多模态大型模型，处理文本、图像和视频数据

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。

Phi-4-multimodal-instruct 是微软开发的轻量级多模态基础模型，支持文本、图像和音频输入。

多模态大型语言模型，展示卓越的整体性能

基于孪生多模态扩散变换器的创意布局到图像生成技术

先进多模态大型语言模型系列

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。