产品库

训练和部署嵌入式模型的AI平台

Marqo是一个专注于训练和部署嵌入式模型的平台，它提供了一个端到端的解决方案，从模型训练到推理，再到存储。Marqo支持150多种嵌入式模型，并且可以快速原型设计，加速迭代，并无缝部署。该平台支持多模态模型，如CLIP，可以从图像和其他数据类型中提取语义信息，实现文本和图像的无缝搜索，甚至可以将文本和图像组合成一个向量。Marqo还支持100多种语言的搜索，提供最先进的多语言模型，无需手动进行语言配置即可扩展到新的地区。此外，Marqo的可扩展性允许用户在笔记本电脑上的Docker镜像中运行，也可以扩展到云端数十个GPU推理节点，提供低延迟的搜索服务。

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。

Qwen2-VL-7B是Qwen-VL模型的最新迭代，代表了近一年的创新成果。该模型在视觉理解基准测试中取得了最先进的性能，包括MathVista、DocVQA、RealWorldQA、MTVQA等。它能够理解超过20分钟的视频，为基于视频的问题回答、对话、内容创作等提供高质量的支持。此外，Qwen2-VL还支持多语言，除了英语和中文，还包括大多数欧洲语言、日语、韩语、阿拉伯语、越南语等。模型架构更新包括Naive Dynamic Resolution和Multimodal Rotary Position Embedding (M-ROPE)，增强了其多模态处理能力。

最先进的视觉语言模型，支持多模态理解和文本生成。

Qwen2-VL-2B是Qwen-VL模型的最新迭代，代表了近一年的创新成果。该模型在视觉理解基准测试中取得了最先进的性能，包括MathVista、DocVQA、RealWorldQA、MTVQA等。它能够理解超过20分钟的视频，为基于视频的问题回答、对话、内容创作等提供高质量的支持。Qwen2-VL还支持多语言，除了英语和中文，还包括大多数欧洲语言、日语、韩语、阿拉伯语、越南语等。模型架构更新包括Naive Dynamic Resolution和Multimodal Rotary Position Embedding (M-ROPE)，增强了其多模态处理能力。

高性能多模态语言模型，适用于图像和视频理解。

MiniCPM-V 2.6是一个基于8亿参数的多模态大型语言模型，它在单图像理解、多图像理解和视频理解等多个领域展现出领先性能。该模型在OpenCompass等多个流行基准测试中取得了平均65.2分的高分，超越了广泛使用的专有模型。它还具备强大的OCR能力，支持多语言，并在效率上表现出色，能够在iPad等终端设备上实现实时视频理解。

端侧可用的GPT-4V级多模态大模型

MiniCPM-Llama3-V 2.5 是 OpenBMB 项目中最新发布的端侧多模态大模型，具备8B参数量，支持超过30种语言的多模态交互，并在多模态综合性能上超越了多个商用闭源模型。该模型通过模型量化、CPU、NPU、编译优化等技术实现了高效的终端设备部署，具有优秀的OCR能力、可信行为以及多语言支持等特点。

自动化数据管道，为您的AI应用提供支持

TURBINE是一款自动化数据管道工具，可为您的AI应用提供支持。它使用全面管理的向量数据库和持续数据管道，为您的LLM应用程序添加长期记忆和丰富的上下文。TURBINE可以与您现有的数据库无缝集成，支持PostgreSQL、MongoDB和MySQL数据库。它使用最先进的数据工程流水线，实时同步数据库更改，支持语义搜索，支持Pinecone和Milvus等向量数据库，支持多种嵌入模型，可通过Python和TypeScript SDKs轻松启动，可根据您的用例进行调整和优化，易于与LangChain AI bot集成，具有极快的速度和可扩展性。

一款支持多模态功能的全功能大语言模型安卓应用。

MNN 大模型 Android App 是阿里巴巴开发的一款基于大语言模型（LLM）的安卓应用。它支持多种模态输入和输出，包括文本生成、图像识别、音频转录等。该应用通过优化推理性能，确保在移动设备上高效运行，同时保护用户数据隐私，所有处理均在本地完成。它支持多种领先的模型提供商，如 Qwen、Gemma、Llama 等，适用于多种场景。

Janus-Pro-7B 是一个新型的自回归框架，统一多模态理解和生成。

Janus-Pro-7B 是一个强大的多模态模型，能够同时处理文本和图像数据。它通过分离视觉编码路径，解决了传统模型在理解和生成任务中的冲突，提高了模型的灵活性和性能。该模型基于 DeepSeek-LLM 架构，使用 SigLIP-L 作为视觉编码器，支持 384x384 的图像输入，并在多模态任务中表现出色。其主要优点包括高效性、灵活性和强大的多模态处理能力。该模型适用于需要多模态交互的场景，例如图像生成和文本理解。

