多模态原生Mixture-of-Experts模型

增强文本与视觉任务处理能力的开源模型。

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。

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

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。

Janus-Pro-7B 是一个新型的自回归框架，统一多模态理解和生成。

统一文本、音乐和动作生成模型

基于InternViT-6B-448px-V1-5的增强版视觉模型

定制化漫画生成模型，连接多模态LLMs和扩散模型。

视觉语言模型的最新进展，集成微信AI的新技术

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，支持图像与文本的深度交互

多模态大型语言模型，融合视觉与语言理解。

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。

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

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。

用于多模态上下文中的检索增强生成的基准测试代码库。

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。

MedRAX是一个用于胸部X光片解读的医疗推理AI代理，整合多种分析工具，无需额外训练即可处理复杂医疗查询。

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。

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。

一个用于智能设备等的多模态原生代理框架。

MiniCPM-o 2.6是一个强大的多模态大型语言模型，适用于视觉、语音和多模态直播。

InternVL2.5-MPO系列模型，基于InternVL2.5和混合偏好优化，展现卓越性能。

多模态大型语言模型的优化与分析

下一代多模态智能模型

先进的多模态大型语言模型

多模态大型模型，处理文本、图像和视频数据

多模态大型语言模型，提升视觉和语言的综合理解能力