Wan2.2是基础视频模型的重大升级版本，专注于将有效MoE架构、高效训练策略和多模态融合等创新技术融入视频扩散模型，为视频生成领域带来更强大、更高效的解决方案。

多模态Diffusers支持多种语言

MM-VAE Lyra是一个专门用于文本嵌入转换的多模态变分自编码器，采用几何融合技术。它结合了CLIP-L和T5-base模型，能够有效处理文本嵌入的编码和解码任务，为多模态数据处理提供创新解决方案。

Qwen3-VL-2B-Instruct-GGUF是通义千问系列的多模态视觉语言模型的GGUF量化版本，具备20亿参数，支持图像理解和文本生成的无缝融合，可在CPU、GPU等设备上高效运行。

多模态Transformers

Qwen3-VL-30B-A3B-Instruct是基于Qwen3-VL-30B模型的多模态视觉语言模型，支持图像和文本的联合理解与生成任务。该模型采用先进的视觉语言融合架构，能够处理复杂的多模态推理任务。

多模态Gguf

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

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Pytorch

SkyReels V2是全球首个采用扩散强制框架的无限长度电影生成模型，融合多模态大语言模型、多阶段预训练、强化学习与扩散强制技术实现全面优化。

多模态Diffusers

Llama 4 Scout是Meta推出的170亿参数混合专家架构(MoE)多模态模型，支持12种语言和图像理解，采用topk=4专家动态融合机制。

多模态Transformers支持多种语言

ReT是一种支持多模态查询与文档检索的创新方法，通过融合视觉与文本骨干网络多层级表征实现细粒度检索。

多模态Transformers

Phi-4-multimodal-instruct是一款轻量级开源多模态基础模型，融合了Phi-3.5和4.0模型的语言、视觉及语音研究与数据集。支持文本、图像和音频输入，生成文本输出，并具备128K标记的上下文长度。

多模态Transformers支持多种语言

Phi-4-multimodal-instruct是一款轻量级开源多模态基础模型，融合了Phi-3.5和4.0模型的语言、视觉及语音研究数据。支持文本、图像和音频输入，生成文本输出，并具备128K token的上下文长度。

多模态Transformers支持多种语言

ViTucano是首个原生葡萄牙语预训练的视觉助手，融合视觉理解与语言能力，适用于多模态任务如图像描述、视觉问答等。

多模态Transformers其他

Eagle是一个以视觉为中心的高分辨率多模态大语言模型家族，通过融合多种视觉编码器和不同输入分辨率，增强了多模态大语言模型的感知能力。

多模态Transformers

Meta变色龙是FAIR研发的混合模态早期融合基础模型，支持图像和文本的多模态处理。

多模态Transformers

MoVA-8B是一个开源的多模态大语言模型，采用从粗到细的机制，自适应地路由和融合特定任务的视觉专家模块，可用于多模态模型和聊天机器人的研究。

多模态Transformers

Meta变色龙是FAIR研发的混合模态早期融合基础模型，支持图像和文本的多模态处理。

多模态Transformers

16亿参数的多模态模型，融合SigLIP与Phi-1.5技术架构，支持图像理解和问答任务

多模态Transformers英语

基于Mistral-7B的视觉语言模型，融合SigLIP-400M视觉编码器和函数调用能力，支持多模态交互

多模态Gguf英语

Mustango是一个专为可控音乐生成而设计的全新多模态大语言模型，融合了潜在扩散模型（LDM）、Flan-T5和音乐特征来实现高质量的文本到音乐生成。

多模态Transformers

BabyDoctor是一个多模态大语言模型，融合了CLiP和LLaMA 2的能力，能够理解和生成文本，同时理解图像。该模型经过微调，专门用于解读X光、超声波、核磁共振和CT扫描等放射学图像。

多模态Transformers英语