Moondream是一款轻量级视觉语言模型，专为高效全平台运行而设计。

AgentCPM-GUI是一款具备RFT增强推理能力的设备端图形界面代理，可操作中英文应用，基于80亿参数的MiniCPM-V构建。

UI-TARS-1.5-7B-4bit是一个多模态模型，专注于图像文本到文本的转换任务，支持英文语言。

这是一个基于 Google Gemma 3-12B 模型转换而来的 MLX 格式模型，支持图像文本到文本的任务。

VideoChat-R1-thinking_7B 是一个基于 Qwen2.5-VL-7B-Instruct 的多模态模型，专注于视频文本转文本任务。

专为《我的世界》设计的视觉-语言-动作模型，支持基于人类语言指令执行游戏内数千种技能

UI-R1是通过强化学习增强GUI代理动作预测的视觉语言模型，基于Qwen2.5-VL-3B-Instruct构建。

Vamba是一种混合Mamba-Transformer架构，通过交叉注意力层与Mamba-2模块实现高效的长视频理解。

VideoChat-Online是一个基于Phi-3-vision-128k-instruct的在线视频理解模型，专注于视频文本转文本任务。

这是一个基于MLX格式的视频文本转文本模型，由HuggingFaceTB开发，支持英文语言处理。

Ultravox是一款基于Llama3.1-8B-Instruct和whisper-large-v3-turbo构建的多模态语音大语言模型，能够同时处理语音和文本输入。

Fluxi AI 是一款基于 Qwen2-VL-7B-Instruct 的多模态智能助手，具备文本、图像和视频处理能力，特别优化了葡萄牙语支持。

UGround是一款采用简单配方训练的强大GUI视觉定位模型，由OSU NLP Group与Orby AI合作完成。

基于HuggingFaceTB/SmolVLM-Instruct微调的智能视觉语言模型，采用Unsloth和TRL库优化训练速度

Dallah是一款专为阿拉伯语设计的先进多模态大语言模型，特别注重理解与生成跨阿拉伯方言的内容。

由 OMEGA Labs 和 Bittensor 合作开发的 Any-to-Any 子网模型，支持多种任务转换

Mini-Omni2是一款全交互式多模态模型，能理解图像、音频和文本输入，并与用户进行端到端的语音对话。

SAM 2是由FAIR研发的面向图像和视频可提示视觉分割的基础模型，支持通过提示进行高效分割。

SAM 2是FAIR研发的面向图像与视频可提示视觉分割的基础模型，支持通过提示进行高效分割。

SAM 2是FAIR研发的面向图像与视频可提示视觉分割的基础模型，支持通过提示进行通用分割任务。

LLaVA-视频模型是基于Qwen2语言模型的7B参数多模态模型，专注于视频理解任务，支持64帧视频输入。

xGen-MM是Salesforce AI Research开发的一系列最新基础大型多模态模型（LMMs），在BLIP系列成功设计的基础上进行了改进，通过基础性增强确保了更强大和卓越的模型基础。

FAIR研发的基础模型，用于解决图像和视频中可提示视觉分割任务

SAM 2是FAIR研发的面向图像和视频可提示视觉分割的基础模型，支持通过提示进行高效分割。

FAIR研发的面向图像与视频可提示视觉分割的基础模型

UGround是通过简洁配方训练的强力GUI视觉定位模型，由俄亥俄州立大学NLP组与Orby AI合作完成。

InternVideo2-Chat-8B是一个结合大型语言模型(LLM)和视频BLIP的视频理解模型，通过渐进式学习方案构建，能够进行视频语义理解和人机交互。

LLaVA-MORE是基于LLaVA架构的增强版本，集成了LLaMA 3.1作为语言模型，专注于图像到文本的任务。

基于Llama 3 8B模型的AI角色扮演助手，专注于打造沉浸式叙事体验

基于Llama 3 8B模型的AI角色扮演助手，专注于打造互动叙事体验

InstructBLIP是基于BLIP-2的视觉指令调优版本，结合视觉和语言处理能力，能够根据图像和文本指令生成响应。

InstructBLIP是基于BLIP-2的视觉指令调优模型，使用Flan-T5-xl作为语言模型，能够根据图像和文本指令生成描述。

InstructBLIP是BLIP-2的视觉指令调优版本，结合了视觉和语言模型，能够根据图像和文本指令生成描述或回答问题。

IDEFICS-9B是一个90亿参数的多模态模型，能够处理图像和文本输入并生成文本输出，是Deepmind Flamingo模型的开源复现版本。