多模态大型模型，处理文本、图像和视频数据

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

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

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。

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。

Qwen2-VL-7B是最新的视觉语言模型，支持多模态理解和文本生成。

先进的多模态大型语言模型，具备卓越的多模态推理能力。

增强文本与视觉任务处理能力的开源模型。

一款支持多模态功能的全功能大语言模型安卓应用。

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。

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

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。

大规模多模态推理与指令调优平台

下一代多模态智能模型

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

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。

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

基于 DiT 的人类图像动画框架，实现精细控制与长效一致性。

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。

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。

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。

VideoLLaMA3是前沿的多模态基础模型，专注于图像和视频理解。