CambioML
AnyParser是首个具有准确性和速度的文档解析LLM,可从PDF、PowerPoint和图片中精确提取文本、表格、图表和布局信息
标签「视觉语言模型」
AI NAVIGATION工具导航带「视觉语言模型」标签的 AI 工具与站点，共 28 个，可按左侧分类继续缩小范围。
最后更新
2026-10-16 15:37
OpenGVLab InternVL
开放多模态大型语言模型,在视觉、推理和长文本理解方面表现优异,使用多模态预训练
Qwen2-VL
Qwen2-VL官网 ,阿里通义千问开源视觉语言模型 简介 Qwen2-VL 是阿里巴巴达摩院开源的最新一代视觉语言模型,它在图像和视频理解任务上取得了显著的成绩,甚至在多个指标上超过了 GPT-4o 等闭源模型。 项目
Aquila-VL-2B-llava-qwen
视觉语言模型,结合图像和文本信息进行智能处理
Aya Vision 8B
8亿参数的多语言视觉语言模型,支持OCR、图像描述、视觉推理等功能
CheXagent
基于视觉语言基础模型的胸部X光解读
cogagent-9b-20241220
CogAgent-9B-20241220是基于视觉语言模型的GUI代理模型
ColPali
视觉语言模型高效文档检索工具
DA-CLIP
DA-CLIP的通用图像恢复
DeepSeek-VL2-Tiny
先进的大型混合专家视觉语言模型
DriveVLM
自动驾驶与视觉语言模型的融合
MiniGemini
支持同时理解和生成图像的多模态大型语言模型
MMStar
一个用于评估大型视觉语言模型的精英基准测试集
Moondream AI
开源的视觉语言模型,可在多种设备上运行
MouSi
多模态视觉语言模型
OmniParser
基于纯视觉的图形用户界面代理解析器
PaliGemma
Google的尖端开放视觉语言模型
PaliGemma 2
PaliGemma 2是功能强大的视觉语言模型,简单易调优
POINTS-1-5-Qwen-2-5-7B-Chat
领先视觉语言模型,支持双语及高质量控制,免费
POINTS-Qwen-2-5-7B-Chat
视觉语言模型的最新进展
POINTS-Yi-1.5-9B-Chat
视觉语言模型的最新进展,集成微信AI的新技术
PromptFix
根据人类指令修复和编辑照片的框架
Qwen2-VL-2B
最先进的视觉语言模型,支持多模态理解和文本生成
Qwen2-VL-7B
Qwen2-VL-7B是最新的视觉语言模型,支持多模态理解和文本生成
SigLIP2
SigLIP2 是谷歌推出的一种多语言视觉语言编码器,用于零样本图像分类
SmolVLM
高效开源的视觉语言模型
SpatialVLM
给视觉语言模型赋予空间推理能力
SPRIGHT
提高文本到图像模型中空间一致性的解决方案
工具条目与简介来自各站点的公开页面与公开导航站收录记录，简介为中文归纳；可用性、定价与服务条款以各家官网为准。
