多模态
多模态 （36 个模型）
Qwen3 VL Plus
Qwen3-VL-plus 是阿里通义千问视觉语言模型增强版，提供 Instruct 和 Thinking 版本，小参数量高性能，支持超百万像素分辨率图像。
Qwen3 VL 235B A22B Thinking
Qwen3-VL-235B-A22B-Thinking 是 Qwen3 旗舰视觉语言模型，MoE 架构 2350 亿参数，具备 GUI 级视觉 Agent 能力，支持 32 种语言 OCR、256K 上下文。
Qwen3 Omni Flash Realtime
Qwen3-Omni-Flash-Realtime 是阿里通义实时全模态模型，支持文本、图像、音视频处理，具备流式对话、中途打断能力，支持 119 种文本语言。
Doubao-Seed-1.6
Doubao-Seed-1.6 是字节跳动 2025 年 6 月发布的多模态大模型系列，包含主力模型及 Flash、Thinking 等版本，支持 256K 上下文，具备深度思考、多模态理解与图形操作能力，已在豆包 APP 及火山引擎 ToB 场景上线。
Doubao-Seed-1.6-flash
Doubao-Seed-1.6-flash 是豆包大模型 1.6 系列的极速响应型模型，主打低延迟（TPOT 仅 10ms），支持 256K 上下文与多模态理解，视觉能力媲美旗舰模型。适用于智能座舱交互、高频咨询、智能硬件等实时场景，助力企业降低延迟 60%、成本 70%。
qwen-vl-plus
Qwen-VL-Plus 是阿里通义千问 Qwen2.5-VL 系列多模态模型，主打视觉语言理解，增强细节识别与文字处理，支持超百万像素图像及任意长宽比，适用于专业文档处理、高精度识别和视觉推理场景。
Qianfan-VL-8B
Qianfan-VL-8B 是百度推出的多模态视觉理解大模型，属 Qianfan-VL 系列 80 亿参数版本。具备三大特点：支持思维链推理，可处理复杂图表理解与数学解题；OCR 能力突出，精准识别手写体、公式及复杂版面并结构化提取信息；轻量级设计适配企业级部署。适用于教育作业批改、金融报表分析、文档智能处理等场景。
Qianfan-VL-70B
Qianfan-VL-70B 是百度智能云推出的视觉语言大模型，属企业级多模态应用优化的 700 亿参数版本。具备三大特点：超长上下文窗口，支持复杂图表理解与数学推理；OCR 与文档理解增强，精准识别手写体、复杂版面并结构化提取信息；基于昆仑芯 P800 训练，处理超 10 亿图像数据。适用于金融图表分析、教育数学解题、企业文档智能处理等场景。
Doubao-Seed-1.6-vision
Doubao-Seed-1.6-vision 是字节跳动发布的多模态视觉深度思考模型，支持 256K 上下文窗口与工具调用，可自动调用旋转、放大等图像处理工具。适用于视频理解、医疗影像分析、制造业质检等场景，已在豆包 APP 及火山引擎开放。
qwen-vl-max
Qwen-VL-Max 是阿里云通义千问系列的增强视觉语言模型，定位为性能最强的多模态模型，支持图文理解与生成。其特点是视觉推理能力优于 Qwen-VL-Plus，适用于复杂图文交互场景，如图像内容分析、多模态 Agent 系统构建及高精度图文生成任务。
Hunyuan-Large-Vision
Hunyuan-Large-Vision 是腾讯研发的多模态视觉理解模型，采用 MoE 架构，激活参数 52B，支持图像、视频及 3D 数据处理。在国际评测平台排名国内首位，具备强大多语言交互能力，应用于拍照解题、视频分析、智能文案生成等场景。
Doubao-Seed-1.6-thinking
Doubao-Seed-1.6-thinking 是豆包大模型 1.6 系列的深度思考强化版本，属代码与逻辑推理优化型大语言模型。特点为支持 256K 超长上下文，在数学推理、代码编写等基础能力上显著提升，复杂推理测试达全球前列水平，可独立规划并使用搜索工具完成深度研究任务。适用于复杂业务场景落地，如快速生成专业调研报告、高考级数学解题、高精度代码开发等需强逻辑分析的场景。
Qwen2.5-VL-32B-Instruct
