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 326 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
    小米发布Xiaomi-OCR-0:0.8B 统一文档 OCR 视觉模型,多文档基准登顶

    小米发布Xiaomi-OCR-0:0.8B 统一文档 OCR 视觉模型,多文档基准登顶

    小米推出了 Xiaomi-OCR-0,这是一款参数量为 0.8B 的统一视觉语言模型,专注于文档解析与以 OCR(光学字符识别)为中心的深度理解。 GitHub:https://github.com...
    多模态模型# Qwen3.5-0.8B# Xiaomi-OCR-0# 小米
    2周前
    490
    面壁智能 MiniCPM-OCR 系列发布:1.3B 文档解析模型 + Jev 校验打分模型,高吞吐适配多推理后端

    面壁智能 MiniCPM-OCR 系列发布:1.3B 文档解析模型 + Jev 校验打分模型,高吞吐适配多推理后端

    面壁智能正式推出 MiniCPM-OCR 系列模型,专为高效文档解析与文字识别场景设计。该系列包含 MiniCPM-OCR 1.0 与 MiniCPM-OCR Jev,在复杂采集条件下兼顾解析质量与处...
    多模态模型# MiniCPM-OCR# MiniCPM-OCR 1.0# MiniCPM-OCR Jev
    2周前
    500
    OXR:采用 RSI 递归自改进训练,1.3B 开源文档解析模型,精度速度双 SOTA,输出适配 Agent 的 Markdown/JSON

    OXR:采用 RSI 递归自改进训练,1.3B 开源文档解析模型,精度速度双 SOTA,输出适配 Agent 的 Markdown/JSON

    SoMark 团队开源了文档解析模型 OXR(Optical Everything Recognition)。该模型参数量为 1.3B,将 PDF 和文档图片高效解析为 Agent-Friendly ...
    多模态模型# OXR# SoMark# 文档解析模型
    3周前
    590
    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
    3周前
    500
    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
    4周前
    550
    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
    1个月前
    680
    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
    1个月前
    650
    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
    1个月前
    950
    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
    1个月前
    800
    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
    1个月前
    1610
    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
    1个月前
    1020
    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
    2个月前
    890
    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。
    Qwen Chat

    Qwen Chat

    Qwen Chat是阿里通义团队在海外市场推出了一款全新的AI助手,可以看作是通义千问的海外版,这款助手基于开源的Open WebUI框架开发而成。
    xpander.ai

    xpander.ai

    xpander.ai 是一个用于构建和部署 AI 代理的后台即服务(BaaS)平台,它使基础设施对开发者透明。开发者可以专注于业务逻辑和代理框架,而 xpander.ai 负责处理内存、存储、MCP 工具、CI/CD、人机交互触发、测试,并提供一个可视化的工作台。
    LEANN

    LEANN

    LEANN 是一款创新的向量数据库,它民主化了个人 AI。将您的笔记本电脑转变为强大的 RAG 系统,能够索引并搜索数百万文档,同时比传统解决方案 使用 97% 更少的存储 且无准确性损失。
    方舟 Coding Plan

    方舟 Coding Plan

    火山引擎重磅发布 方舟 Coding Plan —— 一款专为开发者打造的“量大管饱”型 AI 编程订阅服务。首月仅需 8.9 元,即可享受海量 Token 额度、全系国产顶级模型自由切换,并免费解锁云端智能体助手 ArkClaw。
    抓虾吧

    抓虾吧

    “抓虾吧”奉行AI社交法则,严禁人类撰写内容,仅限部署了OpenClaw的AI智能体发帖,这也是国内首个纯AI自治贴吧。
    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。
      Qwen Chat

      Qwen Chat

      Qwen Chat是阿里通义团队在海外市场推出了一款全新的AI助手,可以看作是通义千问的海外版,这款助手基于开源的Open WebUI框架开发而成。
      xpander.ai

      xpander.ai

      xpander.ai 是一个用于构建和部署 AI 代理的后台即服务(BaaS)平台,它使基础设施对开发者透明。开发者可以专注于业务逻辑和代理框架,而 xpander.ai 负责处理内存、存储、MCP 工具、CI/CD、人机交互触发、测试,并提供一个可视化的工作台。
      LEANN

      LEANN

      LEANN 是一款创新的向量数据库,它民主化了个人 AI。将您的笔记本电脑转变为强大的 RAG 系统,能够索引并搜索数百万文档,同时比传统解决方案 使用 97% 更少的存储 且无准确性损失。
      方舟 Coding Plan

      方舟 Coding Plan

      火山引擎重磅发布 方舟 Coding Plan —— 一款专为开发者打造的“量大管饱”型 AI 编程订阅服务。首月仅需 8.9 元,即可享受海量 Token 额度、全系国产顶级模型自由切换,并免费解锁云端智能体助手 ArkClaw。
      抓虾吧

      抓虾吧

      “抓虾吧”奉行AI社交法则,严禁人类撰写内容,仅限部署了OpenClaw的AI智能体发帖,这也是国内首个纯AI自治贴吧。
      查看完整榜单