基于Llama-3.1-8B-Instruct的多语言音频文本转文本模型，支持40多种语言处理

自然语言处理Transformers支持多种语言

基于meta-llama/Llama-3.2-1B-Instruct权重预加载的多语言文本转文本模型

自然语言处理Transformers支持多种语言

基于Meta的Llama-3.3-70B-Instruct模型构建的多语言文本处理模型，支持音频到文本转换任务

自然语言处理Transformers支持多种语言

InternVL3-38B 是一款先进的多模态大语言模型，在多模态感知、推理等能力上表现卓越，相较于前代模型有显著提升，还拓展了工具使用、GUI 代理等多模态能力。

多模态Transformers其他

InternVL3-8B是一款先进的多模态大语言模型，具备卓越的多模态感知和推理能力，在工具使用、GUI代理、工业图像分析等多领域表现出色。

多模态Transformers其他

InternVL3-1B是InternVL3系列中的1B参数规模多模态大语言模型，整合了InternViT视觉编码器和Qwen2.5语言模型，具备卓越的多模态感知和推理能力。

多模态Transformers其他

Ultravox 是一个基于 Llama3.1-8B-Instruct 和 Whisper-small 的多模态语音大语言模型，能够同时处理语音和文本输入。

多模态Transformers英语

InternVideo2.5 是一款基于长且丰富的上下文（LRC）建模增强的视频多模态大语言模型（MLLM），构建于 InternVL2.5 之上。

多模态Transformers英语

Qwen2-VL-2B-Instruct 是一个多模态视觉语言模型，支持图像文本到文本的任务。

多模态Transformers英语

Qwen2-VL-72B-Instruct 是一个多模态视觉语言模型，支持图像和文本的交互，适用于复杂的视觉语言任务。

多模态Transformers英语

MiniCPM-V 2.6是一款强大的多模态大语言模型，能够在手机等设备上高效运行，支持单图像、多图像和视频理解任务。

多模态Transformers其他

Meta发布的变色龙系列7B参数规模的多模态模型，支持图像文本转文本任务

自然语言处理Safetensors

LLaVA-NeXT-Video-7B-hf 是一个基于视频的多模态模型，能够处理视频和文本输入，生成文本输出。

多模态Safetensors英语

Phi-3.5-vision是一款轻量级、先进的开源多模态模型，支持128K上下文长度，专注于高质量、富含推理的文本和视觉数据处理。

多模态Transformers其他

基于Qwen2-VL-7B-Instruct微调的文档OCR模型，支持多语言文档识别与元数据提取

多模态Transformers英语

Meta Llama 3 70B是由Meta开发的大语言模型，具有700亿参数，支持8k上下文长度，适用于英语的商业和研究用途。

自然语言处理Transformers英语

C4AI Command R+ 是一个开放权重的1040亿参数研究模型，具备高级功能，包括检索增强生成（RAG）和工具使用以自动化复杂任务。

自然语言处理Transformers支持多种语言

由FriendliAI量化为FP8精度的Mistral-7B-Instruct-v0.2模型，在保持高精度的同时显著提升推理效率。

自然语言处理Transformers