8月23日，橡鹿机器人发布全球首个基于真实厨房数据训练的多模态烹饪AI基础模型“CookingMuse厨启”，标志烹饪AI从指令执行迈向深度理解与真实场景应用。同步推出3K视觉AI炒菜机器人和具身烹饪机器人“现炒方舟”，技术布局覆盖烹饪全流程。
DeepSeek工具链升级至0.1.1-rc.1版，在V4Flash与V4Pro基础上新增视觉模型体验版V4Flash Vision-Exp。此前v0.1.0-rc.8已打通多模态能力，支持原生图片请求，/goal、/plan等指令实现图文混合输入。
商汤开源轻量级多模态模型SenseNova U1.5-Lite-Preview，采用8B-MoT参数和NEO-unify架构，支持原生4K图像生成、精细纹理、精准中英文字生成及稳定图像编辑。该模型重点提升长篇自然语言与结构化视觉指令理解，实现复杂需求下的精准多模态生成。
openJiuwen社区发布Skill-Omni，首个工程化多模态Skill范式，突破传统纯文本指令局限，使智能体经验从“读得懂”升级为“看得见”，精准赋能修图、GUI操作等视觉任务，开辟复杂视觉交互新路径。
统一的多模态AI，支持基于指令的图像编辑与生成，超越商业模型。
视觉定位GUI指令的多模态模型
大规模多模态推理与指令调优平台
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
$4
$16
$1
$10
256
Baidu
128
$2
$20
$6
$24
$8
$240
52
ExaltedSlayer
Gemma 3是谷歌推出的轻量级开源多模态模型，本版本为12B参数的指令调优量化感知训练模型，已转换为MLX框架的MXFP4格式，支持文本和图像输入并生成文本输出，具有128K上下文窗口和140+语言支持。
noctrex
这是一个基于Mistral架构的图像文本转文本量化模型，参数规模为24B，专门针对指令跟随任务进行了优化训练，支持多模态输入处理。
unsloth
Qwen3-VL-2B-Instruct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、长上下文支持以及强大的空间和视频动态理解能力。该模型采用2B参数规模，支持指令交互，适用于多模态AI应用。
rafacost
DreamOmni2-GGUF是将xiabs/DreamOmni2-7.6B模型转换为GGUF格式的图像到图像模型，支持多模态指令编辑和生成，遵循Apache-2.0许可证。
mlx-community
这是Qwen3-VL-4B-Instruct模型的MLX格式8位量化版本，由mlx-community转换。该模型是一个40亿参数的多模态视觉语言模型，支持图像理解和文本生成任务，专为指令跟随场景优化。
NexaAI
Qwen3-VL-4B-Instruct是阿里云Qwen团队推出的40亿参数指令调优多模态大语言模型，专为高通NPU优化，融合强大的视觉语言理解能力与对话微调功能，适用于聊天推理、文档分析和视觉对话等实际应用场景。
lapa-llm
Lapa LLM 12B PT是基于Google Gemma 3-12B开发的开源大语言模型，专门针对乌克兰语处理优化。由乌克兰多所高校研究团队开发，在乌克兰语处理方面表现卓越，具备高效的指令微调和多模态能力。
Gemma 3是谷歌推出的轻量级、最先进的开源多模态模型家族，基于与Gemini模型相同的研究和技术构建。该270M版本是经过指令调优的模型，采用量化感知训练（QAT），能够在显著降低内存需求的同时保持与bfloat16相近的质量。
Gemma 3是谷歌推出的轻量级开源多模态模型家族，基于与Gemini相同的研究技术构建。270M版本是其中最小的指令微调模型，支持140多种语言，具有32K上下文长度，适用于资源受限环境下的文本生成任务。
DeepGlint-AI
UniME是一个基于多模态大模型的通用嵌入学习框架，通过文本判别知识蒸馏和硬负样本增强的指令调优策略，显著提升了多模态嵌入能力。
mjwong
针对新加坡英语优化的多模态语音识别模型，基于微软Phi-4多模态指令模型微调，显著提升对新加坡英语独特语音特征的识别能力。
tsunghanwu
SESAME是一款开源多模态模型，基于LLaVA模型在各种基于指令的图像定位（分割）数据上进行微调训练而成。
Gemma 3是谷歌推出的轻量级开源多模态模型系列，基于与Gemini模型相同的研究构建。本版本为4B参数的指令微调模型，采用量化感知训练(QAT)，支持文本和图像输入并生成文本输出，适用于多种文本生成和图像理解任务。
Gemma 3是Google推出的轻量级开放模型系列，基于创建Gemini模型的研究和技术构建。12B版本是经过指令调优的多模态模型，支持文本和图像输入，生成文本输出。
p4rzvl
这是一个基于Llama架构的多模态模型，支持视觉和文本指令，经过4位量化优化。
google
Gemma 3是Google推出的轻量级多模态开放模型，支持文本和图像输入，生成文本输出。4B版本经过指令调优和量化感知训练，适合资源有限环境部署。
Gemma 3是Google推出的轻量级开源多模态模型系列，基于Gemini技术构建，支持文本和图像输入，生成文本输出。1B版本经过指令调优和量化感知训练(QAT)，适合资源有限环境部署。
Gemma 3是Google基于Gemini技术打造的轻量级开源多模态模型系列，支持文本和图像输入并生成文本输出。12B版本经过指令调优和量化感知训练(QAT)，适合资源有限环境部署。
vinimuchulski
Gemma 3是Google推出的轻量级开源多模态模型系列，支持文本和图像输入，能生成文本输出。该版本为27B参数的指令调优模型，采用量化感知训练技术，内存需求低但质量接近原版。
junnei
Gemma-3-MM是基于Gemma-3-4b-it扩展的多模态指令模型，新增语音处理能力，可处理文本、图像和音频输入，生成文本输出。
Frame0 MCP Server是一个为Frame0线框图工具提供的多模态控制协议服务，支持通过自然语言指令创建和修改线框图。
%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)
Join Now
