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。

CUA 是一种能够通过图形界面与数字世界交互的通用接口。

LLMs 无需任何培训就能看见和听见

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。

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

低延迟、高质量的端到端语音交互模型

多模态语言模型，融合文本和语音

几行代码接入大模型

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。

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

先进的多模态大型语言模型

多模态大型语言模型，提升视觉和语言的综合理解能力

视觉语言模型，结合图像和文本信息进行智能处理。

多模态大型语言模型，支持图像与文本的交互理解。

多模态大语言模型，提升多模态推理能力

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

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

Gemini 2.5 是谷歌最智能的 AI 模型，具备推理能力。

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。

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。

一款支持多模态功能的全功能大语言模型安卓应用。

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。

一个用于智能设备等的多模态原生代理框架。

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。

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。