产品库

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。

多模态大型语言模型，理解长图像序列。

mPLUG-Owl3是一个多模态大型语言模型，专注于长图像序列的理解。它能够从检索系统中学习知识，与用户进行图文交替对话，并观看长视频，记住其细节。模型的源代码和权重已在HuggingFace上发布，适用于视觉问答、多模态基准测试和视频基准测试等场景。

先进的多模态模型，支持图像和文本理解。

Phi-3.5-vision是微软开发的轻量级、最新一代的多模态模型，基于包括合成数据和经过筛选的公开可用网站在内的数据集构建，专注于文本和视觉的高质量、密集推理数据。该模型属于Phi-3模型家族，经过严格的增强过程，结合了监督微调和直接偏好优化，以确保精确的指令遵循和强大的安全措施。

快速转换和翻译扫描文档

DocuTranslate 是一款专注于文档转换和翻译的在线服务。它利用先进的光学字符识别（OCR）技术和翻译技术，能够快速将扫描的文档转换为Word格式，并提供准确的翻译。用户可以通过上传文档、选择目标语言并确认使用信用点数，几秒钟内即可收到翻译后的文档，方便进一步编辑。该服务支持26种语言，适用于翻译人员和需要高效文档处理的专业人士。

轻量级OCR模型，推理速度快

OnnxOCR是基于PaddleOCR重构的轻量级OCR模型，它脱离了PaddlePaddle深度学习训练框架，实现了快速的推理速度。该模型支持超过80种语言的推理，并在转换为ONNX模型后，推理速度比使用PaddlePaddle框架快5倍。OnnxOCR独立于深度学习训练框架，可以直接部署，适用于计算能力有限但需要保持准确性的场景，并且可以在ARM和x86架构的计算机上部署。

大型多模态模型，处理多图像、视频和3D数据。

LLaVA-NeXT是一个大型多模态模型，它通过统一的交错数据格式处理多图像、视频、3D和单图像数据，展示了在不同视觉数据模态上的联合训练能力。该模型在多图像基准测试中取得了领先的结果，并在不同场景中通过适当的数据混合提高了之前单独任务的性能或保持了性能。

第二代多模态预训练对话模型

CogVLM2是由清华大学团队开发的第二代多模态预训练对话模型，它在多个基准测试中取得了显著的改进，支持8K内容长度和1344*1344的图像分辨率。CogVLM2系列模型提供了支持中文和英文的开源版本，能够与一些非开源模型相媲美的性能。

连接数字和物理世界的首款多模态模型

Grok-1.5V是X.AI公司推出的第一代多模态模型。除了强大的文本处理能力外,Grok还可以处理各种视觉信息,包括文档、图表、截图和照片等。该模型在多学科推理、文档理解、科学图表理解、图表解读和现实世界理解等方面表现出色,并将于近期向早期测试用户和现有Grok用户推出。

支持同时理解和生成图像的多模态大型语言模型

Mini-Gemini是一个多模态视觉语言模型,支持从2B到34B的系列密集和MoE大型语言模型,同时具备图像理解、推理和生成能力。它基于LLaVA构建,利用双视觉编码器提供低分辨率视觉嵌入和高分辨率候选区域,采用补丁信息挖掘在高分辨率区域和低分辨率视觉查询之间进行补丁级挖掘,将文本与图像融合用于理解和生成任务。支持包括COCO、GQA、OCR-VQA、VisualGenome等多个视觉理解基准测试。

Surya是一个用于任何语言中准确的逐行文本检测和识别（OCR）的项目。

Surya是一个多语言文档OCR工具包，具有准确的逐行文本检测功能。它在一系列文档和语言上都有效（参见使用和基准测试以获取更多细节）。Surya的命名源自印度太阳神，象征着具有普遍视野。Surya通过Python 3.9+和PyTorch实现，支持多种语言的高效OCR处理，包括图像动画和个性化T2I模型。Surya的特点是其高效性和多语言支持能力。

通过统一的端到端模型实现OCR-2.0

GOT-OCR2.0是一个开源的OCR模型，旨在通过一个统一的端到端模型推动光学字符识别技术向OCR-2.0迈进。该模型支持多种OCR任务，包括但不限于普通文本识别、格式化文本识别、细粒度OCR、多裁剪OCR和多页OCR。它基于最新的深度学习技术，能够处理复杂的文本识别场景，并且具有较高的准确率和效率。

