Mejores alternativas a Spark-X2.6-4B

Un modelo de embeddings multimodal abierto que asigna texto, imágenes, video y audio a un único espacio vectorial compartido.

Un LLM multimodal de código abierto para la comprensión de una sola imagen, varias imágenes y vídeo con inferencia eficiente en el dispositivo.

Modelo abierto de texto a voz para escenas con varios personajes, clonación de voz y audio de formato largo con control en lenguaje natural.

Modelo generativo de imagen a vídeo de código abierto de Lightricks que admite generación impulsada por texto, vídeo y audio.

Un checkpoint de difusión acelerado de Qwen para texto a imagen y edición de imágenes que genera imágenes en 8 pasos de eliminación de ruido.

Un modelo abierto de imagen a imagen de Black Forest Labs para la generación y edición de imágenes.

Un modelo abierto de imagen-texto a texto de meta-models en Hugging Face.

Un modelo de razonamiento de 24B parámetros con 2B parámetros activos, diseñado para agentes en el dispositivo rápidos y privados.

Un modelo generativo abierto de imagen a imagen de Black Forest Labs para la generación y edición de imágenes.

Un modelo OCR de visión-lenguaje de Baidu que analiza imágenes individuales, documentos de varias páginas y PDFs y los convierte en texto.

Un modelo abierto de visión-lenguaje de 27B que comprende imágenes y videos y maneja tareas agénticas, de programación e investigación.

Un modelo multimodal ligero de 1B para la comprensión de una sola imagen, varias imágenes y video en dispositivos.