Spark-X2.6-4B 的最佳替代品

一个开放的多模态嵌入模型，可将文本、图像、视频和音频映射到统一的向量空间。

一个开源多模态大模型，支持单图、多图与视频理解，并可在设备端高效推理。

面向多角色场景、声音克隆和长音频的开源文本转语音模型，支持自然语言控制。

Lightricks 推出的开源图生视频生成模型，支持文本、视频与音频驱动的生成。

Qwen 加速版文生图与图像编辑扩散模型检查点，仅需 8 步去噪即可生成图像。

Black Forest Labs 推出的开源图生图模型，用于图像生成与编辑。

meta-models 在 Hugging Face 上发布的开源图文转文本模型。

一个拥有 240 亿参数、仅 20 亿激活参数的推理模型，专为快速、私密的端侧智能体打造。

Black Forest Labs 推出的开源图生图生成模型，用于图像生成与编辑。

百度推出的视觉语言OCR模型，可将单图、多页文档和PDF解析为文本。

开源 27B 视觉语言模型，可理解图像与视频，并完成智能体、编程与研究任务。

轻量级 1B 多模态模型，支持单图、多图与视频理解，可端侧部署。