Qwen2.5-Omni-7B-GGUF 是基于 Qwen2.5-Omni-7B 模型的 GGUF 格式版本，支持多模态输入，包括文本、音频和图像。

Qwen2.5-Omni-3B 是一个多模态模型，支持文本、音频和图像输入，但不支持视频输入和音频生成。

DAM-3B-Video是一个30亿参数的视觉语言模型，能够根据用户指定的图像/视频区域生成精细化局部描述。

Gemma 3是Google推出的轻量级开源多模态模型，支持文本与图像输入并生成文本输出，具有128K超长上下文窗口和140+语言支持。

Ola-7B是由腾讯、清华大学和南洋理工大学联合开发的多模态语言模型，基于Qwen2.5架构，支持文本、图像、视频和音频输入，输出文本内容。

适配稳定扩散3.5大模型的Canny边缘检测控制网络，用于精确控制图像生成过程

首个基于DiT的视频生成模型，能够实时生成高质量视频，支持文本转视频和图像+文本转视频两种场景。

3DTopia-XL是基于PrimX高效3D表征的扩散Transformer架构，能够快速生成高质量3D资产

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。

DiVA Llama 3是一个端到端的语音助手模型，能够处理语音和文本输入，采用蒸馏损失进行训练。