Molmo2：AllenAI开源的先进多模态语言模型，支持单图/多图/视频输入与深度语义理解
Molmo2是由艾伦人工智能研究所（AllenAI） 研发并开源的一款先进多模态开放语言模型，旨在打破文本与视觉模态之间的壁垒，实现对图像、视频与文本信息的联合理解与处理。Mo...
VideoLLaMA3：阿里达摩院开源的多模态大模型，高效赋能图像与视频深度理解
VideoLLaMA3是由阿里巴巴达摩院新加坡NLP团队研发并开源的多模态基础模型，聚焦于图像与视频的内容理解与分析任务。作为VideoLLaMA系列模型的升级版本，该模型基于字节跳动...
Kaleido：智谱AI开源的多主体参考视频生成模型
Kaleido是由智谱AI、合肥工业大学、清华大学等机构联合研发的开源多主体参考视频生成模型，该模型支持512P分辨率视频生成，提供完整的训练、推理代码及预训练权重，适配Pyt...
Keye-VL：快手推出的高性能开源多模态大语言模型，支持复杂多模态推理与长文本处理
Keye-VL是快手Keys团队面向多模态AI领域开源的高性能多模态大语言模型（VLM），全称为Kwai Keye-VL，是快手先进AI技术生态中的核心开源项目。该项目并非单一模型，而是包含...
STARFlow-V：苹果开源的归一化流架构端到端视频生成模型
STARFlow-V 是苹果团队研发的首款基于归一化流的因果视频生成模型，打破了视频生成领域扩散模型的技术垄断。该模型采用全局 - 局部架构实现时空特征解耦，结合流分数匹配去...
Mistral 3：Mistral AI 开源的多模态模型家族，支持从 3B 到 675B 参数全场景部署
Mistral 3 是由 Mistral AI 开发的全规模开源多模态 AI 模型家族，该家族涵盖从 3B 参数的边缘轻量模型（Ministral 3 系列）到 675B 参数的云端旗舰模型（Mistral Large 3）...
BAGEL：字节跳动Seed团队开源的 All-in-One 多模态 AI 模型
BAGEL是字节跳动Seed团队开源的一款All-in-One多模态统一基础模型，具备7B活跃参数（总参数14B），采用创新的混合Transformer专家（MoT）架构，基于大规模交错式文本、图像...
WithAnyone：复旦 & 阶跃星辰联合开源的 AI 合照生成模型，一键实现自然多身份同框
WithAnyone是由复旦大学与阶跃星辰联合开源的多身份AI合照生成项目，基于FLUX扩散模型架构构建，核心解决传统人像生成中的“复制粘贴”伪影问题。该项目通过大规模配对数据...
LongCat-Video：美团开源的13.6B参数多任务视频生成模型，高效输出分钟级720p长视频
LongCat-Video是美团LongCat团队开源的基础视频生成模型，基于13.6B参数构建，采用统一架构原生支持文本转视频、图像转视频、视频续接三大任务，核心优势在于高效生成分钟级...