混元OCR是由混元原生多模態架構驅動的端到端OCR專家VLM模型，僅用10億參數的輕量級設計，在多個行業基準測試中取得最先進成績。該模型擅長處理複雜的多語言文檔解析，在文本定位、開放域信息提取、視頻字幕提取和圖片翻譯等實際應用場景中表現出色。

多模態Transformers多語言

GLM-4.1V-9B-Thinking 是基於視覺語言模型（VLM）開發的開源模型，旨在探索視覺語言模型推理能力的上限。它通過引入'思維範式'和強化學習，顯著提升了模型能力，在10B參數的VLM中達到了領先水平。

多模態Transformers多語言

GLM-4.1V-9B-Thinking是基於GLM-4-9B-0414基礎模型的開源視覺語言模型，專門探索視覺語言模型推理能力的上限。它引入'思考範式'並利用強化學習顯著增強能力，在10B參數的VLM中表現卓越，在多項基準任務中媲美甚至超越更大參數的模型。

多模態Transformers多語言

GLM-4.1V-9B-Thinking是一款強大的視覺語言模型（VLM），專注於多模態理解和推理，通過AWQ量化版本提供高效推理能力。

多模態Transformers

GLM-4.1V-9B-Thinking是基於GLM-4-9B-0414基礎模型的開源視覺語言模型，通過引入'思維範式'和強化學習顯著提升了模型性能，在100億參數的VLMs中達到了領先水平，在18項基準任務中與甚至超越了720億參數的Qwen-2.5-VL-72B。

多模態Transformers多語言

一個專為社區免費開放的圖像字幕視覺語言模型（VLM），可用於訓練擴散模型，支持多樣化的圖像風格和內容。

多模態Transformers

nanoVLM是一款輕量級的視覺語言模型（VLM），專為高效訓練和實驗而設計。

多模態Safetensors

nanoVLM 是一款輕量級的視覺語言模型（VLM），專為高效訓練和實驗而設計。

多模態Safetensors

Holo1-3B是由HCompany開發的動作視覺語言模型(VLM)，專為Surfer-H網絡代理系統設計，能夠像人類用戶一樣與網頁界面進行交互。

多模態Transformers英語

FlashVL是一種優化視覺語言模型（VLMs）以用於即時應用的新方法，旨在實現超低延遲和高吞吐量，同時不犧牲準確性。

多模態Transformers多語言

nanoVLM 是一款極簡輕量級的視覺語言模型（VLM），專為高效訓練和實驗而設計。

多模態Safetensors

VLM2Vec-V2 是一個用於大規模多模態嵌入任務的模型，通過訓練視覺語言模型，為視頻、圖像和視覺文檔等多模態數據提供更強大的嵌入能力。

多模態Transformers英語

Trillion-LLaVA-7B是一個能夠理解圖像的視覺語言模型（VLM），基於Trillion-7B-preview基礎模型開發。

多模態Transformers多語言

Eagle 2.5是一款前沿的視覺語言模型（VLM），專為長上下文多模態學習設計，支持處理長達512幀的視頻序列和高分辨率圖像。

多模態Transformers其他

由NABLAS開發的日語視覺語言模型（VLM），支持圖像、多圖像及視頻輸入，適用於多種多模態任務。

多模態Transformers日語

基於Qwen2.5-VL-3B-Instruct的零樣本目標檢測模型，通過VLM-R1強化學習增強，支持開放詞彙檢測任務。

多模態Safetensors英語

一款基於Qwen2.5-VL-3B-Instruct的視覺語言模型，經過數學增強和VLM-R1強化學習訓練，專注於解決數學相關的視覺問答任務。

多模態Safetensors英語

Poseless-3B 是一種基於視覺語言模型（VLM）的機器人手部控制框架，能夠直接將2D圖像映射到關節角度，無需顯式姿態估計。

多模態Transformers

基於Qwen2.5-VL-3B-Instruct的視覺語言模型，通過VLM-R1強化學習增強，專注於指代表達式理解任務。

多模態Safetensors英語

Asagi-8B是一個大規模的日語視覺與語言模型（VLM），基於廣泛的日語數據集訓練，整合了多樣化的數據來源。

多模態Transformers日語