产品库

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。

Mistral OCR 是一款强大的文档理解 OCR 产品，能够以极高的准确性从 PDF 和图像中提取文本、图像、表格和方程式。

Mistral OCR 是由 Mistral AI 开发的先进光学字符识别 API，旨在以无与伦比的准确性提取和结构化文档内容。它能够处理包含文本、图像、表格和方程式的复杂文档，输出 Markdown 格式的结果，便于与 AI 系统和检索增强生成（RAG）系统集成。其高精度、高速度和多模态处理能力使其在大规模文档处理场景中表现出色，尤其适用于科研、法律、客服和历史文献保护等领域。Mistral OCR 的定价为每美元 1000 页标准使用量，批量处理可达每美元 2000 页，还提供企业自托管选项，满足特定隐私需求。

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。

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。

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。

一款轻量级的多模态语言模型安卓应用。

MNN-LLM 是一款高效的推理框架，旨在优化和加速大语言模型在移动设备和本地 PC 上的部署。它通过模型量化、混合存储和硬件特定优化，解决高内存消耗和计算成本的问题。MNN-LLM 在 CPU 基准测试中表现卓越，速度显著提升，适合需要隐私保护和高效推理的用户。

AI音频API，提供文本转语音、语音克隆和声音转换功能。

All voice lab是一家提供AI音频API的公司，旨在为创作者提供文本转语音、语音克隆和声音转换等功能。其核心优势在于实现语音克隆和声音转换的高度精准性和快速性，提供多语言支持和隐私保护。

多模态驱动的定制视频生成架构。

HunyuanCustom 是一个多模态定制视频生成框架，旨在根据用户定义的条件生成特定主题的视频。该技术在身份一致性和多种输入模式的支持上表现出色，能够处理文本、图像、音频和视频输入，适合虚拟人广告、视频编辑等多种应用场景。

使用Placy PRO的AI助手，提升您的房地产业务。自动化潜在客户管理、房产搜索和日程安排，提供50多种语言的全天候支持。

Placy Pro是一款AI助手平台，帮助房地产专业人士分析需求、智能匹配潜在客户与房产、自动回答问题、自动化日常任务等。它利用AI技术提供了智能配置、语义推荐、知识库、快速工作流程、自动化外联等功能。

通过 AI 实时翻译打破视频通话中的语言障碍。

Ztalk.ai 是一款创新的实时语音翻译工具，能够在视频通话中提供超过 30 种语言的即时翻译。它利用先进的 AI 技术，支持与各类视频会议平台的无缝集成，旨在提高全球团队的沟通效率。该产品提供不同的定价方案以满足用户的需求，特别适合需要跨语言沟通的专业团队和企业。

一个集成视觉理解和生成的多模态生成模型。

Liquid 是一个自回归生成模型，通过将图像分解为离散代码并与文本标记共享特征空间，促进视觉理解和文本生成的无缝集成。此模型的主要优点在于无需外部预训练的视觉嵌入，减少了对资源的依赖，同时通过规模法则发现了理解与生成任务之间的相互促进效应。

InternVL3开源：7种尺寸覆盖文、图、视频处理，多模态能力扩展至工业图像分析

InternVL3是由OpenGVLab开源发布的多模态大型语言模型（MLLM），具备卓越的多模态感知和推理能力。该模型系列包含从1B到78B共7个尺寸，能够同时处理文字、图片、视频等多种信息，展现出卓越的整体性能。InternVL3在工业图像分析、3D视觉感知等领域表现出色，其整体文本性能甚至优于Qwen2.5系列。该模型的开源为多模态应用开发提供了强大的支持，有助于推动多模态技术在更多领域的应用。

AI 驱动的内容创作服务，支持 56 种语言的音频和视频本地化与配音。

Krillin AI 是一个强大的内容创作服务平台，专注于音频和视频的本地化与配音。它利用最先进的技术提高字幕的准确性和翻译质量，适合全球市场的多语言需求。该平台支持多种语言的翻译，自动过滤多余的填充词，旨在提供清晰、专业的字幕体验。Krillin AI 提供免费试用，让用户能够体验其强大功能。

