AIBase
EN

AI News

View More

阿里巴巴推出紧凑型Qwen3-VL模型，提升多模态AI效率，加速边缘设备部署

10.4k 1 hours ago
阿里巴巴推出紧凑型Qwen3-VL模型，提升多模态AI效率，加速边缘设备部署

​微软 Copilot Vision AI 升级:让你的屏幕一览无余

7.7k 12-20
​微软 Copilot Vision AI 升级:让你的屏幕一览无余

智谱AI开源GLM-4.1V-Thinking:多模态推理模型再突破

7.5k 12-20
智谱AI开源GLM-4.1V-Thinking:多模态推理模型再突破

豆包上线视频通话功能：支持实时互动 融合视觉语言输入能力

36.8k 6 days ago
豆包上线视频通话功能：支持实时互动 融合视觉语言输入能力

AI Products

View More

Phi-4-multimodal-instruct

Phi-4-multimodal-instruct 是微软开发的轻量级多模态基础模型，支持文本、图像和音频输入。

AI模型
11.1k

SmolVLM-500M-Instruct

SmolVLM-500M 是一个轻量级多模态模型，能够处理图像和文本输入并生成文本输出。

AI模型
9.4k

OmAgent.com

一个用于智能设备等的多模态原生代理框架。

智能体
9.1k

PaliGemma2-3b-pt-224

PaliGemma 2是一款强大的视觉-语言模型，支持多种语言的图像和文本处理任务。

AI模型
10k

Models

View More

GPT-4.1 mini

Openai

GPT-4.1 mini

$2.8

Input tokens/M

$11.2

Output tokens/M

1k

Context Length

Gemini 2.0 Flash-Lite

Google

Gemini 2.0 Flash-Lite

$0.49

Input tokens/M

$2.1

Output tokens/M

1k

Context Length

Grok 4 Fast

Xai

Grok 4 Fast

$1.4

Input tokens/M

$3.5

Output tokens/M

2k

Context Length

o3-mini

Openai

o3-mini

$7.7

Input tokens/M

$30.8

Output tokens/M

200

Context Length

GPT-5 Codex

Openai

GPT-5 Codex

-

Input tokens/M

-

Output tokens/M

-

Context Length

Claude 3 Opus

Anthropic

Claude 3 Opus

$105

Input tokens/M

$525

Output tokens/M

200

Context Length

Gemini 2.0 Flash

Google

Gemini 2.0 Flash

$0.7

Input tokens/M

$2.8

Output tokens/M

1k

Context Length

Claude Haiku 4.5

Anthropic

Claude Haiku 4.5

$7

Input tokens/M

$35

Output tokens/M

200

Context Length

Gemini 2.5 Flash

Google

Gemini 2.5 Flash

$2.1

Input tokens/M

$17.5

Output tokens/M

1k

Context Length

Claude Sonnet 4.5

Anthropic

Claude Sonnet 4.5

$21

Input tokens/M

$105

Output tokens/M

200

Context Length

Claude 3 Sonnet

Anthropic

Claude 3 Sonnet

$21

Input tokens/M

$105

Output tokens/M

200

Context Length

Gemini 2.5 Flash-Lite

Google

Gemini 2.5 Flash-Lite

$0.7

Input tokens/M

$2.8

Output tokens/M

1k

Context Length

qwen-image-plus

Alibaba

qwen-image-plus

-

Input tokens/M

-

Output tokens/M

-

Context Length

qwen3-coder-plus

