AIBase
EN

AI News

View More

AI日报：MiniMax发布全模态模型H3；Seedance 2.5发布，30秒一镜到底；DeepSeek-V4-Flash正式版上线

10.4k 6 minutes ago
AI日报：MiniMax发布全模态模型H3；Seedance 2.5发布，30秒一镜到底；DeepSeek-V4-Flash正式版上线

颠覆影视创作！字节跳动王牌模型Seedance 2. 5 正式发布， 30 秒一镜成片时代来了

10.2k 6 minutes ago
颠覆影视创作！字节跳动王牌模型Seedance 2. 5 正式发布， 30 秒一镜成片时代来了

字节跳动 Seedance 2.5 发布：30 秒一镜到底，AI 视频开始会讲故事了

11.4k 6 minutes ago
字节跳动 Seedance 2.5 发布：30 秒一镜到底，AI 视频开始会讲故事了

抖音升级未成年人模式引擎，把多模态大语言模型请进了适龄推荐

67k 6 minutes ago
抖音升级未成年人模式引擎，把多模态大语言模型请进了适龄推荐

AI Products

View More

FLUX 3

FLUX 3是多模态基础模型，可联合学习图像、视频和音频实现视觉智能。

视觉智能
6.9k

Dream 5 Pro

ByteDance旗舰图像模型，在线生成高品质AI图像，无需GPU设置。

图片生成
7.7k

Catnip AI

Catnip AI专注实时多模态智能，Cat MaineCoon追求实时视听社交世界模型

AI模型
7.5k

Agnes AI

Agnes AI是AI网关、免费API平台，提供多模态AI模型与应用。

API服务
7.2k

Models

View More

GPT-4.1 mini

Openai

GPT-4.1 mini

$2.8

Input tokens/M

$11.2

Output tokens/M

1k

Context Length

Gemini 2.0 Flash-Lite

Google

Gemini 2.0 Flash-Lite

$0.49

Input tokens/M

$2.1

Output tokens/M

1k

Context Length

Grok 4 Fast

Xai

Grok 4 Fast

$1.4

Input tokens/M

$3.5

Output tokens/M

2k

Context Length

o3-mini

Openai

o3-mini

$7.7

Input tokens/M

$30.8

Output tokens/M

200

Context Length

GPT-5 Codex

Openai

GPT-5 Codex

-

Input tokens/M

-

Output tokens/M

-

Context Length

Claude 3 Opus

Anthropic

Claude 3 Opus

$105

Input tokens/M

$525

Output tokens/M

200

Context Length

Gemini 2.0 Flash

Google

Gemini 2.0 Flash

$0.7

Input tokens/M

$2.8

Output tokens/M

1k

Context Length

Claude Haiku 4.5

Anthropic

Claude Haiku 4.5

$7

Input tokens/M

$35

Output tokens/M

200

Context Length

Gemini 2.5 Flash

Google

Gemini 2.5 Flash

$2.1

Input tokens/M

$17.5

Output tokens/M

1k

Context Length

Claude Sonnet 4.5

Anthropic

Claude Sonnet 4.5

$21

Input tokens/M

$105

Output tokens/M

200

Context Length

Claude 3 Sonnet

Anthropic

Claude 3 Sonnet

$21

Input tokens/M

$105

Output tokens/M

200

Context Length

Gemini 2.5 Flash-Lite

Google

Gemini 2.5 Flash-Lite

$0.7

Input tokens/M

$2.8

Output tokens/M

1k

Context Length

qwen-image-plus

Alibaba

qwen-image-plus

-

Input tokens/M

-

Output tokens/M

-

Context Length

qwen3-coder-plus

Alibaba

qwen3-coder-plus

$4

Input tokens/M

$16

Output tokens/M

1k

Context Length

qwen3-vl-plus

Alibaba

qwen3-vl-plus

$1

Input tokens/M

$10

Output tokens/M

256

Context Length

wan2.5-i2i-preview

Alibaba

wan2.5-i2i-preview

-

Input tokens/M

-

Output tokens/M

-

Context Length

qwen3-vl-235b-a22b-thinking

Alibaba

qwen3-vl-235b-a22b-thinking

$2

Input tokens/M

$20

Output tokens/M

-

Context Length

qwen3-max

Alibaba

qwen3-max

$6

Input tokens/M

$24

Output tokens/M

256

Context Length

Qianfan-Lightning

Baidu

Qianfan-Lightning

-

Input tokens/M

-

Output tokens/M

128

Context Length

qwen-image-edit

Alibaba

qwen-image-edit

-

Input tokens/M

-

Output tokens/M

-

Context Length

Tomoro Colqwen3 Embed 4b

TomoroAI

T

TomoroAI/tomoro-colqwen3-embed-4b是一款先进的ColPali风格多模态嵌入模型，能够将文本查询、视觉文档（如图像、PDF）或短视频映射为对齐的多向量嵌入。该模型结合了Qwen3-VL-4B-Instruct和Qwen3-Embedding-4B的优势，在ViDoRe基准测试中表现出色，同时显著减少了嵌入占用空间。

