基于Qwen2.5-VL-72B-Instruct改进的视觉语言模型，在多个视觉推理基准测试中表现优异

Heron-NVILA-Lite-33B 是一款基于 NVILA-Lite 架构、专为日语训练的视觉语言模型，支持日语和英语的多模态任务。

基于InternVL3-1B和Vintern-1B-v3_5微调的视觉问答模型，支持越南语，适用于图像内容理解和问答任务。

EMOVA是一种端到端全能模态大语言模型，支持视觉、听觉和语音功能，能够生成具有情感控制的文本和语音响应。

InternVL3 是一个先进的多模态大语言模型系列，展示了卓越的多模态感知和推理能力，支持图像、视频和文本输入。

InternVL3-78B是OpenGVLab推出的先进多模态大语言模型，展现卓越的综合性能。

基于Qwen2.5-Omni-7B模型的4比特GPTQ量化版本，支持多语言和多模态任务。

InternVideo2.5 是一款基于长且丰富的上下文（LRC）建模增强的视频多模态大语言模型（MLLM），构建于 InternVL2.5 之上。

InternVideo2.5是一款基于长且丰富上下文(LRC)建模增强的视频多模态大语言模型，构建于InternVL2.5之上，通过提升感知细粒度细节和捕捉长时序结构的能力，显著改进了现有MLLM模型。

InternLM-XComposer2.5-OL是一个支持长时流式视频与音频交互的全方位多模态系统。

mPLUG-Owl3是一款先进的多模态大语言模型，专注于解决长图像序列理解问题，通过超注意力机制显著提升处理速度和序列长度支持。

由日本国立情报学研究所开发的大型视觉语言模型，支持日语和英语，具备强大的图像理解和文本生成能力。

基于Pixtral-12B-2409多模态大语言模型进行指令微调的版本，能够为给定图像生成更丰富的细节描述

mPLUG-DocOwl2是一款无需OCR的多页文档理解多模态大语言模型，通过高分辨率文档压缩器高效编码文档内容。

ChartMoE是基于InternLM-XComposer2的多模态大语言模型，采用专家混合连接器，具备高级图表功能。

袋鼠是一个专为长视频理解设计的强大多模态大语言模型，支持中英双语对话和长视频输入。

XGen-MM是Salesforce AI Research开发的最新多模态大模型系列，基于BLIP的成功设计，通过基础性增强实现了更强大、更优越的模型架构。

基于InternLM2的视觉-语言大模型，具备卓越的图文理解与创作能力

InternLM-XComposer2是基于InternLM2研发的视觉-语言大模型，具备卓越的图文理解与创作能力。