📁 开源多模态模型工具 （12 个工具）

AI2 开源的开创性视觉语言模型，强调真实世界指向理解。

开源任意到任意多模态大模型，统一处理文本/图像/音频/视频。

深度求索开源的统一多模态理解与生成模型。

Meta 在 Llama 3.2 中推出的视觉版本，支持图像推理。

HuggingFace 开源的图文模型，可遵循指令完成多模态任务。

深度求索开源的视觉语言模型，兼顾通用与对话。

轻量视觉语言模型，用单投影层对齐视觉与 LLM。

智谱开源的视觉语言模型，保持语言能力强的同时理解图像。

上海AI实验室开源的通用视觉大模型系列，性能对标商用。

Qwen-VL 升级版，支持动态分辨率与长视频理解。

通义千问开源的视觉语言模型，支持图文对话与定位。

开源视觉语言模型，将视觉编码器与 LLM 对齐实现图文理解。