英伟达发布全模态理解模型OmniVinci，在基准测试中比顶尖模型高出19.05分，仅用1/6训练数据就实现卓越性能。该模型旨在让AI系统同时理解视觉、音频和文本，模拟人类多感官感知世界。
FigureAI发布第三代通用人形机器人Figure03，通过软硬件全面升级，配备新型感知系统与手部设计，可无缝对接Helix人工智能系统。其视觉系统具备高帧率与广视野，能在复杂环境中执行人类日常任务并实现自主学习，面向家庭和商业场景提供智能解决方案。
阿里国际开源新一代多模态大模型Ovis2.5，专注于原生分辨率视觉感知、深度推理和高性价比场景设计。该模型在OpenCompass评测中综合得分显著提升，保持同类开源模型SOTA水平，并推出两个不同参数规模版本。
阿里国际数字贸易集团AI团队发布多模态大语言模型Ovis2.5，提供9B和2B两种参数规模。该模型定位经济型视觉推理解决方案，具备原生分辨率感知能力，采用NaViT视觉编码器保留图像细节和全局结构，确保高质量视觉处理。
下一代原生GUI代理模型，能够无缝与图形用户界面交互。
先进多模态大型语言模型系列
零样本视觉跟踪模型，具有运动感知记忆。
自主多模移动设备代理
unsloth
Qwen3-VL是通义系列中最强大的视觉语言模型，具备卓越的文本理解与生成能力、深入的视觉感知与推理能力、长上下文支持、强大的空间和视频动态理解能力以及出色的智能体交互能力。
Qwen3-VL-32B-Thinking是Qwen系列中最强大的视觉语言模型，具备卓越的文本理解与生成能力、深入的视觉感知与推理能力、长上下文处理、空间和视频动态理解能力，以及出色的智能体交互能力。
Qwen3-VL-8B-Thinking是通义千问系列中最强大的视觉语言模型，具备卓越的文本理解与生成能力、深入的视觉感知与推理能力、长上下文支持、强大的空间和视频动态理解能力，以及出色的智能体交互能力。
Qwen3-VL是通义系列中最强大的视觉语言模型，在文本理解与生成、视觉感知与推理、上下文长度、空间和视频动态理解以及智能体交互能力等方面全面升级。该模型提供密集架构和混合专家架构，支持从边缘设备到云端的灵活部署。
Qwen3-VL是Qwen系列中最强大的视觉语言模型，实现了全方位的综合升级，包括卓越的文本理解与生成能力、更深入的视觉感知与推理能力、更长的上下文长度、增强的空间和视频动态理解能力，以及更强的智能体交互能力。
Qwen3-VL是Qwen系列中最强大的视觉语言模型，具备卓越的文本理解与生成能力、深入的视觉感知与推理能力、长上下文支持、强大的空间和视频动态理解能力，以及出色的智能体交互能力。该版本为2B参数的思考增强版，专门优化了推理能力。
Qwen
Qwen3-VL是通义系列最强大的视觉语言模型，采用混合专家模型架构（MoE），提供GGUF格式权重，支持在CPU、GPU等设备上进行高效推理。模型在文本理解、视觉感知、空间理解、视频处理等方面全面升级。
Qwen3-VL-30B-A3B-Instruct是通义系列中最强大的视觉语言模型，采用混合专家模型架构，具备出色的文本理解与生成能力、深入的视觉感知与推理能力，支持256K长上下文和视频理解，可在多种设备上进行推理。
Qwen3-VL-2B-Thinking是Qwen系列中最强大的视觉语言模型之一，采用GGUF格式权重，支持在CPU、NVIDIA GPU、Apple Silicon等设备上进行高效推理。该模型具备出色的多模态理解和推理能力，特别增强了视觉感知、空间理解和智能体交互功能。
Qwen3-VL-8B-Thinking是通义千问系列中最强大的视觉语言模型，具备增强推理能力的8B参数版本。该模型在文本理解、视觉感知、空间理解、长上下文处理等方面全面升级，支持多模态推理和智能体交互。
Qwen3-VL是通义系列中最强大的视觉语言模型，具备出色的文本理解和生成能力、深入的视觉感知和推理能力、长上下文支持、强大的空间和视频动态理解能力，以及智能体交互能力。本仓库提供GGUF格式权重，支持在CPU、GPU等设备上高效推理。
Qwen3-VL-32B-Instruct是通义系列中最强大的视觉语言模型，具备出色的文本理解与生成能力、深入的视觉感知与推理能力、长上下文支持、强大的空间和视频动态理解能力，以及智能体交互能力。
Qwen3-VL-8B-Instruct是通义系列中最强大的视觉语言模型，具备卓越的文本理解和生成能力、深入的视觉感知和推理能力、长上下文支持以及强大的空间和视频动态理解能力。
