文本和视觉的高质量推理密集数据。Phi-3-vision-128k-instruct官网入口网址

开源多模态预训练模型，具备中英双语对话能力。GLM-4V-9B官网入口网址

专为内容创作者设计的AI内容搜索引擎，Qmedia官网入口网址

大型视频-语言模型，提供视觉问答和视频字幕生成。VideoLLaMA2-7B官网入口网址

大型多模态模型，处理多图像、视频和3D数据。LLaVA-NeXT官网入口网址

统一的代码库，用于微调大型多模态模型，lmms-finetune官网入口网址

先进的多模态大型语言模型，具备卓越的多模态推理能力。

SiliconFlow（硅基流动）是生成式AI计算基础设施平台。SiliconFlow提供包括SiliconLLM大模型推理引擎、OneDiff高性能文生图/视频加速库，及SiliconCloud模型云服务平台等产品，降低AI模型部署和推理成本，提升用户体验。

先进的多模态模型，支持图像和文本理解。Phi-3.5-vision官网入口网址

大规模多模态医学数据集，MedTrinity-25M官网入口网址

Gemini Pro 是 Google DeepMind 推出的高性能 AI 模型，专注于复杂任务处理和编程性能。

VideoRAG 是一个用于处理极长上下文视频的检索增强型生成框架。

Doubao-1.5-pro 是一个高性能的稀疏 MoE 大语言模型，专注于推理性能与模型能力的极致平衡。

OmniHuman-1 是一种基于单张人像和运动信号生成人类视频的多模态框架。

Qwen2.5-VL 是一款强大的视觉语言模型，能够理解图像和视频内容并生成相应文本。

Gemini 2.0 Flash Thinking Experimental 是一款增强推理模型，能够展示其思考过程以提升性能和可解释性。

多模态语言模型，融合文本和语音

先进的多模态图像生成模型，结合文本提示和视觉参考生成高质量图像。

多模态大型语言模型，展示卓越的整体性能。

多模态大型语言模型，优化图像与文本交互能力

多语言多模态嵌入模型，用于文本和图像检索。jina-clip-v2官网入口网址

高性能多模态语言模型，适用于图像和视频理解。MiniCPM-V 2.6官网入口网址

自然语言编程，快速构建AI应用，Wordware官网入口网址

MMTryon是一款多模态多参考虚拟试衣框架，能够生成高质量的组合试穿结果，支持多种试穿物品和穿衣风格定制，MMTryon官网入口网址

TheoremExplainAgent 是一个用于生成多模态定理解释视频的智能系统。

Migician 是一个专注于多图像定位的多模态大语言模型，能够实现自由形式的多图像精确定位。

UniTok是一个用于视觉生成和理解的统一视觉分词器。

EgoLife是一个长期、多模态、多视角的日常生活AI助手项目，旨在推进长期上下文理解研究。