小红书 dots infra 团队于7月22日开源 BigMac 流水并行训练范式，专为原生多模态大模型设计，打破训练中速度与显存不可兼得的帕累托前沿，平衡显存占用与计算速度。代码已发布在 GitHub Dots-Infra 仓库。
字节跳动发布多模态AI模型Seedream5.0Pro，推动图像创作从生成迈向设计。该模型在图文匹配、结构合理性、文字渲染和画面质感上显著提升，并重点突破复杂信息可视化能力，能精准解析意图，将数据、概念和密集文字转化为专业视觉呈现。
商汤科技正秘密研发多模态大模型“U1Pro”，面向设计场景，由首席科学家林达华牵头。该模型隶属“日日新”家族，目标对标OpenAI的GPT-Image2，强调长程逻辑与思考能力，预计7月启动内测并商用。
人工智能算力竞争进入国产化深水区。科大讯飞在无锡大会上发布星火多模态大模型X2-VL，这是目前唯一基于全国产算力训练的模型，采用专门设计，标志着技术迭代与自主可控的重要突破。
ByteDance推出的新一代多模态4K AI视频与图像生成与编辑平台。
一个强大的统一多模态模型，支持文本到图像生成及图像编辑。
基于孪生多模态扩散变换器的创意布局到图像生成技术
新一代自回归图像生成模型，提供多模态输入和高级图像编辑功能。
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
$2
$20
Baidu
128
$6
$24
$8
$240
52
tencent
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。
microsoft
Fara-7B是微软研究院开发的专为计算机使用场景设计的小型语言模型，仅有70亿参数，在同规模模型中实现卓越性能，能够执行网页自动化、多模态理解等计算机交互任务。
NexaAI
Qwen3-VL-8B-Thinking是阿里云Qwen团队开发的80亿参数多模态大语言模型，专为深度多模态推理设计，支持视觉理解、长上下文处理和结构化思维链生成，在复杂推理任务中表现出色。
mlx-community
Apriel-1.5-15B-Thinker是一个专为图像理解与推理设计的150亿参数多模态模型，采用中期训练方法而非RLHF训练。本版本为适用于苹果芯片的MLX量化版本，具有内存占用小、启动速度快的特点。
PerceptronAI
Isaac-0.1是感知公司推出的首个开源视觉语言模型，拥有20亿参数，专为现实世界应用设计。该模型在多模态理解和空间推理方面表现出色，性能达到甚至超越比它大50倍以上的模型，树立了新的效率标准。
stepfun-ai
Step-Audio 2 是一款端到端的多模态大语言模型，专为满足行业级音频理解和语音对话需求而设计。具备先进的语音和音频理解能力、智能语音对话功能、工具调用和多模态检索增强生成能力，在多个音频理解和对话基准测试中取得了领先的性能。
aisingapore
Gemma-SEA-LION-v4-27B-IT-GGUF是基于Gemma-SEA-LION-v4-27B-IT量化的模型，专为东南亚地区任务设计。具有128K大上下文长度、多模态理解能力和高级函数调用功能，能在普通笔记本上运行。
OmniNeural是全球首个专门为神经处理单元（NPU）设计的全多模态模型，能够原生理解文本、图像和音频，可在PC、移动设备、汽车、物联网和机器人等多种设备上运行。
Mungert
SmolVLM是一个紧凑的开源多模态模型，能够接受图像和文本输入并生成文本输出，专为高效设计，适用于设备端应用。
ibm-granite
基于granite-vision-3.3-2b构建的高效嵌入模型，专为多模态文档检索设计，可处理包含表格、图表、信息图和复杂布局的文档。
WenchuanZhang
Patho-R1-7B是一款专门针对病理学领域设计的多模态推理模型，通过三阶段训练管道（持续预训练、监督微调、强化学习）来增强病理诊断理解能力，能够有效处理高分辨率病理图像和复杂诊断推理任务。
google
MedGemma是基于Gemma 3优化的医学多模态模型系列，专为医学文本和图像理解设计，提供4B和27B两种参数规模版本。
MedGemma是基于Gemma 3优化的医学多模态模型，专为医疗文本和图像理解设计，提供4B和27B两个版本。
SmolVLM-500M-Instruct是SmolVLM系列中的轻量级多模态模型，能够处理图像和文本输入并生成文本输出。该模型设计追求高效性，适用于设备端应用，在多模态任务上保持强大性能。
MathLLMs
MathCoder-VL系列开源大型多模态模型，专为通用数学问题解决而设计，结合视觉与代码增强数学推理能力。
RedHatAI
Llama-4-Scout是Meta推出的Llama 4系列模型之一，采用混合专家（MoE）架构，是原生多模态AI模型，支持文本和图像输入，在多语言文本理解和视觉任务方面表现出色。该模型具有17B参数，16个专家，专为商业和研究用途设计。
