AWS在re:Invent2025大会上推出四款自研“Nova2”系列大模型，覆盖文本、图像、视频、语音多模态场景，并首次内置网页检索与代码执行能力，宣称在价格性能比上达到业界领先。其中，Nova2 Lite定位高性价比推理，在多项基准测试中表现优于Claude Haiku4.5和GPT-5Mini，成本仅为后者约50%；Nova2 Pro则面向复杂Agent任务。
谷歌推出NotebookLM图像识别功能，支持上传板书、教材或表格图片，自动完成文字识别与语义分析，用户可直接用自然语言检索图片内容。该功能全平台免费，即将增加本地处理选项保护隐私。系统采用多模态技术，能区分手写与印刷体、解析表格结构，并与现有笔记智能关联。
谷歌为Chrome浏览器新增AI功能，在最新测试版中推出由Gemini驱动的“Nano Banana”图像生成工具和“深度搜索”主题研究功能。用户可直接在搜索框内创作图像或进行信息检索，无需切换页面即可快速启动任务。
腾讯开源多模态文档理解工具WeKnora，支持PDF、Word等格式的智能解析与检索。该工具基于大语言模型，具备文本、表格、图像等复杂文档的结构化处理能力，可生成统一语义视图。其核心优势包括：1）智能交互支持自然语言问答和多轮对话；2）模块化架构便于定制开发；3）适用于企业知识库、科研文献分析等场景。WeKnora的开源将推动文档处理智能化发展，项目已在GitHub发布。
多模态信息检索与重排序模型，支持文本、图像、视频等输入。
多语言多模态嵌入模型，用于文本和图像检索。
多模态嵌入模型，实现文本、图像和截图的无缝检索。
视觉位置识别通过图像片段检索
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
facebook
DINOv3是Meta AI开发的一系列通用视觉基础模型，无需微调就能在多种视觉任务中超越专门的先进模型。该模型采用Vision Transformer架构，在16.89亿张网络图像上预训练，能生成高质量的密集特征，在图像分类、分割、检索等任务中表现出色。
redlessone
DermLIP是一款专门针对皮肤病学领域的视觉语言模型，基于最大的皮肤病学图像文本语料库Derm1M训练而成。该模型采用CLIP风格的架构，能够执行皮肤病相关的多种任务，包括零样本分类、少样本学习、跨模态检索和概念注释等。
NCSOFT
GME-VARCO-VISION-Embedding是一个多模态嵌入模型，专注于在高维嵌入空间中计算文本、图像和视频之间的语义相似度，尤其擅长视频检索任务。
chs20
FuseLIP是一种创新的多模态嵌入模型，它通过一个单一的Transformer模型，使用扩展的词汇表同时处理文本和图像离散令牌，实现了模态间的早期深度融合。该方法解决了传统对比式语言-图像预训练模型无法原生编码多模态输入的问题，在视觉问答和文本引导的图像检索等任务上表现出色。
kshitij3188
PHOENIX是一个基于CLIP/ViT的领域自适应模型，旨在提升专利图像检索能力，特别适用于检索语义或层次相关的图像而不仅仅是精确匹配。
nomic-ai
ColNomic Embed Multimodal 7B是一款多向量最先进的多模态嵌入模型，擅长视觉文档检索任务，支持多语言和统一文本图像编码。
Nomic Embed Multimodal 3B是一款顶尖的多模态嵌入模型，专注于视觉文档检索任务，支持统一文本-图像编码，在Vidore-v2测试中达到58.8 NDCG@5的卓越性能。
ColNomic Embed多模态3B是一款30亿参数的多模态嵌入模型，专为视觉文档检索任务设计，支持多语言文本和图像的统一编码。
tsystems
基于Qwen2.5-VL-3B-Instruct与ColBERT策略的多语言视觉检索模型，支持动态输入图像分辨率和多语言文档检索。
基于Qwen2.5-VL-3B-Instruct与ColBERT策略的多语言视觉检索模型，支持动态输入图像分辨率，生成ColBERT风格的多向量文本与图像表征。
vidore
基于Qwen2-VL-2B-Instruct与ColBERT策略的视觉检索模型，能生成文本与图像的多向量表征
基于Qwen2.5-VL-3B-Instruct与ColBERT策略的视觉检索模型，能够生成文本和图像的多向量表示，用于高效文档检索。
gersonrpq
该模型基于2小时博物馆导览中的画作进行训练，旨在增强图像检索和画框零样本学习中的绘画特征提取能力。
ModelsLab
这是一个基于OpenCLIP框架、在LAION-2B英语子集上训练的视觉语言模型，擅长零样本图像分类和跨模态检索任务。
recallapp
基于OpenCLIP框架在LAION-2B英语数据集上训练的视觉-语言模型，支持零样本图像分类和跨模态检索
llm-jp
基于OpenCLIP框架训练的日语CLIP模型，在14.5亿日文图文对数据集上训练，支持零样本图像分类和图文检索任务
基于Qwen2-VL-2B-Instruct与ColBERT策略的视觉检索模型，能够生成多向量文本与图像表示
yydxlv
基于Qwen2-VL-7B-Instruct与ColBERT策略的视觉检索模型，支持多向量文本与图像表示
uta-smile
InstructCIR是一个基于指令感知对比学习的组合式图像检索模型，采用ViT-L-224和Phi-3.5-Mini架构，专注于图像文本到文本生成任务。
google
基于SoViT主干网络、采用Sigmoid损失函数改进的多模态模型，支持零样本图像分类和图文检索
AWS MCP Servers是一套基于Model Context Protocol的专用服务器，提供多种AWS相关功能，包括文档检索、知识库查询、CDK最佳实践、成本分析、图像生成等，旨在通过标准化协议增强AI应用与AWS服务的集成。
%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)
