百度发布文心大模型衍生模型PaddleOCR-VL-1.6，在OmniDocBench v1.6评测中以96.33%准确率超越Gemini-3-Pro、GPT-5.2等主流模型，刷新SOTA，综合性能全球第一。该模型标志着多模态大模型在复杂文档理解与真实场景解析上的重大突破，支持超100种语言识别，用户覆盖广泛。
腾讯混元联合多家机构发布业界首个中国古文字识别评测基准Chronicles-OCR，覆盖“七体之变”完整演化轨迹。该基准旨在衡量多模态大语言模型对跨越三千年汉字视觉分布漂移的感知能力，推动数字人文领域技术突破。
DeepSeek在发布V4版五天后，灰度测试多模态识图功能，新增“识图模式”入口，支持图片理解。实测显示，其在基础视觉理解、复杂人物和环境识别上表现优异，标志着从文本向视觉交互的跨越。
DeepSeek正在灰度测试“识图模式”，该模式具备多模态识别能力，能进行深度图像分析与描述，而不仅是OCR文字识别。用户上传图片后可获得快速响应，有网友形容速度如闪电般迅速。
R1-Omni 是一个结合强化学习的全模态情绪识别模型，专注于提升多模态情绪识别的可解释性。
多模态大型语言模型，优化视觉识别和图像推理。
多模态智能框架，识别页面任务并执行动作。
一款基于多模态模型的语音翻译产品，支持近100种语言的自动语音识别、语音翻译、文本翻译、语音合成等功能。
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
thenexthub
这是一个支持多语言处理的多模态模型，涵盖自然语言处理、代码处理、音频处理等多个领域，能够实现自动语音识别、语音摘要、语音翻译、视觉问答等多种任务。
inclusionAI
Ming-flash-omni 预览版是基于 Ling-Flash-2.0 稀疏专家混合（MoE）架构构建的多模态大模型，总参数达100B，每个token仅激活6B参数。该模型在Ming-Omni基础上进行了全面升级，在多模态理解和生成方面有显著提升，特别是在语音识别、图像生成和分割编辑方面表现突出。
fixie-ai
Ultravox是一个多模态语音大语言模型，结合了预训练大语言模型和语音编码器，能够理解和处理语音输入，支持多语言语音识别、翻译和音频分析等功能。
prithivMLmods
基于Qwen/Qwen2-VL-2B-Instruct微调的多模态模型，专为OCR、图像转文本、LaTeX数学求解及手写识别优化
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。
fahadh4ilyas
Llama 3.2-Vision是Meta开发的多模态大语言模型，具备图像推理和文本生成能力，支持视觉识别、图像描述和问答等任务。
nguyenvulebinh
AV-HuBERT是一种视听语音识别模型，基于MuAViC多语言视听语料库训练，结合音频和视觉模态实现鲁棒性能。
StevenHH2000
Finedefics 是一个开源的多模态大语言模型（MLLM），通过融入对象的信息化属性描述，增强了细粒度视觉识别（FGVR）能力。
bababababooey
Llama 3.2-Vision是由Meta开发的多模态大语言模型，支持图像和文本输入，针对视觉识别、图像推理和描述任务进行了优化。
erax-ai
EraX-VL-7B-V2.0-Preview是一款强大的多模态模型，专为OCR和视觉问答设计，擅长处理越南语等多种语言，在医疗表格、发票等文档识别上表现突出。
sparklexfantasy
这是一个专注于图像文本到文本处理的多模态伪造表征学习模型，用于检测扩散生成的视频内容，通过多模态特征学习识别深度伪造内容。
NexaAIDev
Qwen2-Audio是先进的小规模多模态模型，支持音频与文本输入，无需依赖语音识别模块即可实现语音交互。
U4R
基于InternVL2-1B的多模态表格识别模型，支持将表格图像转换为LaTeX/HTML/Markdown格式
hiko1999
专为野火场景深度识别设计的图文生成模型，能提供丰富的场景细节，支持多语言和多模态分析。
alpindale
Llama 3.2-Vision是Meta开发的多模态大型语言模型，支持图像和文本输入，能够进行视觉识别、图像推理和描述等任务。
meta-llama
Llama 3.2-Vision是Meta开发的多模态大语言模型，支持图像和文本输入，文本输出，在视觉识别、图像推理、图像描述和图像问答任务上表现优异。
Llama 3.2-Vision是Meta开发的多模态大语言模型系列，支持图像+文本输入和文本输出，专为视觉识别、图像推理、图像描述和图像问答任务优化。
Llama 3.2-Vision是由Meta开发的多模态大语言模型系列，包含11B和90B两种规模，支持图像+文本输入和文本输出，针对视觉识别、图像推理、图像描述和图像问答任务进行了优化。
基于MuAViC数据集的多语言视听语音识别模型，结合音频和视觉模态实现鲁棒性能
RhapsodyAI
GUIChat是一个基于视觉问答(VQA)的多模态模型，能够理解图像内容并回答相关问题，特别针对GUI界面元素识别和交互进行了优化。
%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)