jinaai
Jina Embeddings v4 是一款专为多模态和多语言检索设计的通用嵌入模型，特别适用于复杂文档的检索，包括包含图表、表格和插图的视觉丰富文档。
ByteDance-Seed
SAIL是一个专为视觉与语言设计的单一Transformer模型，作为统一的多模态大语言模型（MLLM），它在单一架构中无缝集成了原始像素编码和语言解码功能。
UCSC-VLAA
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。
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。
MaxKB是一款开源的AI助手，专为企业设计，支持RAG流程、工作流引擎和多模态交互，适用于智能客服、知识库等场景。
%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)
'%3e%3cpath%20d='M55.2622%2038L48.2289%2022L44.1206%2031.3333H47.2539L45.7872%2034.6667H38.7622L46.0956%2018H37.6706C36.7539%2018%2036.0039%2018.75%2036.0039%2019.6667V36.3333C36.0039%2037.25%2036.7539%2038%2037.6706%2038H55.2622Z'%20fill='white'/%3e%3cpath%20d='M64.3368%2018H50.3535L59.1535%2038H64.3368C65.2535%2038%2066.0035%2037.25%2066.0035%2036.3333V19.6667C66.0035%2018.75%2065.2535%2018%2064.3368%2018ZM63.0868%2034.6667H59.7535V21.3333H63.0868V34.6667Z'%20fill='%23FFCC66'/%3e%3cpath%20d='M89.3379%2026.75V29.25H81.8379V36.75H91.8379V24.25H81.8379V26.75H89.3379ZM84.3379%2034.25V31.75H89.3379V34.25H84.3379Z'%20fill='white'/%3e%3cpath%20d='M103.504%2036.75V29.25H96.0039V26.75H103.504V24.25H93.5039V31.75H101.004V34.25H93.5039V36.75H103.504Z'%20fill='white'/%3e%3cpath%20d='M115.17%2026.75V24.25H105.17V36.75H115.17V34.25H107.67V31.75H115.17V29.25H107.67V26.75H115.17Z'%20fill='white'/%3e%3cpath%20d='M80.1712%2029.25V29.175L78.9962%2028L80.1712%2026.825V20.425L78.9962%2019.25H69.3379V36.75H78.9962L80.1712%2035.575V29.25ZM77.6712%2034.25H71.8379V29.25H77.6712V34.25ZM77.6712%2026.75H71.8379V21.75H77.6712V26.75Z'%20fill='white'/%3e%3c/g%3e%3cg%20clip-path='url(%23clip1_644_3948)'%3e%3cpath%20d='M169.59%2022.9827L169.59%2023.6491H177.409L168.175%2032.8822L169.118%2033.8248L178.351%2024.5917L178.352%2032.4106H179.685V22.3164L179.018%2022.3157H169.59V22.9827Z'%20fill='white'/%3e%3c/g%3e%3cdefs%3e%3cclipPath%20id='clip0_644_3948'%3e%3crect%20width='80'%20height='20'%20fill='white'%20transform='translate(36%2018)'/%3e%3c/clipPath%3e%3cclipPath%20id='clip1_644_3948'%3e%3crect%20width='20'%20height='20'%20fill='white'%20transform='translate(164%2018)'/%3e%3c/clipPath%3e%3c/defs%3e%3c/svg%3e)
