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

基于InternViT-6B-448px-V1-5的增强版视觉模型

多模态大型语言模型，支持图像与文本的交互理解。

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

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

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。

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。

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。

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。

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

统一文本、音乐和动作生成模型

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，提升视觉和语言的综合理解能力

多模态大型语言模型，支持图像与文本的深度交互

多模态大型语言模型，融合视觉与语言理解。

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。

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。

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。

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。

下一代多模态智能模型

多模态原生混合专家模型

情感丰富的多模态语言模型

低延迟的实时语音交互API

WePOINTS项目，提供多模态模型的统一框架

先进的多模态大型语言模型