多模态语言模型，融合文本和语音

基于文本生成图像的多模态扩散变换器模型

基于Llama-3-8B的多模态大型语言模型，专注于UI任务。

多模态原生Mixture-of-Experts模型

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

多模态自回归模型，擅长文本生成图像，Lumina-mGPT官网入口网址

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。

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

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。

低延迟、高质量的端到端语音交互模型

124B参数的多模态大型语言模型

WePOINTS项目，提供多模态模型的统一框架

多模态大型语言模型，提升视觉与语言的交互能力。

基于 DiT 的人类图像动画框架，实现精细控制与长效一致性。

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。

低延迟的实时语音交互API

先进的多模态大型语言模型

多模态大型语言模型，展示卓越的整体性能。

多模态大型语言模型，支持图像和文本理解

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

OneReach是一个用于创建高级多模态AI代理的平台，旨在提升员工和客户体验。

多模态驱动的定制视频生成架构。

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

多模态语音大型语言模型

视觉语言模型的最新进展

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

基于孪生多模态扩散变换器的创意布局到图像生成技术