标签:多模态模型

原生多模态(图、音、视频统一输入输出)模型收录,区别于给文本模型外挂视觉接口的做法。

Muse Spark Open – Meta 开源的原生多模态智能体与编码模型

Muse Spark Open是一款由Meta Superintelligence Labs于2026年10月推出的原生多模态开源权重模型,主要用于长程编码与智能体任务,支持文本、图像、视频与音...

Xiaomi MiMo-V2.6 – 小米开源的原生全模态模型系列

Xiaomi MiMo-V2.6是小米 MiMo 团队于2026年9月推出的原生全模态开源模型系列,主要用于长程智能体任务与全模态理解,支持 100 万 token 上下文与文本、图像、...

SenseNova U1.5-8B-MoT – 商汤科技开源的原生统一多模态大模型

SenseNova U1.5-8B-MoT是商汤科技开源的原生统一多模态大模型正式版,基于NEO-unify架构,无视觉编码器与VAE,原生MoT设计,于2026年8月20日发布并采用Apache...

DeepSeek-V4-Flash-Vision-Exp – DeepSeek推出的视觉多模态体验模型

⚠️ 状态提示:DeepSeek-V4-Flash-Vision-Exp 已于 2026-09-10 下线,API 名 deepseek-v4-flash-vision-exp 暂时路由至 V4.1 Flash;新项目请直接使用 deepsee...

Mage – 微软开源的4B参数全模态模型家族

Mage是一款由微软开源的4B参数多模态模型家族,主要用于图像生成编辑与流式视频理解,支持原生分辨率文生图、指令式图像编辑与实时视频分析,适用于边缘设备...

SenseNova U1 Pro – 商汤科技推出的原生多模态智能体设计模型

SenseNova U1 Pro是商汤科技推出的原生多模态AI模型,支持图像生成、智能设计、信息图制作和复杂视觉任务处理。本文介绍SenseNova U1 Pro功能特点、技术架构...

Gemini 3.5 Flash-Lite – 谷歌推出的轻量化多模态模型

Gemini 3.5 Flash-Lite是谷歌推出的轻量化多模态AI模型,支持文本、图片、音频、视频理解及API调用,具备低延迟、高吞吐和长上下文处理能力,适用于智能体、...

Keye-VL-2.0-30B-A3B – 快手推出的长视频多模态理解模型

Keye-VL-2.0-30B-A3B 是快手 Keye 团队发布的多模态大语言模型,支持 256K 超长上下文、视频理解、时序定位与 Agent 协作能力,可用于长视频分析、AI视频理解...

Confucius4 – 网易有道开源的中文数学推理多模态模型

Confucius4是网易有道推出的开源多模态数学推理模型(子曰4),支持图文数学题解析、AI自动解题与逻辑推理生成,适用于数学教育、竞赛训练与科研公式分析场景...

Mamoda2.5 – 字节跳动推出的统一多模态视频生成模型

Mamoda2.5是字节跳动Mamoda Team推出的统一多模态AI模型,支持文生视频、视频编辑、图像生成与多模态理解。模型采用DiT-MoE架构与少步蒸馏技术,适用于AI短视...
1 2 3