Alibaba

qwen3-coder-plus

$4

Input tokens/M

$16

Output tokens/M

1k

Context Length

qwen3-vl-plus

Alibaba

qwen3-vl-plus

$1

Input tokens/M

$10

Output tokens/M

256

Context Length

qwen3-max

Alibaba

qwen3-max

$6

Input tokens/M

$24

Output tokens/M

256

Context Length

Qianfan-Lightning

Baidu

Qianfan-Lightning

-

Input tokens/M

-

Output tokens/M

128

Context Length

wan2.5-i2i-preview

Alibaba

wan2.5-i2i-preview

-

Input tokens/M

-

Output tokens/M

-

Context Length

qwen3-vl-235b-a22b-thinking

Alibaba

qwen3-vl-235b-a22b-thinking

$2

Input tokens/M

$20

Output tokens/M

-

Context Length

qwen-image-edit

Alibaba

qwen-image-edit

-

Input tokens/M

-

Output tokens/M

-

Context Length

Everos

thenexthub

E

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。

多模态SafetensorsSafetensorsMultiple Languages
thenexthub
500
0

Nanonets OCR2 3B GGUF

Mungert

N

Nanonets-OCR2-3B GGUF模型是专为文档处理设计的强大工具，能够将各类文档智能转换为结构化的Markdown格式，具备OCR、图像转文本、PDF转Markdown以及视觉问答等多种先进识别和处理能力。

多模态TransformersTransformersOther
Mungert
1.7k
1

NVIDIA Nemotron Nano 12B V2 VL BF16

nvidia

N

NVIDIA Nemotron Nano v2 12B VL是一款强大的多模态视觉语言模型，支持多图像推理和视频理解，具备文档智能、视觉问答和摘要功能，可用于商业用途。

多模态TransformersTransformers
nvidia
1.3k
16

UniPixel 3B

PolyU-ChenLab

U

UniPixel-3B是一个用于像素级视觉语言理解的统一多模态大语言模型，能够灵活支持各种细粒度任务，包括图像/视频分割、区域理解以及新颖的PixelQA任务。该模型在视频中联合要求以对象为中心的指称、分割和问答，实现了像素级的视觉推理能力。

多模态SafetensorsSafetensors
PolyU-ChenLab
294
2

VideoScore2 SFT No CoT

TIGER-Lab

V

本项目基于Qwen2.5-VL-7B-Instruct模型，专注于视觉问答任务，能够精准回答图像相关问题，具备较高的准确性和相关性。这是一个多模态视觉语言模型，支持图像理解和基于图像的问答交互。

多模态SafetensorsSafetensorsEnglish
TIGER-Lab
151
0

VideoScore2 SFT

TIGER-Lab

V

Qwen2.5-VL-7B-Instruct是阿里巴巴通义千问团队开发的多模态视觉语言模型，基于70亿参数规模，专门针对视觉问答任务进行优化训练。该模型能够理解和分析图像内容，并生成准确的自然语言回答。

多模态SafetensorsSafetensorsEnglish
TIGER-Lab
227
0

FastVLM 1.5B

apple

F

FastVLM是一种高效的视觉语言模型，通过创新的混合视觉编码器FastViTHD显著减少高分辨率图像的编码时间，提升模型性能。该模型在多个视觉问答和文档理解基准测试中表现出色，同时大幅降低首词生成时间。

多模态SafetensorsSafetensors
apple
611
19

FastVLM 0.5B

apple

F

FastVLM是一种专为视觉语言模型设计的高效视觉编码方案，通过创新的混合视觉编码器FastViTHD显著减少高分辨率图像的编码时间，提升模型响应速度和性能表现。该模型在多个视觉问答和文档理解基准测试中表现出色。

