SD百科导航
  • 首页
  • 快讯
  • 早报
  • 模型
  • ComfyUI
  • 新技术
  • 百科
    • 教程
    • 硬件
    • 科普
  • 百科工具
    • 工具
  • 排行榜
    • 首页
    • 快讯
    • 早报
    • 模型
    • ComfyUI
    • 新技术
    • 百科
      • 教程
      • 硬件
      • 科普
    • 百科工具
      • 工具
    • 排行榜

    多模态模型

    共 311 篇文章
    百科工具模型ComfyUIAI合集web UI提示词
    大语言模型多模态模型图像模型语音模型3D模型Flux衍生视频模型世界模型决策模型
    排序
    发布更新浏览点赞
    百度开源 Unlimited OCR 2:SR-SWA 稀疏注意力加持,专门面向数百页超长文档解析

    新百度开源 Unlimited OCR 2:SR-SWA 稀疏注意力加持,专门面向数百页超长文档解析

    百度正式开源了 Unlimited OCR 2,这是一款专为超长文档解析构建的 33.4 亿(3.34B)参数视觉语言模型。该模型能够在单次请求中高效解析数百页的书籍、申报文件和报告,其核心突破在于引...
    多模态模型# Unlimited OCR 2# 百度
    11分钟前
    00
    阿里通义推出MAI-Gym:面向GUI智能体的一体化训练评测平台,一套框架同时支持手机/电脑/网页,最高支持2万并发环境

    阿里通义推出MAI-Gym:面向GUI智能体的一体化训练评测平台,一套框架同时支持手机/电脑/网页,最高支持2万并发环境

    阿里巴巴通义团队推出 MAI-Gym,是面向GUI图形界面智能体的一体化开放平台,用于智能体评估、交互轨迹采集、在线强化学习训练,覆盖移动端、桌面电脑、网页浏览器三类GUI环境,框架源代码即将发布。依...
    多模态模型# /MAI-Gym-9B# MAI-Gym# 阿里巴巴
    1周前
    280
    面壁智能发布MiniCPM-V 4.7多模态模型:系列首款MoE版本,35B-A3B可在iPhone端侧流畅无损运行

    面壁智能发布MiniCPM-V 4.7多模态模型:系列首款MoE版本,35B-A3B可在iPhone端侧流畅无损运行

    面壁智能推出新一代开源端侧多模态大模型 MiniCPM-V 4.7,提供35B-A3B、1B两个版本,35B-A3B是MiniCPM-V系列首个MoE架构模型。 GitHub:https://gith...
    多模态模型# MiniCPM-V 4.7# 面壁智能
    2周前
    340
    Perplexity 发布 pplx-embed-v2-late:双尺寸ColBERT风格多模态嵌入模型,MIT许可开源

    Perplexity 发布 pplx-embed-v2-late:双尺寸ColBERT风格多模态嵌入模型,MIT许可开源

    Perplexity 正式推出 pplx-embed-v2-late,一对ColBERT架构风格的多模态嵌入模型,分为0.6B轻量边缘版本与9B高质量版本,二者共享同一嵌入空间,支持文本、图片、渲染P...
    多模态模型# Perplexity# pplx-embed-v2-late
    3周前
    400
    谷歌发布 EmbeddingGemma 2:Apache2.0开源轻量多模态嵌入模型,设备端统一处理图文音视频

    谷歌发布 EmbeddingGemma 2:Apache2.0开源轻量多模态嵌入模型,设备端统一处理图文音视频

    谷歌推出 EmbeddingGemma 2,一款Apache 2.0协议开放、面向设备端的轻量多模态嵌入模型,能够把文本、代码、图像、音频、视频映射至同一个嵌入向量空间,在消费级本地硬件上完成跨模态语...
    多模态模型# EmbeddingGemma 2# 多模态嵌入模型# 谷歌
    3周前
    590
    BRIA AI 发布 fibo-scene-analyzer:基于Qwen3.6-35B-A3B微调,单模型一站式图像结构化解析

