视觉识别模型

GLM-4.1V-Thinking：开源视觉推理模型，支持多模态复杂任务

GLM-4.1V-Thinking 是一个由清华大学 KEG 实验室（THUDM）开发的开源视觉语言模型，专注于多模态推理能力。基于 GLM-4-9B-0414 基础模型，GLM-4.1V-Thinking 通过强化学习和“思维链”推理机制...

VideoMind

VideoMind 是一个开源的多模态AI工具，专注于长视频的推理、问答和摘要生成。它由香港理工大学的刘晔（Ye Liu）和新加坡国立大学Show Lab的团队共同开发。工具模仿人类理解视频的方式，把任务拆成规划、定位、验...

DeepSeek-VL2

DeepSeek-VL2 是一系列高级的 Mixture-of-Experts (MoE) 视觉语言模型，显著提升了其前身 DeepSeek-VL 的性能。该模型在视觉问答、光学字符识别、文档/表格/图表理解和视觉定位等任务中表现出色。De...