低延迟、高质量的端到端语音交互模型

LLaMA-Omni是一个基于Llama-3.1-8B-Instruct构建的低延迟、高质量的端到端语音交互模型，旨在实现GPT-4o级别的语音能力。该模型支持低延迟的语音交互，能够同时生成文本和语音响应。它在不到3天的时间内使用仅4个GPU完成训练，展示了其高效的训练能力。

多模态大型语言模型，支持图像和文本理解。

Pixtral-12b-240910是由Mistral AI团队发布的多模态大型语言模型，它能够处理和理解图像以及文本信息。该模型采用了先进的神经网络架构，能够通过图像和文本的结合输入，提供更加丰富和准确的输出结果。它在图像识别、自然语言处理和多模态交互方面展现出卓越的性能，对于需要图像和文本同时处理的应用场景具有重要意义。

利用多指令视频到音频合成技术

Draw an Audio是一个创新的视频到音频合成技术，它通过多指令控制，能够根据视频内容生成高质量的同步音频。这项技术不仅提升了音频生成的可控性和灵活性，还能够在多阶段产生混合音频，展现出更广泛的实际应用潜力。

多语言文本到语音转换模型

Fish Speech V1.4是一个领先的文本到语音(TTS)模型，它在多种语言的700,000小时音频数据上进行了训练。该模型支持包括英语、中文、德语、日语、法语、西班牙语、韩语和阿拉伯语在内的8种语言，是进行多语言文本到语音转换的强大工具。

轻量级语言模型编程库，将提示视为函数。

ell是一个轻量级的语言模型编程库，它将提示视为函数，而不是简单的字符串。ell的设计基于在OpenAI和创业生态系统中多年构建和使用语言模型的经验。它提供了一种全新的编程方式，允许开发者通过定义函数来生成发送给语言模型的字符串提示或消息列表。这种封装方式为用户创建了一个清晰的接口，用户只需关注LMP所需的数据。ell还提供了丰富的工具，支持监控、版本控制和可视化，使得提示工程从一门黑艺术转变为一门科学。

为视频快速创建字幕的终极工具。

CaptionKit 是一款为视频创作者设计的应用，它利用先进的AI技术，支持超过100种语言的字幕生成，确保文本识别的高准确度。用户可以选择20多种预设的字幕模板，或自定义风格以适应不同的项目需求。该应用还提供了强大的文本编辑器，允许用户自定义字体、颜色、轮廓、背景等，甚至添加阴影效果。此外，它支持将字幕翻译成不同语言，帮助视频内容触及全球观众。CaptionKit 还具备预览模式，确保在不同社交媒体平台上的显示效果。无论是内容创作者、影响者还是普通用户，CaptionKit 都能够帮助他们在几分钟内创建出专业质量的字幕。

实时语音语言翻译解决方案

Alorica ReVoLT是Alorica Clear解决方案的一部分，属于其革命性的多语言客户体验产品套件。这项技术通过实时语音语言翻译，帮助客户提升品牌影响力，优化客户服务体验。Alorica ReVoLT在2024年AI突破奖中被评为最佳基于AI的客户服务解决方案，凸显了其在客户体验管理（CXM）领域的领先地位。

快速获取书籍摘要和音频，提升学习效率。

SoBrief是一个提供书籍摘要和音频的网站，它通过将书籍内容浓缩成易于理解的摘要，帮助用户在短时间内掌握书籍的核心思想。这个平台支持多种语言，拥有超过73,530本书籍的摘要，覆盖了广泛的主题和领域。SoBrief特别适合那些希望快速获取知识、提升阅读效率的用户，无论是学生、专业人士还是终身学习者，都能从中受益。

情商智商俱佳的多模态大模型

西湖大模型是心辰智能云推出的一款具有高情商和智商的多模态大模型，它能够处理包括文本、图像、声音等多种数据类型，为用户提供智能对话、写作、绘画、语音等AI服务。该模型通过先进的人工智能算法，能够理解和生成自然语言，适用于多种场景，如心理咨询、内容创作、客户服务等，具有高度的定制性和灵活性。西湖大模型的推出，标志着心辰智能云在AI领域的技术实力和创新能力，为用户提供了更加丰富和高效的智能服务体验。