    BRIA AI 发布 fibo-scene-analyzer:基于Qwen3.6-35B-A3B微调,单模型一站式图像结构化解析

    BRIA AI 正式推出图像理解模型 fibo-scene-analyzer(FIBO Scene Analyzer [dev]),该模型由 Qwen3.6-35B-A3B 微调而来,单个模型即可一次...
    多模态模型# BRIA AI# fibo-scene-analyzer# Qwen3.6-35B-A3B
    3周前
    550
    Mistral正式发布Mistral Large 4「Le Chonk」:万亿总参数MoE模型,10月27日开放权重

    Mistral正式发布Mistral Large 4「Le Chonk」:万亿总参数MoE模型,10月27日开放权重

    Mistral正式放出Mistral Large 4(ML4,代号Le Chonk)公开预览,这是一款万亿总参数稀疏混合专家多模态模型,输入支持多模态,输出为文本。这家巴黎AI企业计划经过约三周的开发...
    多模态模型早报# Le Chonk# Mistral# Mistral Large 4
    3周前
    1190
    Reka 发布 Rho-1:19B 全模态推理大模型,单模型可理解生成视频并输出机器人动作

    Reka 发布 Rho-1:19B 全模态推理大模型,单模型可理解生成视频并输出机器人动作

    Reka 推出 Rho-1 的研究预览版本,这是一款从头训练的19B全模态推理模型。单个神经网络就可以完成文本、图像、视频的理解与生成,同时输出机器人动作,用来替代传统多模态方案里,多个专用模型之间互...
    多模态模型早报# Reka# Rho-1
    3周前
    690
    英伟达发布表格基础模型Kumo Tabular:单次前向传播完成预测,支持商用

    英伟达发布表格基础模型Kumo Tabular:单次前向传播完成预测,支持商用

    英伟达正式推出 Kumo Tabular 表格基础模型(TFM),面向表格数据的分类与回归任务,和TabPFN、TabICL思路相近:直接把带标签的行作为上下文,单次前向传播即可预测新数据行,无需额外...
    多模态模型# Kumo Tabular# 英伟达# 表格基础模型
    4周前
    530
    阿里ATH-MaaS开源Ovis-Embedding系列嵌入模型:文字/图/视频/音频统一语义空间,实现任意模态互搜

    阿里ATH-MaaS开源Ovis-Embedding系列嵌入模型:文字/图/视频/音频统一语义空间,实现任意模态互搜

    阿里ATH-MaaS推出 Ovis-Embedding 系列嵌入模型,核心目标是把文字、图片、视频、音频全部映射到同一个共享语义向量空间,实现任意模态检索:用任意一类内容作为查询,检索其他类型素材。官...
    多模态模型# Ovis-Embedding# 嵌入模型
    1个月前
    540
    Liquid AI 发布 LFM2.5-VL-3B-DSpark:VLM 投机解码草稿模型,Apple Silicon 解码加速达 3.13 倍

    Liquid AI 发布 LFM2.5-VL-3B-DSpark:VLM 投机解码草稿模型,Apple Silicon 解码加速达 3.13 倍

    Liquid AI 推出 LFM2.5-VL-3B-DSpark,一个专为 LFM2.5-VL-3B 视觉语言模型设计的实验性投机解码草稿模型。该草稿器仅增加约 2.8 亿参数(+8.9%),在不改变...
    多模态模型# LFM2.5-VL-3B-DSpark# Liquid AI
    1个月前
    510
    小米开源 MiMo-V2.6 系列:全模态 RL 扩展模型,Pro 版登顶开源智能榜首

    小米开源 MiMo-V2.6 系列:全模态 RL 扩展模型,Pro 版登顶开源智能榜首

    小米正式发布并开源 MiMo-V2.6 系列原生全模态模型,包含 MiMo-V2.6-Pro、MiMo-V2.6-Flash,同时推出 MiMo-V2.6-Pro-UltraSpeed 极速版本,在同...
    多模态模型早报# MiMo-V2.6# 小米
    1个月前
    2790
    加载更多

    网址

    日榜周榜月榜
    LoginFlip

    LoginFlip

    LoginFlip 是一款专为 Chrome 浏览器设计的轻量级扩展,解决多账号管理痛点。它通过保存和恢复网站的登录状态(Cookie + localStorage),让你在不同身份(工作号、测试号、个人号等)之间实现秒级切换,彻底告别反复输入密码和退出登录的繁琐流程。
    Workout Guide