Janus-Pro-1B 是一个统一多模态理解和生成的自回归框架。

Janus-Pro-1B 是一个创新的多模态模型，专注于统一多模态理解和生成。它通过分离视觉编码路径，解决了传统方法在理解和生成任务中的冲突问题，同时保持了单个统一的 Transformer 架构。这种设计不仅提高了模型的灵活性，还使其在多模态任务中表现出色，甚至超越了特定任务的模型。该模型基于 DeepSeek-LLM-1.5b-base/DeepSeek-LLM-7b-base 构建，使用 SigLIP-L 作为视觉编码器，支持 384x384 的图像输入，并采用特定的图像生成 tokenizer。其开源性和灵活性使其成为下一代多模态模型的有力候选。

YuE 是一个专注于全曲生成的开源音乐基础模型，能够根据歌词生成完整的音乐作品。

YuE 是由香港科技大学和多模态艺术投影团队开发的开源音乐生成模型。它能够根据给定的歌词生成长达 5 分钟的完整歌曲，包括人声和伴奏部分。该模型通过多种技术创新，如语义增强音频标记器、双标记技术和歌词链式思考等，解决了歌词到歌曲生成的复杂问题。YuE 的主要优点是能够生成高质量的音乐作品，并且支持多种语言和音乐风格，具有很强的可扩展性和可控性。该模型目前免费开源，旨在推动音乐生成技术的发展。

Whisper Input 是一个通过按键控制语音录制并快速转译的工具。

Whisper Input 是一个基于 Python 开发的桌面工具，能够实现快速语音转文字功能。它支持通过按键控制录制语音，并调用 Groq Whisper Large V3 Turbo 或 FunAudioLLM/SenseVoiceSmall 模型进行转译。该工具的主要优点是转译速度快、准确率高，并且支持多语言转译。它适合需要高效输入的用户，尤其是那些经常需要进行语音记录和文字转换的场景。目前该工具完全免费，用户无需付费即可使用。

Humanity's Last Exam 是一个用于衡量大型语言模型能力的多模态基准测试。

Humanity's Last Exam 是一个由全球专家合作开发的多模态基准测试，旨在衡量大型语言模型在学术领域的表现。它包含来自 50 个国家超过 500 个机构的近 1000 名专家贡献的 3000 个问题，覆盖超过 100 个学科。该测试旨在成为最终的封闭式学术基准，通过挑战模型的极限来推动人工智能技术的发展。其主要优点是难度高，能够有效评估模型在复杂学术问题上的表现。

CUA 是一种能够通过图形界面与数字世界交互的通用接口。

Computer-Using Agent (CUA) 是 OpenAI 开发的一种先进的人工智能模型，结合了 GPT-4o 的视觉能力和通过强化学习的高级推理能力。它能够像人类一样与图形用户界面（GUI）交互，无需依赖特定操作系统的 API 或网络接口。CUA 的灵活性使其能够在多种数字环境中执行任务，如填写表单、浏览网页等。这一技术的出现标志着 AI 发展的下一步，为 AI 在日常工具中的应用开辟了新的可能性。CUA 目前处于研究预览阶段，通过 Operator 提供给美国的 Pro 用户使用。

SmolVLM-256M 是世界上最小的多模态模型，可高效处理图像和文本输入并生成文本输出。

SmolVLM-256M 是由 Hugging Face 开发的多模态模型，基于 Idefics3 架构，专为高效处理图像和文本输入而设计。它能够回答关于图像的问题、描述视觉内容或转录文本，且仅需不到 1GB 的 GPU 内存即可运行推理。该模型在多模态任务上表现出色，同时保持轻量化架构，适合在设备端应用。其训练数据来自 The Cauldron 和 Docmatix 数据集，涵盖文档理解、图像描述等多领域内容，使其具备广泛的应用潜力。目前该模型在 Hugging Face 平台上免费提供，旨在为开发者和研究人员提供强大的多模态处理能力。

SmolVLM-500M 是一个轻量级多模态模型，能够处理图像和文本输入并生成文本输出。

SmolVLM-500M 是由 Hugging Face 开发的轻量级多模态模型，属于 SmolVLM 系列。该模型基于 Idefics3 架构，专注于高效的图像和文本处理任务。它能够接受任意顺序的图像和文本输入，生成文本输出，适用于图像描述、视觉问答等任务。其轻量级架构使其能够在资源受限的设备上运行，同时保持强大的多模态任务性能。该模型采用 Apache 2.0 许可证，支持开源和灵活的使用场景。

