增强文本与视觉任务处理能力的开源模型。

多模态语言模型，融合文本和语音

几行代码接入大模型

InternVL3开源：7种尺寸覆盖文、图、视频处理，多模态能力扩展至工业图像分析

Janus-Pro-1B 是一个统一多模态理解和生成的自回归框架。

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。

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

轻量级语言模型编程库，将提示视为函数。

自然语言编程，快速构建AI应用，Wordware官网入口网址

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。

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。

情感丰富的多模态语言模型

多模态大型语言模型，融合视觉与语言理解。

多模态大语言模型，提升多模态推理能力

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。

大规模多模态推理与指令调优平台

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，优化图像与文本交互能力

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。

一款支持多模态功能的全功能大语言模型安卓应用。

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。

多模态语音大型语言模型

基于 DiT 的人类图像动画框架，实现精细控制与长效一致性。

VideoLLaMA3是前沿的多模态基础模型，专注于图像和视频理解。

先进的多模态大型语言模型

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

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

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

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

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。

LLMs 无需任何培训就能看见和听见

基于InternViT-6B-448px-V1-5的增强版视觉模型