多模态TransformersTransformersOther
TomoroAI
106
5

Wan2.2 I2V A14B Diffusers

Gjm1234

W

Wan2.2是基础视频模型的重大升级版本，专注于将有效MoE架构、高效训练策略和多模态融合等创新技术融入视频扩散模型，为视频生成领域带来更强大、更高效的解决方案。

多模态DiffusersDiffusersMultiple Languages
Gjm1234
588
0

Qwen3 VL 4B Thinking Gguf

John1604

Q

Qwen3 VL 4B Thinking 是一个支持图像到文本以及文本到文本转换的多模态模型，具有4B参数规模，能够满足多种图文交互需求。

多模态GgufGguf
John1604
226
1

Gemma 3n E4B It Heretic GGUF

MuXodious

G

Gemma 3n E4B IT 是谷歌推出的轻量级多模态开放模型，基于与Gemini模型相同的研究构建。该模型支持文本、音频和视觉输入，适用于多种任务，采用MatFormer架构实现高效参数利用。

多模态TransformersTransformers
MuXodious
248
0

Qwen3 VL 4B Instruct 4bit GPTQ

pramjana

Q

Qwen3-VL-4B-Instruct是阿里巴巴推出的40亿参数视觉语言模型，基于Qwen3架构开发，支持多模态理解和对话任务。该模型具备强大的图像理解和文本生成能力，能够处理复杂的视觉语言交互场景。

多模态TransformersTransformers
pramjana
104
1

Gemma 3 12b It Qat Mlx Mxfp4

ExaltedSlayer

G

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。

多模态MlxMlx
ExaltedSlayer
104
1

OpenMMReasoner RL

OpenMMReasoner

O

OpenMMReasoner是一个完全透明的两阶段多模态推理方案，涵盖有监督微调（SFT）和强化学习（RL）。该方案通过精心构建高质量数据集，在多个多模态推理基准测试中超越了强大的基线模型，为未来大规模多模态推理研究奠定了坚实的实证基础。

多模态TransformersTransformers
OpenMMReasoner
434
13

Sarashina2.2 Vision 3b

sbintuitions

S

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。

多模态TransformersTransformersMultiple Languages
sbintuitions
526
12

HunyuanOCR

tencent

H

混元OCR是由混元原生多模态架构驱动的端到端OCR专家VLM模型，仅用10亿参数的轻量级设计，在多个行业基准测试中取得最先进成绩。该模型擅长处理复杂的多语言文档解析，在文本定位、开放域信息提取、视频字幕提取和图片翻译等实际应用场景中表现出色。

多模态TransformersTransformersMultiple Languages
tencent
24.9k
444

SenseNova SI 1.1 InternVL3 2B

sensenova

S

SenseNova-SI是基于多模态基础模型构建的空间智能增强模型系列，通过精心策划的800万样本数据训练，在多个空间智能基准测试中取得了优异表现，同时保持了强大的通用多模态理解能力。

多模态TransformersTransformersEnglish
sensenova
796
6

ERNIE 4.5 VL 28B A3B Thinking AWQ 8bit

cyankiwi

E

ERNIE-4.5-VL-28B-A3B-Thinking AWQ - INT8是基于百度ERNIE-4.5架构的多模态大语言模型，通过AWQ量化技术实现8位精度，在保持高性能的同时大幅降低内存需求。该模型在视觉推理、STEM问题解决、图像分析等方面表现出色，具备强大的多模态理解和推理能力。

多模态TransformersTransformersMultiple Languages
cyankiwi
1.3k
1

SenseNova SI 1.1 InternVL3 8B

sensenova

S

SenseNova-SI是基于成熟多模态基础模型构建的空间智能增强模型系列，通过精心策划的800万数据样本训练，在多个空间智能基准测试中展现出卓越性能，同时保持强大的通用多模态理解能力。

多模态TransformersTransformers
sensenova
1.1k
10

Moondream3 Preview Hf

NyxKrage

M

Moondream 3 Preview HF是基于HuggingFace Transformers架构规范对Moondream 3 (Preview)模型的重新实现，使其能够与Hugging Face生态系统完全兼容。这是一个多模态视觉语言模型，采用专家混合（MoE）文本主干，约90亿参数，20亿活跃参数。

多模态TransformersTransformers
NyxKrage
256
11

Uni MoE 2.0 Omni

HIT-TMG

U

Uni-MoE 2.0-Omni 是荔枝科技（Lychee）推出的完全开源全模态模型，采用全模态 3D RoPE 和动态容量专家混合架构，显著提升了以语言为中心的多模态理解、推理和生成能力。该版本集成了全模态理解以及音频和图像生成能力。