    Workout Guide

    Workout Guide 是一个专为开发者、健身应用构建者及内容创作者设计的免费资源库。它收录了 302 种运动项目,共计 906 张透明背景 SVG 动作图。每个动作均通过“三格连续姿势”清晰展示操作流程,涵盖重量训练、有氧运动、伸展及活动度训练等类型。
    Midjourney

    Midjourney

    Midjourney是目前最强的AI绘画工具,输入提示词即可通过AI算法生成相对应的图片,只需要不到一分钟。对于新用户,官方提供一段时间的免费试用,用户可以直接通过谷歌账号注册体验。
    NotebookLM

    NotebookLM

    NotebookLM是谷歌推出的一款个性化AI协作工具,旨在帮助用户更高效地进行信息整理和笔记记录。利用强大的语言模型帮助用户更快地从各种文本、图像以及网页中提取主要信息。
    VideoFX

    VideoFX

    VideoFX是谷歌AI实验室的一个实验性AI视频生成产品,由 Veo 2.0模型提供支持,目前还处于抢先体验阶段,Veo 2 是一款极其高质量的视频生成模型,能够在广泛的题材和风格中创建逼真的视频内容。
    Adobe Firefly Video

    Adobe Firefly Video

    由 Firefly 视频模型支持,创意专业人士可以从文本提示或图像生成视频片段,控制镜头角度,创建专业质量的图像,并开发自定义运动设计元素。该功能支持 1080p 分辨率,并即将推出 4K 模型。
    查看完整榜单
    SD百科导航
    SD百科导航是专注于AI创作领域的专业导航网站。我们全面涵盖Stable Diffusion、Flux、AI绘画、AI视频、AI音乐以及大语言模型等前沿内容。

    关于我们友链申请广告合作

    扫码关注微信公众号SD百科导航
    扫码关注微信公众号
    Copyright © 2026 SD百科导航 皖ICP备18025588号-5  皖公网安备34040002000401 
    网址
    网址文章软件模型
      ↵ENTER↓↑NAV

      网址

      日榜周榜月榜
      LoginFlip

      LoginFlip

      LoginFlip 是一款专为 Chrome 浏览器设计的轻量级扩展,解决多账号管理痛点。它通过保存和恢复网站的登录状态(Cookie + localStorage),让你在不同身份(工作号、测试号、个人号等)之间实现秒级切换,彻底告别反复输入密码和退出登录的繁琐流程。
      Workout Guide

      Workout Guide

      Workout Guide 是一个专为开发者、健身应用构建者及内容创作者设计的免费资源库。它收录了 302 种运动项目,共计 906 张透明背景 SVG 动作图。每个动作均通过“三格连续姿势”清晰展示操作流程,涵盖重量训练、有氧运动、伸展及活动度训练等类型。
      Midjourney

      Midjourney

      Midjourney是目前最强的AI绘画工具,输入提示词即可通过AI算法生成相对应的图片,只需要不到一分钟。对于新用户,官方提供一段时间的免费试用,用户可以直接通过谷歌账号注册体验。
      NotebookLM

      NotebookLM

      NotebookLM是谷歌推出的一款个性化AI协作工具,旨在帮助用户更高效地进行信息整理和笔记记录。利用强大的语言模型帮助用户更快地从各种文本、图像以及网页中提取主要信息。
      VideoFX

      VideoFX

      VideoFX是谷歌AI实验室的一个实验性AI视频生成产品,由 Veo 2.0模型提供支持,目前还处于抢先体验阶段,Veo 2 是一款极其高质量的视频生成模型,能够在广泛的题材和风格中创建逼真的视频内容。
      Adobe Firefly Video

      Adobe Firefly Video

      由 Firefly 视频模型支持,创意专业人士可以从文本提示或图像生成视频片段,控制镜头角度,创建专业质量的图像,并开发自定义运动设计元素。该功能支持 1080p 分辨率,并即将推出 4K 模型。
      查看完整榜单