OpenAI发布ChatGPT Images2.0，基于GPT Image2模型，核心亮点是增强AI的“思考能力”，使其更像具备逻辑的创作者。新版本引入推理规划功能，生成图像前会进行联网信息检索和逻辑分析，改变了以往“开盲盒”式的生图模式，提升了复杂视觉任务的处理能力。
苹果iOS27系统将大幅升级Apple Intelligence，重点增强“视觉智能”功能。新系统不仅适用于手机，还将拓展至智能眼镜和带摄像头的AirPods等穿戴设备，旨在提升设备对现实世界的感知能力。通过先进的视觉识别技术，帮助用户更高效地处理物理世界中的图文信息。
智谱发布多模态编程模型GLM-5V-Turbo，具备视觉理解能力，可将设计稿、网页界面等视觉信息转化为代码，实现AI Agent从字符到视觉的感知延伸。
IBM发布Granite 4.0 3B Vision视觉语言模型，拥有30亿参数，专为企业级复杂文档数据提取优化。该模型针对金融、法律、医疗等行业非结构化数据处理难题，在复杂表格、扫描件及多模态布局文档中表现突出，通过结合视觉理解与语言生成，精准识别并提取关键信息。
一款领先的AI信息图表生成器，只需一键即可将创意转化为专业视觉图表。
AI辅助的视觉UI开发工具，通过精确的DOM信息和自然语言描述帮助AI准确理解您的UI修改意图。
一款用于生成信息图表的视觉文本渲染工具。
视觉AI助手，提供视频信息识别与交流
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
SadraCoding
SDXL-Deepfake-Detector 是一款精准检测 AI 生成人脸的工具，专注于维护数字世界的真实性，为抵御视觉虚假信息提供隐私保护且开源的解决方案。该模型通过微调预训练模型实现轻量级且高准确率的检测。
mlx-community
DeepSeek-OCR-6bit是基于DeepSeek-OCR模型转换的MLX格式版本，专门针对苹果芯片优化。这是一个视觉语言模型，具备强大的光学字符识别能力，能够从图像中提取和识别文本信息。
sabaridsnfuji
日本收据视觉语言模型lfm2-450M是一款专门用于理解和处理日本收据的视觉语言模型。它基于LiquidAI的LFM2-VL-450M基础模型构建，能够分析收据图像，提取结构化信息，回答关于收据内容的问题，并以日语和英语提供详细描述。
ekacare
专为印度医疗保健环境设计的视觉大语言模型，专门处理医疗记录相关任务，包括检验报告解析、电子处方解析、文档分类和个人身份信息提取。
deepseek-community
DeepSeek-VL是由DeepSeek AI团队开发的开源视觉语言模型，能够同时处理文本和图像信息，生成上下文相关的回复。该模型采用混合视觉编码器，支持高分辨率图像处理，在真实世界的视觉语言理解应用中表现出色。
AntResearchNLP
ViLaSR-7B是基于Qwen2.5-VL-7B-Instruct构建的视觉语言模型，专门用于增强空间推理能力。通过交织思维和视觉绘图的方法，该模型在图像文本到文本转换任务中表现出色，能够更好地理解和处理空间关系信息。
ChenShawn
DeepEyes是一个通过强化学习激励'以图思考'的视觉语言模型，能够将视觉信息直接融入推理链，在图像文本处理任务中表现出色。
zackriya
一个专注于从图像中提取结构化数据(JSON)的视觉语言模型，特别擅长识别图表中的节点、边及其子属性，将视觉信息表示为知识图谱。
unsloth
granite-vision-3.2-2b是一款紧凑高效的视觉语言模型，专为视觉文档理解设计，能够从表格、图表、信息图等中自动提取内容。
AJNG
一款视觉语言模型，专门用于从支票图像中提取结构化的金融信息，生成包含支票号码、收款人、金额和签发日期等关键信息的JSON格式输出。
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。
zai-org
Glm-Edge-V-5B-GGUF 是一款支持图像文本转换为文本的多模态模型，支持中英双语处理，能够高效准确地将视觉信息转换为文本描述。
AI4Chem
ChemVLM-8B是一个80亿参数的多模态大语言模型，专为化学领域设计，能够处理文本和视觉化学信息。
openbmb
VisRAG是基于视觉语言模型(VLM)的检索增强生成(RAG)系统，可直接将文档作为图像进行嵌入表征，避免传统文本解析导致的信息损耗。
onnx-community
DepthPro 是一个用于深度估计的视觉模型，能够从单张图像预测场景的深度信息。
nvidia
RADIO是由NVIDIA研究院开发的视觉基础模型，能够将不同领域的视觉信息统一表征，适用于多种视觉任务。
ahmed-masry
ChartGemma是基于PaliGemma构建的图表理解与推理模型，通过视觉指令微调直接处理图表图像，捕捉视觉趋势和底层信息。
ishaangupta293
Kosmos-2是一个多模态大语言模型，能够将视觉信息与语言理解相结合，实现图像到文本的转换和视觉定位任务。
TeeA
ChartQA 是一个视觉问答模型，专注于从图表中提取信息并回答相关问题，支持越南语。
ChartQA 是一个视觉问答模型，专注于从图表中提取信息并回答相关问题。
一个通过adb操作安卓设备的MCP服务，支持应用管理、屏幕控制、输入手势和设备信息获取等功能，并可集成视觉模型进行屏幕内容分析。
Glasses MCP是一个为AI助手提供网页视觉能力的工具，允许AI通过截图获取网页的视觉信息，支持多种设备和格式。
%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)
