火山引擎发布豆包语音识别模型2.0，显著提升推理能力，支持多语言和视觉信息识别。模型基于20亿参数音频编码器，优化复杂场景，提升专有名词、人名、地名及多音字的识别准确性。
商汤科技与南洋理工大学S-Lab联合发布开源多模态模型NEO，通过架构创新实现视觉语言深层统一。该模型仅需3.9亿图像文本数据（为同类模型1/10），即可达到顶尖视觉感知性能，无需海量数据或额外视觉编码器，在效率与通用性上取得突破。
腾讯发布1B参数开源模型HunyuanOCR，基于混元多模态架构，在OCR应用中达到SOTA水平。模型采用端到端设计，一次推理即可获得最优结果，包含原生分辨率视频编码器、自适应视觉适配和轻量化混元语言三大核心组件。
腾讯混元开源10亿参数OCR模型HunyuanOCR，采用端到端设计，集成视频编码器、视觉适配器和轻量化语言模型，在多项榜单获SOTA成绩，以体积小、部署便捷为核心优势，提供高效OCR解决方案。
SigLIP2 是谷歌推出的一种多语言视觉语言编码器，用于零样本图像分类。
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。
多模态12B参数模型，结合视觉编码器处理图像和文本。
编码器自由的视觉-语言模型，高效且数据驱动。
Openai
$2.8
Input tokens/M
$11.2
Output tokens/M
1k
Context Length
Google
$0.49
$2.1
Xai
$1.4
$3.5
2k
Anthropic
$105
$525
200
$0.7
$7
$35
$17.5
$21
Alibaba
$1
$10
256
$2
$20
-
$8
$240
52
Bytedance
$1.2
$3.6
4
$3.9
$15.2
64
$0.8
NewBie-AI
NewBie image Exp0.1 是一个基于 Next-DiT 架构开发的高效图像生成基础模型，专门用于生成高质量的动漫风格图像。它融合了先进的文本编码器和视觉组件，支持自然语言和结构化标签输入，是多角色动漫图像生成的强大工具。
sbintuitions
Sarashina2.2-Vision-3B是由SB Intuitions训练的日本大型视觉语言模型，基于Sarashina2.2-3B-Instruct和SigLIP图像编码器构建，具备强大的图像到文本转换能力，支持日语和英语的多模态处理。
ModernVBERT
ColModernVBERT是ModernVBERT的后期交互版本，专门针对视觉文档检索任务进行了微调，是该任务上性能最佳的模型。它是一个参数为2.5亿的紧凑型视觉-语言编码器，在视觉文档基准测试中达到了近乎参数大10倍模型的性能，同时在CPU上具有可观的推理速度。
timm
这是一个基于DINOv3架构的Vision Transformer图像特征编码器，通过从7B参数的DINOv3 ViT模型在LVD-1689M数据集上进行知识蒸馏得到。该模型专门用于图像特征提取任务，具有强大的视觉表示能力。
apple
FastVLM是一种高效的视觉语言模型视觉编码方案，通过创新的FastViTHD混合视觉编码器显著减少高分辨率图像的编码时间，提升模型性能和响应速度，在多个视觉语言理解基准测试中表现优异。
FastVLM是一种高效的视觉语言模型，通过创新的混合视觉编码器FastViTHD显著减少高分辨率图像的编码时间，提升模型性能。该模型在多个视觉问答和文档理解基准测试中表现出色，同时大幅降低首词生成时间。
FastVLM是一种专为视觉语言模型设计的高效视觉编码方案，通过创新的混合视觉编码器FastViTHD显著减少高分辨率图像的编码时间，提升模型响应速度和性能表现。该模型在多个视觉问答和文档理解基准测试中表现出色。
XiaomiMiMo
MiMo-VL是一款紧凑且强大的视觉语言模型，结合了原生分辨率ViT编码器、MLP投影器和MiMo-7B语言模型，在多模态推理等任务中表现出色。该模型在多个基准测试中表现优异，具备思维控制功能，用户体验显著提升。
MiMo-VL是一款紧凑且强大的视觉语言模型，结合了原生分辨率ViT编码器、MLP投影仪和专为复杂推理任务优化的MiMo-7B语言模型。通过多阶段预训练和后训练，在多个视觉语言任务中取得了优异的成绩。
birder-project
这是一个基于Bolya等人的PE-Core模型的ViT-L14图像编码器，已转换为Birder格式用于图像特征提取。该模型保留了原始权重和架构，但移除了CLIP投影层以输出原始图像嵌入，是一个通用的视觉骨干网络，适用于图像分类和检测任务。
deepseek-community
DeepSeek-VL 是一个开源的视觉语言模型，能够同时处理文本和图像，生成上下文相关的响应。该模型采用混合编码架构，结合LLaMA文本编码器和SigLip/SAM视觉编码器，支持高分辨率图像处理，在真实世界应用中表现出色。
DeepSeek-VL是由DeepSeek AI团队开发的开源视觉语言模型，能够同时处理文本和图像信息，生成上下文相关的回复。该模型采用混合视觉编码器，支持高分辨率图像处理，在真实世界的视觉语言理解应用中表现出色。
prithivMLmods
这是一个基于SigLIP2架构微调的视觉语言编码器模型，专门用于牙齿异常和病症的多类别图像分类。模型能够检测牙结石、龋齿、牙龈炎、口腔溃疡、牙齿变色和牙缺失等六种常见牙齿问题。
ngxson
基于Mistral Small模型的视觉编码器，支持图像文本生成任务，适配llama.cpp框架
基于SigLIP2微调的视觉-语言编码器模型，用于检测图像是否为伪造或真实
UCSC-VLAA
OpenVision是一个全开放、高性价比的先进视觉编码器家族，专注于多模态学习。
OpenVision 是一个全开放、高性价比的先进视觉编码器家族，专为多模态学习设计。
OpenVision是一个完全开放、经济高效的高级视觉编码器家族，用于多模态学习。
OpenVision是一个完全开源、高性价比的先进视觉编码器家族，专为多模态学习设计，性能匹配甚至超越OpenAI CLIP。
SafetensorsEnglish%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)