智能AI聊天助手，提供多语言对话和个性化服务。

Ai Chat机器人Plus是一款基于人工智能技术的聊天机器人，它能够理解并流畅地与用户进行交流，提供信息查询、日常咨询、技术支持等服务。这款产品通过模仿人类的对话方式，为用户提供了一个直观、便捷的交互体验。它主要的优点包括快速响应、高准确率的语义理解以及个性化的服务体验。Ai Chat机器人Plus适用于需要快速、智能对话解决方案的个人和企业用户。

聚合6900+人工智能平台和工具，每日更新

ToolAI是一个提供全球范围内人工智能工具集合的平台，它聚合了6900多个AI平台和工具，并且每日更新，以帮助用户找到适合自己需求的AI工具。该平台覆盖了文案写作、电子邮件助手、设计助手、社交媒体助理等多种类别，为用户提供了一个一站式的AI工具搜索和发现服务。

多语言晚交互检索模型，支持嵌入和重排

Jina ColBERT v2是一个先进的晚交互检索模型，基于ColBERT架构构建，支持89种语言，并提供优越的检索性能、用户可控的输出维度和长达8192个token的文本处理能力。它在信息检索领域具有革命性的意义，通过晚交互评分近似于交叉编码器中的联合查询-文档注意力，同时保持了接近传统密集检索模型的推理效率。

客户成功部门的智能助手，基于用户反馈分析产品痛点。

Reviewik是一款基于人工智能的解决方案，专注于分析用户反馈，帮助产品团队发现产品痛点、情感倾向、功能需求和潜在的bug。它通过多语言支持和趋势分析，为产品增长提供有价值的见解。产品背景信息显示，Reviewik致力于通过情感分析、话题趋势分析和关键词提取，帮助企业快速发现并解决用户问题，从而提高产品满意度和市场竞争力。

开源多模态大型语言模型，支持实时语音输入和流式音频输出。

Mini-Omni是一个开源的多模态大型语言模型，能够实现实时的语音输入和流式音频输出的对话能力。它具备实时语音到语音的对话功能，无需额外的ASR或TTS模型。此外，它还可以在思考的同时进行语音输出，支持文本和音频的同时生成。Mini-Omni通过'Audio-to-Text'和'Audio-to-Audio'的批量推理进一步增强性能。

35亿参数的高性能生成模型

C4AI Command R 08-2024是由Cohere和Cohere For AI开发的35亿参数大型语言模型，专为推理、总结和问答等多种用例优化。该模型支持23种语言的训练，并在10种语言中进行了评估，具有高性能的RAG（检索增强生成）能力。它通过监督式微调和偏好训练，以符合人类对有用性和安全性的偏好。此外，该模型还具备对话工具使用能力，能够通过特定的提示模板生成基于工具的响应。

104B参数的多语种高级对话生成模型

C4AI Command R+ 08-2024是一个拥有104B参数的大规模研究发布模型，具备高度先进的能力，包括检索增强生成（RAG）和工具使用，以自动化复杂任务。该模型支持23种语言的训练，并在10种语言中进行评估。它优化了多种用例，包括推理、总结和问答。

智能AI翻译，高效文档语言转换助手。

EZ-work AI文档翻译是一款专注于文档翻译的在线服务，支持多种语言的翻译，包括中文、英语、日语、俄语、阿拉伯语和西班牙语等。它使用先进的AI技术，如gpt-4o-mini和deepseek-chat模型，为用户提供快速、准确的翻译服务。该产品适用于需要文档翻译的个人和企业，尤其在国际交流和学术研究领域尤为重要。

免费在线AI图片翻译 助力跨境电商

PicTech AI是由学以致用科技旗下的智能图像工具品牌，专注于为跨境电商提供AI驱动的图片翻译服务。该产品利用人工智能技术，实现高准确率和高清晰度的图片翻译，支持中文、英语到日语、韩语等多国语言的翻译。PicTech AI的智能抠图功能，能够准确检测图片主体边缘，一键去除背景，无需专业编辑。产品背景信息显示，其团队由来自百度、网易、阿里巴巴等行业巨头的顶尖高科技人才组成，具备强大的技术实力和产品能力。该产品定位于帮助跨境电商从业者简化工作流程，提高效率，无需懂外语或图像处理技能即可使用。