GoCodeo 是一款强大的 AI 编程助手，支持代码生成、测试和部署，助力开发者高效开发。

GoCodeo 是一款专为 Visual Studio Code 设计的 AI 编程插件，旨在通过最新的 AI 技术提升开发效率。它支持多种语言和框架，提供代码生成、测试、部署等功能，帮助开发者快速构建项目并确保代码质量。GoCodeo 的主要优点包括高效生成生产级代码、自动化测试和一键部署，极大地节省了开发时间和精力。该产品免费提供基础功能，适合希望提升开发效率的开发者。

Zight AI 是一款将视频转化为可操作文档的智能工具，支持自动生成标题、摘要和多语言字幕。

Zight AI 是一款专注于视频内容处理的智能工具，通过先进的自然语言处理技术，能够快速为视频生成标题、摘要、字幕和多语言翻译。其主要优点是自动化程度高，能够显著节省用户的时间和精力，同时提高视频内容的可访问性和易用性。Zight AI 适用于多种场景，包括企业培训、客户服务、教育等领域，旨在通过智能化手段提升视频内容的生产力。其价格为付费使用，起价为每用户每月 4 美元，适合需要高效处理视频内容的个人和团队。

VideoLLaMA3是前沿的多模态基础模型，专注于图像和视频理解。

VideoLLaMA3是由DAMO-NLP-SG团队开发的前沿多模态基础模型，专注于图像和视频理解。该模型基于Qwen2.5架构，结合了先进的视觉编码器（如SigLip）和强大的语言生成能力，能够处理复杂的视觉和语言任务。其主要优点包括高效的时空建模能力、强大的多模态融合能力以及对大规模数据的优化训练。该模型适用于需要深度视频理解的应用场景，如视频内容分析、视觉问答等，具有广泛的研究和商业应用潜力。

MeetMinutes是一款基于AI的会议记录工具，可自动转录、总结并管理会议。

MeetMinutes利用AI技术提升会议效率，能自动转录、总结会议内容，支持多语言，提供任务管理等功能。终身版59美元，面向企业和频繁开会团队。

Fingertip 是一个一站式的在线平台，帮助用户快速创建网站并管理业务。

Fingertip 是一款面向企业和自由职业者的在线平台，提供从网站搭建到业务管理的全方位解决方案。它通过强大的工具和集成，帮助用户快速上线并管理业务，节省时间和精力。该平台支持多种功能，如预约管理、发票生成、在线销售等，适合不同行业的用户。其主要优点包括易用性、多功能性和强大的技术支持。

UI-TARS 是一个用于自动化图形用户界面交互的下一代原生 GUI 代理模型。

UI-TARS 是由字节跳动开发的一种新型 GUI 代理模型，专注于通过类似人类的感知、推理和行动能力与图形用户界面进行无缝交互。该模型将感知、推理、定位和记忆等关键组件集成到单一的视觉语言模型中，能够实现无需预定义工作流程或手动规则的端到端任务自动化。其主要优点包括强大的跨平台交互能力、多步任务执行能力以及从合成和真实数据中学习的能力，适用于多种自动化场景，如桌面、移动和网页环境。

Doubao-1.5-pro 是一个高性能的稀疏 MoE 大语言模型，专注于推理性能与模型能力的极致平衡。

Doubao-1.5-pro 是由豆包团队开发的高性能稀疏 MoE（Mixture of Experts）大语言模型。该模型通过训练-推理一体化设计，实现了模型性能与推理性能的极致平衡。它在多个公开评测基准上表现出色，尤其在推理效率和多模态能力方面具有显著优势。该模型适用于需要高效推理和多模态交互的场景，如自然语言处理、图像识别和语音交互等。其技术背景基于稀疏激活的 MoE 架构，通过优化激活参数比例和训练算法，实现了比传统稠密模型更高的性能杠杆。此外，该模型还支持动态调整参数，以适应不同的应用场景和成本需求。

Gemini 2.0 Flash Thinking Experimental 是一款增强推理模型，能够展示其思考过程以提升性能和可解释性。

Gemini Flash Thinking 是 Google DeepMind 推出的最新 AI 模型，专为复杂任务设计。它能够展示推理过程，帮助用户更好地理解模型的决策逻辑。该模型在数学和科学领域表现出色，支持长文本分析和代码执行功能。它旨在为开发者提供强大的工具，以推动人工智能在复杂任务中的应用。

