混元OCR是由混元原生多模态架构驱动的端到端OCR专家VLM模型，仅用10亿参数的轻量级设计，在多个行业基准测试中取得最先进成绩。该模型擅长处理复杂的多语言文档解析，在文本定位、开放域信息提取、视频字幕提取和图片翻译等实际应用场景中表现出色。

多模态Transformers支持多种语言

GLM-4.1V-9B-Thinking 是基于视觉语言模型（VLM）开发的开源模型，旨在探索视觉语言模型推理能力的上限。它通过引入'思维范式'和强化学习，显著提升了模型能力，在10B参数的VLM中达到了领先水平。

多模态Transformers支持多种语言

GLM-4.1V-9B-Thinking是基于GLM-4-9B-0414基础模型的开源视觉语言模型，专门探索视觉语言模型推理能力的上限。它引入'思考范式'并利用强化学习显著增强能力，在10B参数的VLM中表现卓越，在多项基准任务中媲美甚至超越更大参数的模型。

多模态Transformers支持多种语言

GLM-4.1V-9B-Thinking是一款强大的视觉语言模型（VLM），专注于多模态理解和推理，通过AWQ量化版本提供高效推理能力。

多模态Transformers

GLM-4.1V-9B-Thinking是基于GLM-4-9B-0414基础模型的开源视觉语言模型，通过引入'思维范式'和强化学习显著提升了模型性能，在100亿参数的VLMs中达到了领先水平，在18项基准任务中与甚至超越了720亿参数的Qwen-2.5-VL-72B。

多模态Transformers支持多种语言

一个专为社区免费开放的图像字幕视觉语言模型（VLM），可用于训练扩散模型，支持多样化的图像风格和内容。

多模态Transformers

nanoVLM是一款轻量级的视觉语言模型（VLM），专为高效训练和实验而设计。

多模态Safetensors

nanoVLM 是一款轻量级的视觉语言模型（VLM），专为高效训练和实验而设计。

多模态Safetensors

Holo1-3B是由HCompany开发的动作视觉语言模型(VLM)，专为Surfer-H网络代理系统设计，能够像人类用户一样与网页界面进行交互。

多模态Transformers英语

FlashVL是一种优化视觉语言模型（VLMs）以用于实时应用的新方法，旨在实现超低延迟和高吞吐量，同时不牺牲准确性。

多模态Transformers支持多种语言

nanoVLM 是一款极简轻量级的视觉语言模型（VLM），专为高效训练和实验而设计。

多模态Safetensors

VLM2Vec-V2 是一个用于大规模多模态嵌入任务的模型，通过训练视觉语言模型，为视频、图像和视觉文档等多模态数据提供更强大的嵌入能力。

多模态Transformers英语

Trillion-LLaVA-7B是一个能够理解图像的视觉语言模型（VLM），基于Trillion-7B-preview基础模型开发。

多模态Transformers支持多种语言

Eagle 2.5是一款前沿的视觉语言模型（VLM），专为长上下文多模态学习设计，支持处理长达512帧的视频序列和高分辨率图像。

多模态Transformers其他

由NABLAS开发的日语视觉语言模型（VLM），支持图像、多图像及视频输入，适用于多种多模态任务。

多模态Transformers日语

基于Qwen2.5-VL-3B-Instruct的零样本目标检测模型，通过VLM-R1强化学习增强，支持开放词汇检测任务。

多模态Safetensors英语

一款基于Qwen2.5-VL-3B-Instruct的视觉语言模型，经过数学增强和VLM-R1强化学习训练，专注于解决数学相关的视觉问答任务。

多模态Safetensors英语

Poseless-3B 是一种基于视觉语言模型（VLM）的机器人手部控制框架，能够直接将2D图像映射到关节角度，无需显式姿态估计。

多模态Transformers

基于Qwen2.5-VL-3B-Instruct的视觉语言模型，通过VLM-R1强化学习增强，专注于指代表达式理解任务。

多模态Safetensors英语

Asagi-8B是一个大规模的日语视觉与语言模型（VLM），基于广泛的日语数据集训练，整合了多样化的数据来源。

多模态Transformers日语