一个用于智能设备等的多模态原生代理框架。

SmolVLM-500M 是一个轻量级多模态模型，能够处理图像和文本输入并生成文本输出。

Phi-4-multimodal-instruct 是微软开发的轻量级多模态基础模型，支持文本、图像和音频输入。

小型高效的视觉语言模型，让资源有限的研究者和开发者也能轻松使用先进的视觉语言功能。

PaliGemma 2是一个强大的视觉-语言模型，支持多种视觉语言任务。

PaliGemma 2是一款强大的视觉-语言模型，支持多种语言的图像和文本处理任务。

多模态12B参数模型，结合视觉编码器处理图像和文本。

先进的多模态理解模型，融合视觉与语言能力。

先进的大型混合专家视觉语言模型

多模态大型语言模型，提升视觉和语言的综合理解能力

多模态大型语言模型，提升视觉与语言的交互能力。