Qwen3-VL-4B-Instruct是通义系列最强大的视觉语言模型之一，在文本理解、视觉感知、空间理解、视频处理等方面全面升级，支持在多种硬件设备上运行，具备卓越的多模态推理能力。
Qwen3-VL-32B-Thinking是Qwen系列中最强大的视觉语言模型，具备卓越的文本理解与生成能力、深入的视觉感知与推理能力、长上下文支持、强大的空间和视频动态理解能力，以及出色的智能体交互能力。
Qwen3-VL是通义系列中最强大的视觉语言模型，具备卓越的文本理解与生成能力、深入的视觉感知与推理能力、长上下文支持、强大的空间和视频动态理解能力，以及出色的智能体交互能力。
Qwen3-VL是迄今为止Qwen系列中最强大的视觉语言模型，在文本理解与生成、视觉感知与推理、上下文长度、空间和视频动态理解以及智能体交互能力等方面都进行了全面升级。该模型采用混合专家（MoE）架构，提供卓越的多模态处理能力。
Qwen3-VL是通义大模型系列中最强大的视觉语言模型，具备卓越的文本理解与生成能力、深入的视觉感知与推理能力、长上下文支持、强大的空间和视频动态理解能力以及出色的智能体交互能力。该模型采用混合专家（MoE）架构，是增强推理的思维版。
Qwen3-VL是Qwen系列中最强大的视觉语言模型，具备卓越的文本理解与生成能力、深入的视觉感知与推理能力、长上下文支持、强大的空间和视频动态理解能力，以及出色的智能体交互能力。
Qwen3-VL是通义系列中最强大的视觉语言模型，在文本理解与生成、视觉感知与推理、上下文长度、空间和视频动态理解以及智能体交互能力等方面都进行了全面升级。该模型提供密集架构和混合专家架构，支持从边缘设备到云端的灵活部署。
Unsplash智能MCP服务器是为AI代理设计的专业图库集成方案，提供智能搜索、自动归因和项目感知的图片管理功能，简化开发者的视觉内容获取流程。
OmniMCP是一个通过Model Context Protocol (MCP)和OmniParser为AI模型提供丰富UI上下文和交互能力的项目，支持视觉感知、LLM规划、动作执行等功能，实现用户界面的深度理解和精准交互。
Transformers%20--%3e%3cdefs%3e%3cstyle%3e%20.st0%20{%20fill:%20%23061b40;%20}%20.st1%20{%20fill:%20%23306af1;%20}%20.st2%20{%20fill:%20%235ce5cf;%20}%20%3c/style%3e%3c/defs%3e%3cg%3e%3cpath%20class='st0'%20d='M55,10.5h9v3h-9v9h12V7.5h-12v3ZM64,19.5h-6v-3h6v3Z'/%3e%3cpolygon%20class='st0'%20points='69%2016.5%2078%2016.5%2078%2019.5%2069%2019.5%2069%2022.5%2081%2022.5%2081%2013.5%2072%2013.5%2072%2010.5%2081%2010.5%2081%207.5%2069%207.5%2069%2016.5'/%3e%3cpolygon%20class='st0'%20points='95%2010.5%2095%207.5%2083%207.5%2083%2022.5%2095%2022.5%2095%2019.5%2086%2019.5%2086%2016.5%2095%2016.5%2095%2013.5%2086%2013.5%2086%2010.5%2095%2010.5'/%3e%3cpath%20class='st0'%20d='M40,1.5v21h11.6l1.4-1.4v-7.6h0c0,0-1.4-1.5-1.4-1.5l1.4-1.4V2.9l-1.4-1.4h-11.6ZM50,19.5h-7v-6h7v6ZM50,10.5h-7v-6h7v6Z'/%3e%3c/g%3e%3cpath%20class='st1'%20d='M23.1,24L14.7,4.8l-4.9,11.2h3.8l-1.8,4H3.3L12.1,0H2C.9,0,0,.9,0,2v20c0,1.1.9,2,2,2h21.1Z'/%3e%3cpath%20class='st2'%20d='M34,0h-16.8l10.6,24h6.2c1.1,0,2-.9,2-2V2C36,.9,35.1,0,34,0ZM32.5,20h-4V4h4v16Z'/%3e%3c/svg%3e)
