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。
网易有道发布“子曰”大模型4.0版本，全面升级至全模态时代，支持文本、图片、音频融合交互。核心的多模态模型和语音合成（TTS）模型正式开源，翻译模型经技术重构，翻译质量与效率显著提升。多模态模型在视觉和数理领域达到SOTA水平，纯文本数理难题性能行业领先。
谷歌I/O大会上，谷歌与沃尔沃宣布合作：AI助手Gemini将接入沃尔沃纯电SUV EX60的外部摄像头，加速获取视觉与移动感知能力。此举标志着AI大模型与智能汽车硬件的深度融合取得实质性突破，得益于沃尔沃原生搭载谷歌嵌入式车载系统。
谷歌公司计划对其核心应用图标进行全面视觉升级，从2025年末试水后正式推行。新设计摒弃了死板的纯圆和四色拼接，采用柔和圆角与渐变色过渡，色彩从浅粉彩自然过渡到饱和的谷歌原色，整体风格更灵动现代，覆盖几乎所有核心应用。
基于纯视觉的图形用户界面代理解析器
基于预训练的纯视觉变换器提升图像抠图
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
$1
$10
256
$2
$20
-
$8
$240
52
Bytedance
$1.2
$3.6
4
$3.9
$15.2
64
$0.8
facebook
20亿参数视觉Transformer模型，通过纯视觉自监督学习在20亿网络图像上训练而成，在多模态任务中表现优异
ZeroAgency
Zero-Mistral-24B是基于Mistral-Small-3.1-24B-Instruct-2503改进的纯文本模型，主要适配俄语和英语，移除了原版的视觉功能，专注于文本生成任务。
lunahr
这是google/gemma-3-4b-it的纯文本精简版本，移除了视觉编码器，专注于文本生成任务。
gghfez
由google/gemma-3-12b-it转换而来的纯文本版本，移除了视觉组件，专注于文本生成任务
Gemma-3-4b纯文本模型是基于google/gemma-3-4b-it转换而来的纯文本版本，移除了视觉组件，专注于文本生成任务。
kehanlu
这是一个从多模态视觉语言模型 `meta-llama/Llama-3.2-11B-Vision-Instruct` 中提取出的纯文本大语言模型（LLM）。原模型具备视觉理解能力，而本仓库通过移除交叉注意力层，将其转换为专注于文本处理的纯语言模型，其核心架构与 Llama 3.1 8B Instruct 相似。
Bllossom
基于llama3.2-3B的韩英双语模型，具备视觉-语言和纯语言模型的双向功能
DBD-research-group
ConvNeXT是一个纯卷积模型，受视觉变换器设计启发，在BirdSet的XCL数据集上训练，专门用于鸟类声音分类。该模型在Xeno-Canto的9736种鸟类数据集上进行训练，能够识别5秒鸟类发声片段的物种。
HuggingFaceM4
Idefics2 是一个开放的多模态模型，能够接受任意序列的图像和文本输入并生成文本输出。该模型可以回答关于图像的问题、描述视觉内容、基于多张图像创作故事，或仅作为纯语言模型使用。
alibaba-damo
MGP-STR是一个纯视觉场景文本识别模型，通过多粒度预测实现高效OCR。
ConvNeXT是一个纯卷积模型，受视觉Transformer设计启发，在ImageNet-22k上预训练并在ImageNet-1k上微调，性能优于Transformer。
ConvNeXT是一个纯卷积模型，设计灵感来自视觉Transformer，在ImageNet-1k数据集上以224x224分辨率训练而成。
ConvNeXT是一个纯卷积模型（ConvNet），受视觉Transformer设计的启发，声称性能优于Transformer。该模型在ImageNet-1k数据集上以384x384分辨率训练而成。
ConvNeXT是一个纯卷积模型，受视觉Transformer设计启发，在ImageNet-22k数据集上训练而成，性能超越Transformer。
ConvNeXT是一个纯卷积模型，其设计灵感来自视觉Transformer，宣称性能优于视觉Transformer。该模型基于ImageNet-22k数据集在224x224分辨率下训练而成。
ConvNeXT是一个纯卷积模型，受视觉Transformer设计启发，在ImageNet-22k上预训练并在ImageNet-1k上微调，性能优于传统Transformer。
ConvNeXT是一个纯卷积模型，设计灵感来自视觉变换器，在ImageNet-1k数据集上训练，性能优于传统视觉变换器。
ConvNeXT是一个纯卷积模型，其设计灵感来自视觉Transformer，宣称性能优于视觉Transformer。该模型在224x224分辨率下基于ImageNet-22k数据集训练而成。
ConvNeXT是一个纯卷积模型，受视觉Transformer设计启发，在ImageNet-22k上预训练并在ImageNet-1k上微调，性能优于传统视觉Transformer。
Transformers%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)