多模态TransformersTransformersMultiple Languages
HIT-TMG
258
24

Qwen3 VL 12B Thinking Brainstorm20x NEO MAX GGUF

DavidAU

Q

这是一个增强版的多模态视觉语言模型，基于Qwen3-VL-8B-Thinking模型，通过Brainstorm 20x技术扩展至12B参数，采用NEO Imatrix增强的GGUF量化。模型具备强大的图像理解、文本生成和多模态推理能力，在视觉感知、文本质量和创意场景方面都有显著提升。

多模态GgufGgufMultiple Languages
DavidAU
319
2

Vae Lyra

AbstractPhil

V

MM-VAE Lyra是一个专门用于文本嵌入转换的多模态变分自编码器，采用几何融合技术。它结合了CLIP-L和T5-base模型，能够有效处理文本嵌入的编码和解码任务，为多模态数据处理提供创新解决方案。

多模态
AbstractPhil
313
1

Nutrient Gram Qwen 3 Vl 2b

cemoss17

N

nutrient-gram-qwen-3-vl-2b是基于Qwen/Qwen3-VL-2B-Instruct的微调版本，使用TRL进行监督微调训练，主要用于文本生成任务。该模型在保持原有多模态能力的基础上，针对特定任务进行了优化。

自然语言处理TransformersTransformers
cemoss17
138
1

SenseNova SI InternVL3 8B

sensenova

S

SenseNova-SI是基于多模态基础模型构建的空间智能模型系列，专门针对空间理解能力进行优化。通过大规模空间智能数据训练，在度量估计、空间关系理解、视点变化处理等方面表现优异。

多模态TransformersTransformers
sensenova
728
18

Qwen3 VL 30B A3B Instruct Q8_0 GGUF

ggml-org

Q

这是一个基于Qwen3-VL-30B-A3B-Instruct模型转换的GGUF格式版本，专门为llama.cpp优化。该模型是一个300亿参数的多模态视觉语言模型，支持图像理解和文本生成任务。

多模态GgufGguf
ggml-org
326
1

Huihui Mistral Small 3.2 24B Instruct 2506 Abliterated V2 GGUF

noctrex

H

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。

多模态GgufGguf
noctrex
1.4k
1

MCP

View More
MCPollinations

MCPollinations

MCPollinations是一个基于Model Context Protocol（MCP）的多模态AI服务，支持通过Pollinations API生成图像、文本和音频。它提供无需认证的轻量级服务，兼容多种AI模型，并支持图像保存和Base64编码返回。

javascript
12.4k
2.5points
pixeltable-mcp-server

Pixeltable Mcp Server

Pixeltable的多模态模型上下文协议服务器集合，提供音频、视频、图像和文档的索引与查询功能

python
10.1k
2.5points
context_engineering_mcp

Context_engineering_mcp

Context Engineering MCP平台是一个AI上下文管理与优化平台，通过系统化的方法设计、管理和优化AI模型的输入信息，实现提示工程的工程化。平台提供智能分析引擎、优化算法、模板管理等功能，显著提升AI响应质量、降低API成本，并支持多模态内容处理。

python
10k
2.5points
ollama-mcp-server

Ollama Mcp Server

Ollama MCP Server是一个连接Ollama本地大语言模型和模型上下文协议(MCP)的桥梁工具，提供完整的API集成、模型管理和执行功能，支持OpenAI兼容的聊天接口和视觉多模态模型。

typescript
15.8k
2.5points
mcp-portal

Mcp Portal

MCP门户是Model Context Protocol的官方社区平台，提供文档、实践指南、服务器实现、工具集成等资源，支持AI模型通过MCP协议访问外部工具，涵盖从数据库连接到多模态应用等丰富场景。

javascript
11.7k
2.5points
openrouter-mcp-multimodal

Openrouter Mcp Multimodal

OpenRouter MCP多模态服务器是一个通过OpenRouter.ai提供文本聊天和图像分析功能的协议服务器，支持多种模型选择和性能优化。

typescript
11.1k
2.5points
mcp-server-pixeltable

Mcp Server Pixeltable

该项目为Pixeltable的多模态模型上下文协议服务器集合，提供音频、视频、图像和文档的索引与查询服务，支持Docker本地部署。

python
11.2k
2.0points
toolchat

Toolchat

ToolChat是一个通过MCP服务器与大型语言模型(LLM)交互的工具，支持配置多工具服务器并调用特定功能，还能处理多模态输入如图片和文档。

python
9.7k
2.0points
rag-anything-mcp

Rag Anything Mcp

RAG Anything MCP Server是一个提供全面检索增强生成(RAG)能力的模型上下文协议服务器，支持多模态文档处理与查询，具备端到端文档解析、批量处理、高级查询及持久化存储等功能。

python
12.7k
2.0points