# 多模態輸入

Mistral Small 3.2 24B Instruct 2506 是一個多語言大語言模型，支持文本和圖像輸入，文本輸出，具有128k的上下文長度。

Gemma 3n是Google推出的輕量級、最先進的開源多模態模型家族，基於與Gemini模型相同的研究和技術構建。支持文本、音頻和視覺輸入，適用於多種任務。

Qwen2.5-Omni-7B-GGUF 是基於 Qwen2.5-Omni-7B 模型的 GGUF 格式版本，支持多模態輸入，包括文本、音頻和圖像。

Qwen2.5-Omni-3B 是一個多模態模型，支持文本、音頻和圖像輸入，但不支持視頻輸入和音頻生成。

DAM-3B-Video是一個30億參數的視覺語言模型，能夠根據用戶指定的圖像/視頻區域生成精細化局部描述。

Gemma 3是Google推出的輕量級開源多模態模型，支持文本與圖像輸入並生成文本輸出，具有128K超長上下文窗口和140+語言支持。

Ola-7B是由騰訊、清華大學和南洋理工大學聯合開發的多模態語言模型，基於Qwen2.5架構，支持文本、圖像、視頻和音頻輸入，輸出文本內容。

適配穩定擴散3.5大模型的Canny邊緣檢測控制網絡，用於精確控制圖像生成過程

首個基於DiT的視頻生成模型，能夠即時生成高質量視頻，支持文本轉視頻和圖像+文本轉視頻兩種場景。

3DTopia-XL是基於PrimX高效3D表徵的擴散Transformer架構，能夠快速生成高質量3D資產

SAM 2是FAIR研發的面向圖像和視頻可提示視覺分割的基礎模型，支持通過提示進行高效分割。

DiVA Llama 3是一個端到端的語音助手模型，能夠處理語音和文本輸入，採用蒸餾損失進行訓練。