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。

Janus-Pro-7B 是一个新型的自回归框架，统一多模态理解和生成。

现代Python数据框库，专为人工智能设计。

大规模多模态推理与指令调优平台

情感丰富的多模态语言模型

低延迟的实时语音交互API

124B参数的多模态大型语言模型

先进的多模态大型语言模型系列

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，展示卓越的整体性能

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，提升视觉与语言的交互能力。

多模态大型语言模型，支持图像与文本的深度交互

多模态大语言模型，提升多模态推理能力

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

DeepSeek 是一款先进的 AI 语言模型，擅长逻辑推理、数学和编程任务，提供免费使用。

Phi-4-multimodal-instruct 是微软开发的轻量级多模态基础模型，支持文本、图像和音频输入。

Gemini 2.0 Flash-Lite 是高效的语言模型，专为长文本处理和多种应用场景优化。

CLaMP 3 是一个用于跨模态和跨语言音乐信息检索的统一框架。

一款支持多模态功能的全功能大语言模型安卓应用。

CUA 是一种能够通过图形界面与数字世界交互的通用接口。

Kimi k1.5 是一个通过强化学习扩展的多模态语言模型，专注于提升推理和逻辑能力。

VideoLLaMA3是前沿的多模态基础模型，专注于图像和视频理解。

Janus-Pro-1B 是一个统一多模态理解和生成的自回归框架。

LLMs 无需任何培训就能看见和听见

一个用于智能设备等的多模态原生代理框架。

SmolVLM-500M 是一个轻量级多模态模型，能够处理图像和文本输入并生成文本输出。

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。

一个强大的工具，它通过引入图像提示来增强文本到图像扩散模型的能力。它的设计轻量且高效，易于部署和使用，同时支持广泛的应用场景，包括图像生成、转换和修复。通过解耦的交叉注意力机制，IP-Adapter能够更好地理解和利用图像信息，从而生成更准确、更丰富的图像内容，IP-Adapter官网入口网址