视觉语言模型的最新进展

多模态大型语言模型，优化图像与文本交互能力

一个强大的统一多模态模型，支持文本到图像生成及图像编辑。

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。

先进的多模态大型语言模型

多模态原生Mixture-of-Experts模型

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

用于多模态上下文中的检索增强生成的基准测试代码库。

LLMs 无需任何培训就能看见和听见

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。

定制化漫画生成模型，连接多模态LLMs和扩散模型。

多模态大型语言模型，融合视觉与语言理解。

多模态驱动的定制视频生成架构。

一个用于智能设备等的多模态原生代理框架。

多模态大型语言模型的优化与分析

多模态原生混合专家模型

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，支持图像和文本理解

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

Kimi k1.5 是一个通过强化学习扩展的多模态语言模型，专注于提升推理和逻辑能力。

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。

低延迟的实时语音交互API

现代Python数据框库，专为人工智能设计。

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

低延迟、高质量的端到端语音交互模型

统一文本、音乐和动作生成模型

WePOINTS项目，提供多模态模型的统一框架

大规模多模态医学数据集，MedTrinity-25M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

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。

基于孪生多模态扩散变换器的创意布局到图像生成技术

视觉语言模型的最新进展，集成微信AI的新技术