DeepSeek-R1-Distill-Qwen-32B 是一款高性能的开源语言模型，适用于多种文本生成任务。

DeepSeek-R1-Distill-Qwen-32B 是由 DeepSeek 团队开发的高性能语言模型，基于 Qwen-2.5 系列进行蒸馏优化。该模型在多项基准测试中表现出色，尤其是在数学、代码和推理任务上。其主要优点包括高效的推理能力、强大的多语言支持以及开源特性，便于研究人员和开发者进行二次开发和应用。该模型适用于需要高性能文本生成的场景，如智能客服、内容创作和代码辅助等，具有广泛的应用前景。

创建、动画化和部署具有情感智能的交互式角色的平台

Rapport 是一个创新的平台，专注于创建和部署具有情感智能的交互式角色。它支持多语言对话解决方案，如 ChatGPT、Google Gemini 和 Amazon Lex 等，并提供多种合成语音和语音识别功能。Rapport 的核心优势在于其强大的实时交互能力和多平台支持，能够满足教育、企业培训、娱乐等多领域的应用需求。其免费的 Explorer 阶梯提供无限 20 分钟的会话，而 Creator 阶梯则提供更多高级功能，如自定义角色和无品牌发布。Rapport 的目标是通过情感智能技术提升用户体验，推动交互式内容的发展。

一款支持多语言的智能会议笔记助手，可自动转录、总结并支持多种工具集成。

Spellar是一款基于人工智能的会议笔记助手，支持100多种语言的语音转录和自动总结。它通过智能语音识别和自然语言处理技术，帮助用户在会议、讲座或任何需要记录的场景中高效捕捉关键信息。其主要优点包括无缝的多平台支持、高精度的语音识别和总结能力，以及强大的隐私保护功能。该产品定位为专业人士、学生和远程团队提供高效、便捷的会议记录解决方案，支持免费下载并提供多种付费订阅选项。

首个为现代营销团队设计的端到端AI辅助内容平台。

Milestone Content Studio 是一款专为营销团队和内容创作者设计的AI辅助内容平台。它通过生成式AI技术，帮助用户快速生成高质量的内容，同时优化内容的SEO表现和可读性。该平台支持多种内容类型，包括博客、社交媒体帖子、新闻稿等，能够显著提高内容创作的效率和效果。其主要优点包括强大的内容生成能力、SEO优化功能以及多语言支持。该平台适合各种规模的企业和营销团队，帮助他们提升内容创作的效率和质量。

Kimi k1.5 是一个通过强化学习扩展的多模态语言模型，专注于提升推理和逻辑能力。

Kimi k1.5 是由 MoonshotAI 开发的多模态语言模型，通过强化学习和长上下文扩展技术，显著提升了模型在复杂推理任务中的表现。该模型在多个基准测试中达到了行业领先水平，例如在 AIME 和 MATH-500 等数学推理任务中超越了 GPT-4o 和 Claude Sonnet 3.5。其主要优点包括高效的训练框架、强大的多模态推理能力以及对长上下文的支持。Kimi k1.5 主要面向需要复杂推理和逻辑分析的应用场景，如编程辅助、数学解题和代码生成等。

DeepSeek-R1 是一款高性能推理模型，支持多种语言和任务，适用于研究和商业应用。

DeepSeek-R1 是 DeepSeek 团队推出的第一代推理模型，通过大规模强化学习训练，无需监督微调即可展现出卓越的推理能力。该模型在数学、代码和推理任务上表现优异，与 OpenAI-o1 模型相当。DeepSeek-R1 还提供了多种蒸馏模型，适用于不同规模和性能需求的场景。其开源特性为研究社区提供了强大的工具，支持商业使用和二次开发。

为视频提供高精度字幕的AI工具，支持多种语言和格式。

Captioner是一个专注于视频字幕生成的AI工具，基于OpenAI的Whisper模型优化，能够为视频提供高精度的字幕。它支持98种以上语言，能够处理长达3小时的视频，并提供无缝的字幕编辑体验。该工具的主要优点包括高精度转录、精确的时间戳对齐、支持多种字幕格式（如SRT、VTT）以及无缝的字幕编辑功能。其背景是为内容创作者提供高效、低成本的字幕解决方案，帮助他们节省时间并提升内容质量。提供两种付费计划：$10/月（年付）和$20/月（月付），并提供60分钟的免费试用。