Muse Spark：Meta原生多模态推理模型，三级智能体协同与视觉深度理解
Muse Spark是Meta超级智能实验室打造的首款原生多模态推理AI模型，主打文本、图像深度融合理解，提供即时、思考、沉思三级推理模式，支持16并行智能体协同与视觉思维链，在...
Kimi K2.5：月之暗面发布的开源多模态大模型，支持Agent协作与全场景智能任务执行
Kimi K2.5是由北京月之暗面科技（Moonshot AI）发布的开源多模态大模型，同步上线于Hugging Face官方仓库，是Kimi系列模型的重磅升级版本。其核心定位是“面向全场景的高性...
Step3-VL-10B：阶跃星辰开源的10B参数轻量多模态基础模型
STEP3-VL-10B是阶跃星辰（StepFun AI）开源的轻量级多模态基础大模型，核心定位是在10B（100亿）参数的紧凑规模下，实现高效性与前沿多模态智能的极致平衡，打破“参数越大...
从零部署 MiniCPM-V 4.5：详解8B多模态模型在本地环境的完整搭建流程
深度解析 MiniCPM-V 4.5 多模态大模型，手把手教你完成本地部署。支持高精度 OCR 与长视频理解，基于 Ubuntu 环境，适配 GGUF 量化，轻松在消费级硬件运行视觉语言模型。
MMSI-Video-Bench：上海AI Lab开源的视频空间智能评测基准
MMSI-Video-Bench是一款开源的视频空间智能专项评测基准。该基准聚焦多模态大模型（MLLMs）在视频场景下的空间智能能力评估，构建了覆盖“感知-规划-预测-跨视频推理”的四...
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...
UniPixel：香港理工大学联合腾讯开源的像素级视觉语言统一理解模型
UniPixel是由香港理工大学、腾讯ARC实验室等机构联合开发的开源多模态大模型（MLLM），专注于像素级视觉语言理解与细粒度推理任务。该模型基于Qwen2.5-VL系列扩展，融合视觉...