基于 DiT 的人类图像动画框架，实现精细控制与长效一致性。

DreamActor-M1 是一个基于扩散变换器 (DiT) 的人类动画框架，旨在实现细粒度的整体可控性、多尺度适应性和长期时间一致性。该模型通过混合引导，能够生成高表现力和真实感的人类视频，适用于从肖像到全身动画的多种场景。其主要优势在于高保真度和身份保留，为人类行为动画带来了新的可能性。

一款用于生成信息图表的视觉文本渲染工具。

BizGen 是一个先进的模型，专注于文章级别的视觉文本渲染，旨在提升信息图表的生成质量和效率。该产品利用深度学习技术，能够准确渲染多种语言的文本，提升信息的可视化效果。适合研究人员和开发者使用，助力创造更具吸引力的视觉内容。

Gemini 2.5 是谷歌最智能的 AI 模型，具备推理能力。

Gemini 2.5 是谷歌推出的最先进的 AI 模型，具备高效的推理能力和编码性能，能够处理复杂问题，并在多项基准测试中表现出色。该模型引入了新的思维能力，结合增强的基础模型和后期训练，支持更复杂的任务，旨在为开发者和企业提供强大的支持。Gemini 2.5 Pro 可在 Google AI Studio 和 Gemini 应用中使用，适合需要高级推理和编码能力的用户。

AI PowerPoint 生成器，快速创建精美幻灯片。

Autoppt 是一款顶尖的 AI PowerPoint 生成器，通过输入主题或上传文件，瞬间生成设计精美的幻灯片。该工具旨在提升用户的工作效率，减少制作演示文稿所需的时间。用户只需简单的输入，Autoppt 便可自动完成幻灯片的设计与布局，极大地方便了忙碌的专业人士和学生。提供免费试用及付费订阅选项，以满足不同需求的用户。

增强文本与视觉任务处理能力的开源模型。

Mistral-Small-3.1-24B-Base-2503 是一款具有 240 亿参数的先进开源模型，支持多语言和长上下文处理，适用于文本与视觉任务。它是 Mistral Small 3.1 的基础模型，具有较强的多模态能力，适合企业需求。

一款基于 AI 技术的在线图片翻译工具，可将图片中的文字翻译成多种语言。

Translate Image Online 是一款利用先进 AI 技术实现图片翻译的产品。它能够将图片中的文字精准翻译成 100 多种语言，同时保留原文的排版和风格。该产品适用于多种场景，如市场营销材料、产品图片、漫画等的翻译。其主要优点包括翻译准确、速度快、支持批量处理等。产品目前提供免费试用，定位为满足全球用户图片翻译需求的高效工具。

DiffRhythm 是一个基于扩散模型技术的 AI 音乐生成平台，可快速将歌词转化为专业音乐作品。

DiffRhythm 是一款革命性的 AI 音乐生成工具，采用先进的潜在扩散模型技术，能够快速生成包含人声和伴奏的完整歌曲。它通过简洁的输入要求和高效的非自回归结构，极大地简化了音乐创作流程，使创作者能够在短时间内探索多种音乐风格和创意。该平台支持多语言歌词输入，特别适合音乐创作者、艺术家和教育工作者，帮助他们在艺术创作、教育和娱乐领域实现高效音乐生成。

基于Gemini 2.0的机器人模型，将AI带入物理世界，具备视觉、语言和动作能力。

Gemini Robotics是Google DeepMind推出的一种先进的人工智能模型，专为机器人应用而设计。它基于Gemini 2.0架构，通过视觉、语言和动作（VLA）的融合，使机器人能够执行复杂的现实世界任务。该技术的重要性在于它推动了机器人从实验室走向日常生活和工业应用的进程，为未来智能机器人的发展奠定了基础。Gemini Robotics的主要优点包括强大的泛化能力、交互性和灵巧性，使其能够适应不同的任务和环境。目前，该技术处于研究和开发阶段，尚未明确具体的价格和市场定位。

TranslateManga 是一款由 AI 驱动的漫画翻译工具，支持多种语言，可快速翻译漫画并保持原图质量。

TranslateManga 是一款专业级的漫画翻译工具，利用先进的 AI 技术，能够快速准确地将漫画中的文字翻译成多种语言，同时保持原图的结构和质量。其主要优点包括翻译速度快、准确性高、支持语言丰富等。该产品定位为满足漫画爱好者和翻译工作者的需求，让他们能够轻松地将喜爱的漫画翻译成不同语言，打破语言障碍，让漫画作品能够被更多人欣赏。产品提供免费和付费两种计划，免费计划每周有 20 个翻译额度，付费计划则提供更多翻译额度和优先支持服务。

