视觉语言模型的最新进展

多模态大型模型，处理文本、图像和视频数据

开源多模态大型语言模型，支持实时语音输入和流式音频输出。Mini-Omni官网入口网址

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

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。

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