Qwen2.5-VL-32B-Instruct 是阿里开源的 32B 参数多模态视觉语言模型，具备图像解析、细粒度分析及强数学推理能力，输出规范符合人类偏好，可本地部署，适用于多模态应用开发。
Doubao-1.5-thinking-vision-pro
Doubao-1.5-thinking-vision-pro 是多模态 AI 模型，具备视觉理解与深度思考能力，支持图文、语音交互，适用于专业领域推理与创意任务。
Hunyuan-TurboS-Vision
Hunyuan-TurboS-Vision 是腾讯推出的混合架构大模型，融合 Transformer 与 Mamba 优势，采用 MoE 结构提升效率。具备自适应思维链机制，支持图文理解，适用于智能客服、代码生成等场景，平衡响应速度与推理能力。
Hunyuan-T1-Vision
Hunyuan-T1-Vision 是腾讯混元推出的多模态视觉理解模型，融合多模态原生思维链技术，实现“看图思考”能力，响应速度提升 1.5 倍。可深度解析图像，如识别芯片型号并生成研发成本表，还支持花卉、围棋棋局、存款利率表等多场景识别与分析，已上线元宝平台。
Qianfan-QI-VL
Qianfan-QI-VL 是百度开源的企业级通用视觉语言模型系列，包含 3B/8B/70B 参数量版本，基于 Llama 3.1 架构与 InternViT 视觉编码器，支持 32k 上下文长度与 4K 分辨率图像理解。核心特点包括文档理解与 OCR 增强、思维链推理（8B/70B 支持）及多尺寸部署优化，适用于边缘实时光学字符识别、服务器端通用场景微调及复杂推理任务，可应用于文档识别、数学解题、图表分析等企业级多模态场景。
Doubao-1.5-vision-pro-32k
Doubao-1.5-vision-pro-32k 是字节跳动推出的多模态大模型，支持文本、图像输入与输出，具备任意分辨率及极端长宽比图像识别能力，增强视觉推理、文档识别、细节理解和指令遵循能力，最大思维链内容长度 32k，适用于复杂视觉任务与长文本交互场景。
Doubao-1.5-vision-lite
Doubao-1.5-vision-lite 是火山引擎推出的性价比多模态大模型，支持任意分辨率和极端长宽比图像识别，增强视觉推理、文档识别、细节理解和指令遵循能力，适用于图像分析、文档处理等场景。
qwen-omni-turbo-realtime
Qwen-Omni-Turbo-Realtime 是通义千问推出的实时音视频聊天模型，能同时理解流式音频与图像输入（如视频流连续图像帧），并实时输出高质量文本与音频，适用于实时音视频交互场景。
Qianfan-Llama-VL-8B
Qianfan-Llama-VL-8B 是百度千帆团队开发的 80 亿参数多模态大语言模型，基于 Llama 3.1 架构与 InternViT 视觉编码器，支持 32k 上下文窗口。具备三大核心特点：支持思维链推理，可处理复杂图表理解与数学解题；OCR 与文档理解能力突出，能精准识别手写体及复杂版面；适配服务器端部署，兼顾性能与效率。主要应用于通用视觉语言任务及企业级微调场景。
qwen-omni-turbo
"qwen-omni-turbo"是阿里云通义千问推出的多模态大模型，支持文本、图像、语音、视频输入，流式输出文本与语音，提供 4 种对话音色。具备 119 种文本语言、19 种语音输入及 10 种语音输出能力，适用于智能交互、内容生成等场景，可通过 API 调用，免费额度 100 万 Tokens。
Hunyuan-Vision
Hunyuan-Vision 是腾讯推出的多模态视觉大模型，其最新版本 Hunyuan-Vision-1.5-Thinking 在 2025 年 10 月 LMArena 全球榜单中位列第三、国内第一。该模型具备领先的多语言多模态理解与推理能力，可通过多轮反思深入解析视觉内容，支持图表解释、文档解析、几何问题求解等复杂任务，已开放 API 接口供开发者使用。
Hunyuan-Standard-Vision
Hunyuan-Standard-Vision（混元-标准-视觉模型）是腾讯（Tencent）的混元大模型系列中，专为处理和理解视觉信息而设计的一个模型版本。
