Mage-VL

Qwen3.5-4B 模型

AI 模型

具有视觉编码器的因果语言模型，旨在实现高性能的多模态学习。它支持 201 种语言，并提供高效的混合架构以实现可扩展的强化学习。Qwen3.5-4B 是一种具有视觉编码器的因果语言模型，旨在实现高性能的多模态学习。它支持 201 种语言，并提供高效的混合架构以实现可扩展的强化学习。

DeepSeek-V4-Flash-Vision-Exp

大语言模型

DeepSeek-V4 系列中的一个实验性多模态模型，增强了视觉理解能力。它基于 DeepSeek-V4-Flash 架构，提供了改进的多模态代理能力，同时保持文本仅性能。DeepSeek-V4-Flash-Vision-Exp 是 DeepSeek-V4 系列中的一个实验性多模态模型，增强了视觉理解能力。它基于 DeepSeek-V4-Flash 架构，提供了改进的多模态代理能力，同时保持文本仅性能。

MiniMax M3 - 编码与自主任务的前沿

大语言模型

#49

先进的 AI 模型，在编码和自主任务方面表现出色。它具有 1M 的上下文窗口和原生的多模态理解，基于 MSA 架构。该模型提供开放权重功能，使其成为开发者和研究人员的多功能工具。MiniMax M3 是一个先进的 AI 模型，在编码和自主任务方面表现出色。它具有 1M 的上下文窗口和原生的多模态理解，基于 MSA 架构。该模型提供开放权重功能，使其成为开发者和研究人员的多功能工具。

Ideogram 4

AI 模型

尖端的文本到图像模型，提供对图像构图、风格和布局的无与伦比的控制。它支持原生 2k 分辨率和多语言文本渲染，非常适合设计导向的应用。Ideogram 4 是一款尖端的文本到图像模型，提供对图像构图、风格和布局的无与伦比的控制。它支持原生 2k 分辨率和多语言文本渲染，非常适合设计导向的应用。

SmolVLM2: 视频理解模型

AI 模型

先进的视频理解模型，旨在高效地运行在各种设备上。它提供增强的视频分析和视觉推理能力，使视频理解在不同平台上变得可及。SmolVLM2 是一个先进的视频理解模型，旨在高效地运行在各种设备上。它提供增强的视频分析和视觉推理能力，使视频理解在不同平台上变得可及。

Pixtral-12B-2409 模型

AI 模型

具有 120 亿参数的多模态 AI 模型，配备 4 亿参数的视觉编码器，旨在处理高级图像和文本任务。Pixtral-12B-2409 是一个具有 120 亿参数的多模态 AI 模型，配备 4 亿参数的视觉编码器，旨在处理高级图像和文本任务。

V-JEPA

AI GitHub 仓库

用于从视频中进行自监督学习的 PyTorch 实现。它利用联合嵌入预测架构，在没有人类标注或像素级重建的情况下学习视觉表示。该代码和模型专为通用的下游视频和图像任务而设计。V-JEPA 是一个用于从视频中进行自监督学习的 PyTorch 实现。它利用联合嵌入预测架构，在没有人类标注或像素级重建的情况下学习视觉表示。该代码和模型专为通用的下游视频和图像任务而设计。

LTX-2

AI 模型

基于 DiT 的音视频基础模型，旨在生成同步的视频和音频。它结合了现代视频生成技术和开放权重，使得在各种应用中能够进行实用的本地执行。LTX-2 是一个基于 DiT 的音视频基础模型，旨在生成同步的视频和音频。它结合了现代视频生成技术和开放权重，使得在各种应用中能够进行实用的本地执行。