HyperCLOVAX-SEED-Vision-Instruct-3B是由NAVER开发的轻量化多模态模型，具备图文理解和文本生成能力，特别优化了韩语处理能力。

基于NVILA-Lite架构训练的日语视觉语言模型，支持日语和英语的图文交互

轻量级多模态模型，专为分析视频内容设计，可处理视频、图像和文本输入以生成文本输出。

SmolVLM2-2.2B 是一款轻量级多模态模型，专为分析视频内容而设计，可处理视频、图像和文本输入并生成文本输出。

MiniCPM-V是一款高效轻量级多模态模型，专为终端设备部署优化，支持中英双语交互，性能超越同规模模型。