一款由XTuner优化的LLaVA模型，结合了图像和文本处理能力。llava-llama-3-8b-v1_1官网入口网址

先进的文本到图像生成系统，Stable Diffusion 3 API官网入口网址

多模态知识图谱补全工具，MyGO官网入口网址

GPT-4是一种强大的生成式人工智能模型，具有多模态学习功能，可以处理文本、图像和声音等多种输入形式，适用于自然语言处理、图像处理和声音处理等多个应用场景，GPT-4 Demo官网入口网址

先进文本生成图像模型，Stable Diffusion 3 免费在线官网入口网址

基于llama3 8B的SOTA视觉模型，llama3v官网入口网址

大型视频语言模型，提供视觉问答和视频字幕生成。VideoLLaMA2-7B-Base官网入口网址

表情包视觉标注数据集，emo-visual-data官网入口网址

数学视觉指令调优模型，MAVIS官网入口网址

最新多模态检查点，提升语音理解能力。Llama3-s v0.2官网入口网址

先进的大型混合专家视觉语言模型

视频理解与推理的免训练大型语言模型。SlowFast-LLaVA官网入口网址

视频指令调优与合成数据研究

视频序列理解的GPU实现模型

MMAudio根据视频和/或文本输入生成同步音频。

视觉语言模型增强工具，结合生成式视觉编码器和深度广度融合技术。

基于InternViT-300M-448px的增强版本，提升视觉特征提取能力。