多模态SafetensorsSafetensors
apple
2k
86

TreeVGR 7B CI I1 GGUF

mradermacher

T

TreeVGR-7B-CI 是一个基于视觉的问答、视觉定位和视觉推理的模型量化版本，适用于多种视觉任务场景。

多模态TransformersTransformersEnglish
mradermacher
254
1

TreeVGR 7B CI GGUF

mradermacher

T

TreeVGR-7B-CI 的静态量化版本，适用于视觉问答、视觉定位和视觉推理等任务

多模态TransformersTransformersEnglish
mradermacher
150
1

Qwen2.5 Vl Vqa Vibook

sunbv56

Q

基于Qwen2.5架构的视觉问答模型，专注于越南语场景，支持对图像相关问题进行解答。

多模态PeftPeftOther
sunbv56
148
0

SpaceOm GGUF

mgonzs13

S

SpaceOm-GGUF 是一款专注于视觉问答任务的多模态模型，在空间推理方面表现出色。

多模态GgufGgufEnglish
mgonzs13
196
1

Lingshu 7B

lingshu-medical-mllm

L

灵枢是医疗领域的SOTA多模态大语言模型，在医疗视觉问答和报告生成任务中表现卓越。

多模态TransformersTransformers
lingshu-medical-mllm
355
18

FuseLIP B CC12M MM

chs20

F

FuseLIP是一种创新的多模态嵌入模型，它通过一个单一的Transformer模型，使用扩展的词汇表同时处理文本和图像离散令牌，实现了模态间的早期深度融合。该方法解决了传统对比式语言-图像预训练模型无法原生编码多模态输入的问题，在视觉问答和文本引导的图像检索等任务上表现出色。

多模态PytorchPytorch
chs20
192
1

Qwen2.5 VL 3B UI R1 E

LZXzju

Q

UI-R1-E-3B是基于Qwen2.5-VL-3B-Instruct微调的高效GUI定位模型，专注于视觉问答任务，特别擅长在用户界面截图中定位和识别操作元素。

多模态SafetensorsSafetensorsEnglish
LZXzju
75
3

Finetune_VQA_1B

TienAnh

F

基于InternVL3-1B和Vintern-1B-v3_5微调的视觉问答模型，支持越南语，适用于图像内容理解和问答任务。

多模态SafetensorsSafetensorsOther
TienAnh
20
0

Table Llava V1.5 7b Hf

SpursgoZmy

T

Table LLaVA 7B是一个开源的多模态聊天机器人，专门设计用于理解表格图像，能够执行表格问答、表格单元格描述和结构理解等多种表格相关任务。该模型基于LLaVA-v1.5架构，使用CLIP-ViT-L-336px作为视觉编码器，Vicuna-v1.5-7B作为基础大语言模型。

多模态SafetensorsSafetensorsEnglish
SpursgoZmy
102
0

Bespoke MiniChart 7B

bespokelabs

B

由Bespoke Labs开发的7B参数规模开源图表理解视觉语言模型，在图表问答任务上超越Gemini-1.5-Pro等闭源模型

多模态SafetensorsSafetensorsEnglish
bespokelabs
437
12

EraX VL 7B V1.5

mxw1998

E

EraX-VL-7B-V1.5是一款强大的多模态模型，专精于光学字符识别（OCR）和视觉问答（VQA），在多语言环境下表现卓越，尤其擅长越南语。

多模态TransformersTransformersMultiple Languages
mxw1998
26
0

Blip Gqa Ft

phucd

B

基于Salesforce/blip2-opt-2.7b微调的视觉语言模型，用于图像问答任务

多模态TransformersTransformers
phucd
29
0

MCP

View More
moondream-mcp-server

Moondream Mcp Server

Moondream MCP Server是一个基于Moondream视觉模型的图像分析服务，提供图像描述生成、物体检测和视觉问答功能，可轻松集成到Claude和Cline等AI助手中。

typescript
6.5k
2.5points
vipermcp

Vipermcp

ViperMCP是一个基于ViperGPT的混合专家视觉问答服务器，通过FastMCP提供可流式传输的MCP工具，支持视觉定位、组合图像问答和依赖外部知识的图像问答。

python
6.3k
2.0points
AIBase
Empowering the future, your artificial intelligence solution think tank
English简体中文繁體中文にほんご
FirendLinks:
AI Newsletters AI ToolsMCP ServersAI NewsAIBaseLLM LeaderboardAI Ranking
© 2025AIBase
Business CooperationSite Map