Kokoro TTS 是一款支持多语言和语音融合的高性能文本转语音工具，免费用于商业用途。

Kokoro TTS 是一款强大的文本转语音工具，支持多种语言和语音融合功能，能够将 EPUB、PDF 和 TXT 文件转换为高质量的语音输出。该工具为开发者和用户提供了灵活的语音定制选项，能够轻松创建专业级音频。其主要优点包括支持多语言、语音融合、灵活的输入格式以及免费的商业使用许可。该产品定位为创作者、开发者和企业提供了高效、低成本的语音合成解决方案，适用于有声书创作、视频旁白、播客制作、教育内容生成以及客户服务等多个场景。

Mirage 是全球首个用户生成内容（UGC）基础模型，可生成自然表情和肢体语言的原创虚拟演员。

Mirage 是由 Captions.ai 推出的首个专为用户生成内容（UGC）和广告设计的 AI 视频生成模型。它能够通过简单的文本提示或音频文件，快速生成完整的视频内容，包括原创的虚拟演员、背景、语音和脚本。该技术的核心优势在于完全摆脱了传统视频制作中对演员、场地和后期制作的依赖，极大地降低了成本并提高了创作效率。Mirage 为营销人员和内容创作者提供了一个强大的工具，能够快速生成多语言、多风格的视频内容，满足不同平台和受众的需求。

CodeX 是一款 AI 驱动的云端代码编辑器，提供智能代码建议和代码转换功能。

CodeX 是一个专注于提升编程效率的云端 IDE，利用 AI 技术为开发者提供智能代码补全、代码转换、语法高亮等功能。它支持多种编程语言，旨在通过智能化工具减少编程中的重复劳动，提高开发效率。产品主要面向开发者和编程爱好者，帮助他们在多语言环境下快速编写高质量代码。目前暂未提及具体价格，但从功能来看，预计会以付费或免费试用的形式推出。

Gemma 3 是基于 Gemini 2.0 技术的轻量级、高性能开源模型，专为单 GPU 或 TPU 设备设计。

Gemma 3 是 Google 推出的最新开源模型，基于 Gemini 2.0 的研究和技术开发。它是一个轻量级、高性能的模型，能够在单个 GPU 或 TPU 上运行，为开发者提供强大的 AI 能力。Gemma 3 提供多种尺寸（1B、4B、12B 和 27B），支持超过 140 种语言，并具备先进的文本和视觉推理能力。其主要优点包括高性能、低计算需求以及广泛的多语言支持，适合在各种设备上快速部署 AI 应用。Gemma 3 的推出旨在推动 AI 技术的普及和创新，帮助开发者在不同硬件平台上实现高效开发。

R1-Omni 是一个结合强化学习的全模态情绪识别模型，专注于提升多模态情绪识别的可解释性。

R1-Omni 是一个创新的多模态情绪识别模型，通过强化学习提升模型的推理能力和泛化能力。该模型基于 HumanOmni-0.5B 开发，专注于情绪识别任务，能够通过视觉和音频模态信息进行情绪分析。其主要优点包括强大的推理能力、显著提升的情绪识别性能以及在分布外数据上的出色表现。该模型适用于需要多模态理解的场景，如情感分析、智能客服等领域，具有重要的研究和应用价值。

智元发布首个通用具身基座大模型GO-1，开创性提出ViLLA架构，推动具身智能发展。

智元通用具身基座大模型GO-1是智元推出的一款革命性的人工智能模型。该模型基于创新的Vision-Language-Latent-Action（ViLLA）架构，通过多模态大模型（VLM）和混合专家（MoE）系统，实现了从视觉和语言输入到机器人动作执行的高效转换。GO-1能够利用人类视频和真实机器人数据进行学习，具备强大的泛化能力，能够在极少数据甚至零样本下快速适应新任务和环境。其主要优点包括高效的学习能力、强大的泛化性能以及对多种机器人本体的适配性。该模型的推出标志着具身智能向通用化、开放化和智能化方向迈出了重要一步，有望在商业、工业和家庭等多个领域发挥重要作用。