大规模多模态医学数据集，MedTrinity-25M官网入口网址

多模态自回归模型，擅长文本生成图像，Lumina-mGPT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

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。

一款支持多模态功能的全功能大语言模型安卓应用。

Janus-Pro-1B 是一个统一多模态理解和生成的自回归框架。

一个用于信息检索和生成的灵活高性能框架

先进的多模态大型语言模型系列

基于InternViT-6B-448px-V1-5的增强版视觉模型

多模态12B参数模型，结合视觉编码器处理图像和文本。

多模态大语言模型，提升多模态推理能力

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

SmolVLM2 是一个专注于视频内容分析和生成的轻量化语言模型。

UniTok是一个用于视觉生成和理解的统一视觉分词器。

Magma-8B 是微软推出的一款多模态 AI 模型，能够处理图像和文本输入并生成文本输出。

Gemini 2.0 是谷歌推出的最新一代生成式 AI 模型，包含 Flash、Flash-Lite 和 Pro 版本。

SmolVLM-256M 是世界上最小的多模态模型，可高效处理图像和文本输入并生成文本输出。

大规模多模态推理与指令调优平台

多模态大型模型，处理文本、图像和视频数据

多模态原生Mixture-of-Experts模型

多模态大型语言模型，支持图像与文本的交互理解。

多模态大型语言模型，融合视觉与语言理解。

先进的多模态大型语言模型，具备卓越的多模态推理能力。

SEED-Story是一款多模态长篇故事生成工具，结合文本和图像生成丰富连贯的故事，适用于故事创作和内容生成，SEED-Story官网入口网址

增强文本与视觉任务处理能力的开源模型。

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。

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。

LLMs 无需任何培训就能看见和听见

多模态大型语言模型的优化与分析

多模态原生混合专家模型

统一文本、音乐和动作生成模型

124B参数的多模态大型语言模型