VideoLLaMA3是前沿的多模态基础模型，专注于图像和视频理解。

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。

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。

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

多模态大型模型，处理文本、图像和视频数据

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，提升视觉与语言的交互能力。

基于Llama-3-8B的多模态大型语言模型，专注于UI任务。

多模态大型语言模型，支持图像和文本理解

视觉语言模型的最新进展

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

自然语言编程，快速构建AI应用，Wordware官网入口网址

CLaMP 3 是一个用于跨模态和跨语言音乐信息检索的统一框架。

多模态语言模型，融合文本和语音

多模态12B参数模型，结合视觉编码器处理图像和文本。

国产化大模型，支持多模态，快速低成本智能化转型。

基于文本生成图像的多模态扩散变换器模型

Qwen2-VL-7B是最新的视觉语言模型，支持多模态理解和文本生成。

先进多模态大型语言模型系列

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

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

多模态驱动的定制视频生成架构。

BAGEL是一款开源的统一多模态模型，您可以在任何地方进行微调、精简和部署。

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

基于 DiT 的人类图像动画框架，实现精细控制与长效一致性。

SmolVLM-500M 是一个轻量级多模态模型，能够处理图像和文本输入并生成文本输出。

现代Python数据框库，专为人工智能设计。