Hunyuan-Lite-Vision
Hunyuan-Lite-Vision（混元-精简-视觉模型）是腾讯（Tencent）混元大模型系列中，针对视觉任务推出的一个轻量级、高效率版本。
ERNIE 4.5 Turbo VL
ERNIE 4.5 Turbo VL 是百度推出的多模态视觉语言模型，具备高效图文理解与推理能力。其采用 MoE 架构，支持动态激活参数（如 47B/424B），兼顾性能与效率，可部署于普通设备。适用于 OCR、文档解析、跨模态问答等场景，能处理高分辨率视觉输入并支持多语言交互。
MiniMax Text 01
MiniMax Text 01 是国产开源大语言模型，采用混合架构（Lightning Attention+Softmax Attention+MoE），4560 亿总参数量，单次激活 459 亿参数，支持 400 万 token 超长上下文，长文本处理性能比肩 GPT-4o、Claude-3.5，适用于长文档分析、智能体开发等场景。
SenseNova V6 Pro
SenseNova V6 Pro 是商汤科技 2025 年推出的原生多模态通用大模型，采用 6200 亿参数混合专家（MoE）架构，支持文本、图像、视频的原生融合。其特点为多模态融合能力突出，综合性能对标行业先进水平，适用于智能客服、内容分析、教育培训等需要跨模态交互与推理的场景。
SenseNova V6 Turbo
商汤日日新 SenseNova V6 是多模态融合大模型，视频理解能力国内领先，支持 10 分钟中长视频解析及音视频混合模态分析，基础性能逼近 Gemini 2.5 Turbo，64K 思维链助力深度推理，可应用于教育、医疗、金融、内容创作等领域。
ERNIE-4.5-VL-424B-A47B-Paddle
ERNIE-4.5-VL-424B-A47B-Paddle 是百度文心 4.5 系列多模态大模型，采用异构 MoE 架构，支持"思考/非思考"双模式，在 MathVista 等多模态基准测试中表现比肩 OpenAI-o1，已部署于工业质检等边缘设备场景。
ERNIE-4.5-VL-28B-A3B
ERNIE-4.5-VL-28B-A3B 是百度开源的 280 亿参数多模态模型，具备文本与图像/视频理解能力。特点包括工程图纸理解准确率 98.2%、降低 40%误检率，支持从图表到报告全流程生成。应用于新闻出版（效率提升 3 倍）、制造业质检、法律文书分析等场景，已适配英特尔等硬件加速卡。
moonshot-v1-128k-vision-preview
moonshot-v1-128k-vision-preview 是 Moonshot AI 推出的多模态视觉模型，支持 128k 上下文长度，可理解图片内容并输出文本。具备多轮对话、流式输出、工具调用及 JSON 模式等特性，适用于大规模图像处理、实时交互等场景。暂不支持联网搜索和带图片的 Context Caching。
moonshot-v1-32k-vision-preview
moonshot-v1-32k-vision-preview 是一个具备视觉理解能力的大语言模型，上下文长度 32k，可处理图片内容并输出文本，适用于图文结合的长文本生成场景。
moonshot-v1-8k-vision-preview
moonshot-v1-8k-vision-preview 是 Moonshot AI 推出的多模态视觉模型，支持 8k 上下文长度，可理解图片内容并输出文本，适用于图像描述、图文问答等场景。
PaddleMIX-PP-DocBee
PP-DocBee 是百度飞桨推出的文档图像理解多模态大模型，基于 ViT+MLP+LLM 架构，具备强大中文文档解析能力，可高效处理文字、表格、图表等内容，推理性能优化，响应快且输出质量高，适用于文档问答、复杂文档解析，支持多种部署方式。
Doubao-1.5-vision-pro
Doubao-1.5-vision-pro 是字节跳动豆包大模型 1.5 系列中的多模态视觉模型，支持文本+图像输入，具备任意分辨率及极端长宽比图像识别能力，增强了视觉推理、文档识别、细节理解和指令遵循能力，适用于图像分析、文档处理等场景。