OpenMMReasoner是一个完全透明的两阶段多模态推理方案，涵盖有监督微调（SFT）和强化学习（RL）。该方案通过精心构建高质量数据集，在多个多模态推理基准测试中超越了强大的基线模型，为未来大规模多模态推理研究奠定了坚实的实证基础。

多模态Transformers

Sarashina2.2-Vision-3B是由SB Intuitions训练的日本大型视觉语言模型，基于Sarashina2.2-3B-Instruct和SigLIP图像编码器构建，具备强大的图像到文本转换能力，支持日语和英语的多模态处理。

多模态Transformers支持多种语言

ERNIE-4.5-VL-28B-A3B-Thinking AWQ - INT8是基于百度ERNIE-4.5架构的多模态大语言模型，通过AWQ量化技术实现8位精度，在保持高性能的同时大幅降低内存需求。该模型在视觉推理、STEM问题解决、图像分析等方面表现出色，具备强大的多模态理解和推理能力。

多模态Transformers支持多种语言

SenseNova-SI是基于多模态基础模型构建的空间智能模型系列，专门针对空间理解能力进行优化。通过大规模空间智能数据训练，在度量估计、空间关系理解、视点变化处理等方面表现优异。

多模态Transformers

Emu3.5是北京智源人工智能研究院开发的原生多模态模型，能够跨视觉和语言联合预测下一状态，实现连贯的世界建模和生成。通过端到端预训练和大规模强化学习后训练，在多模态任务中展现出卓越性能。

多模态Transformers

Gemma 3 27B IT QAT的MLX MXFP4量化版本，是由Google开发的轻量级开源多模态模型。该模型能够同时处理文本和图像输入并生成文本输出，拥有128K大上下文窗口，支持超过140种语言，适用于多种文本生成和图像理解任务。

多模态Mlx

NVIDIA-Nemotron-Nano-VL-12B-V2-FP4-QAD 是 NVIDIA 推出的自回归视觉语言模型，基于优化的 Transformer 架构，能够同时处理图像和文本输入。该模型采用 FP4 量化技术，在保持性能的同时显著减少模型大小和推理成本，适用于多种多模态应用场景。

多模态Transformers

INL架构是一种基于积分神经元动力学的生产级神经架构，用迭代动力学取代传统前馈网络层，适用于大语言模型、视觉变换器、多模态模型等多种类型。

自然语言处理Safetensors英语

Qwen3-VL是通义大模型系列最强大的视觉语言模型，在文本理解、视觉感知、空间理解、视频处理等方面全面升级，提供卓越的多模态能力。

多模态Safetensors

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。

多模态Diffusers英语

Qwen3-VL-8B-Thinking是阿里云Qwen团队开发的80亿参数多模态大语言模型，专为深度多模态推理设计，支持视觉理解、长上下文处理和结构化思维链生成，在复杂推理任务中表现出色。

多模态Mlx

Qwen3-VL-4B-Instruct是阿里云Qwen团队推出的40亿参数指令调优多模态大语言模型，专为高通NPU优化，融合强大的视觉语言理解能力与对话微调功能，适用于聊天推理、文档分析和视觉对话等实际应用场景。

多模态Gguf

Bee-8B是一个先进的全开源多模态大语言模型，专注于数据质量，旨在缩小与专有模型的性能差距。通过使用高质量的Honey-Data-15M语料库和先进的数据处理管道HoneyPipe，在复杂推理等方面展现了卓越性能。

多模态Transformers英语

Apriel-1.5-15b-Thinker是ServiceNow开发的150亿参数多模态推理模型，具备文本和图像推理能力，性能可媲美比它大10倍的模型，在人工分析指数上获得52分，在企业领域基准测试中表现优异。

多模态Transformers

Apriel-1.5-15b-Thinker是ServiceNow Apriel SLM系列中的多模态推理模型，具有150亿参数，能够在文本和图像推理任务上与规模大10倍的模型竞争。该模型通过中期训练方案实现了卓越的推理能力，无需图像SFT训练或强化学习即可达到SOTA性能。

多模态Transformers

PaDT Pro 3B是基于Qwen2.5VL-3B的多模态大语言模型，采用可解码块令牌的统一范式，能够直接生成文本和视觉输出，在多个视觉感知和理解任务中取得先进性能。

多模态Transformers支持多种语言

Ming-UniVision是一个多模态大语言模型，首次将连续视觉表征集成到下一令牌预测框架中，在单一自回归范式下统一了视觉和语言，无需离散量化或特定模态的头部。该模型支持联合图像理解与生成，在视觉语言训练中收敛速度更快，还支持多轮上下文视觉任务。

多模态Transformers支持多种语言

这是Qwen3-Omni 31.7B参数模型的专业量化版本，采用先进的INT8+FP16混合精度量化技术，内存使用减少50%以上，支持智能GPU/CPU混合推理，让大型多模态模型能够在消费级硬件上高效运行。

多模态Safetensors支持多种语言

Apriel-1.5-15b-Thinker是ServiceNow开发的多模态推理模型，拥有150亿参数，在文本和图像推理任务上表现出色，性能可与比其大10倍的模型竞争。

多模态Transformers

Lapa LLM 12B PT是基于Google Gemma 3-12B开发的开源大语言模型，专门针对乌克兰语处理优化。由乌克兰多所高校研究团队开发，在乌克兰语处理方面表现卓越，具备高效的指令微调和多模态能力。

多模态Transformers其他