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。
谷歌与苹果达成云服务合作，将基于Gemini模型开发下一代Apple Foundation机型，计划于2026年推出全新Siri。该合作旨在结合Gemini的多模态处理能力与苹果私有云架构，提升Siri在复杂指令和跨应用识别方面的表现。
蚂蚁集团在CVPR 2026 NTIRE挑战赛中，于“复杂真实场景鲁棒性样本测试”和“人脸增强异常检测”两赛道夺冠。该成果有助于提升支付、内容审核、金融认证等场景的风险识别能力。面对深度伪造与AIGC滥用加剧、检测模型在真实场景及多模态大模型迭代中准确率不足的挑战，这一突破为应对提供了重要技术支撑。
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
$6
$24
Baidu
128
$2
$20
$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。
DiffusersEnglish%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)
