全部工具 （12 个工具）

艾伦人工智能研究所开源的开放多模态模型，以完全开放的数据集与训练流程著称，提供媲美GPT-4V的视觉理解能力。

开源任意模态到任意模态的通用多模态模型，支持文本/图像/视频/音频跨模态生成与理解。

DeepSeek开源的自回归多模态模型，统一理解与生成任务，支持图文对话、图像理解，创新解码架构。

Meta开源的多模态视觉模型，将Llama 3语言能力与视觉编码结合，支持图像理解与图文对话。

HuggingFace开源的开放多模态模型，基于Flamingo架构，支持图文对话与多图像理解。

深度求索开源的视觉语言大模型，采用创新MoE架构，在中文与英文视觉理解任务上表现出色，开源权重可商用。

视觉语言助手开源项目，仅需一个线性投影层即可将冻结的视觉编码器与LLM对齐，实现图文对话、图片描述等能力。

智谱AI开源的多模态视觉语言模型，深度对齐视觉与语言特征，图文理解与视觉定位能力强。

上海AI实验室开源的多模态视觉语言模型，视觉编码器性能领先，支持高分辨率图文理解。

通义千问2代多模态视觉语言模型，在图像/视频/多语言理解上全面升级，支持超高分辨率与视频理解，开源旗舰级视觉模型。

阿里通义千问开源的多模态视觉语言模型，支持图片理解、视觉问答、OCR识别与图文对话，与Qwen语言模型无缝衔接。

开源视觉指令微调多模态模型，将视觉编码器与LLM结合，支持图文对话，多模态研究基石。