多式联运 AI

Nemotron 3 Nano Omni 是 NVIDIA 的高效开放多模态模型，旨在增强代理系统内部的感知和推理能力。它将视频、音频、图像和文本理解统一在一个模型中，因此代理可以跨屏幕、文档、对话和媒体进行推理，而无需将单独的特定模式堆栈拼接在一起。这使得它对于实际的多模式自动化特别有用。

该模型旨在减少感知到行动循环中的推理跳

Qwen 3.5 Omni 是 Qwen 系列的开放式多模式模型，旨在支持跨文本、图像、音频和其他媒体的统一交互。它适用于需要跨多种输入类型进行推理而不是通过单独的堆栈路由每种模态的助手和应用程序。该模型适合多模式聊天、文档理解、图像和视频分析以及使用工具的代理工作流程。

Omni 设计强调统一的多模式处理，其中单个模型系列可以处

SenseNova U1 是 SenseNova-U 系列的开放式多模式模型版本，围绕本机统一范例构建。它旨在将多种模式引入单个模型架构中，以便系统可以更自然地推理和生成不同形式的信息。该版本面向想要从第一原理研究统一多模态建模的开发人员和研究人员。

该项目以 NEO-Unify 为中心，这一设计方向将多模式功能视为模型的本机部分

Tuna2 是一个统一的多模态模型，它挑战了现代视觉语言系统需要大量预训练视觉编码器的假设。它使用直接像素嵌入进行原始图像输入，简化了架构，同时支持多模式理解和生成。该产品专为希望采用更清晰、更直接的图像文本建模方法的研究人员而设计。

Tuna2 背后的关键思想是，像素嵌入可以在多模态基准测试中胜过更复杂的基于编码器的设计。通过绕

VisionBanana 是 Google DeepMind 的统一视觉模型，它将图像生成视为视觉理解任务的通用接口。它旨在表明图像生成器可以充当强大的视觉学习者，通过生成提示处理语义分割、视觉推理和图像条件输出等任务。这使得它与模糊理解和生成之间界限的统一模型的研究相关。

该产品展示了一种范例，其中模型可以通过生成结构化视觉输出

BAGEL 是一个统一的多模态模型，可以处理和理解多种形式的数据，包括文本、图像和音频。这使得它能够执行各种各样的任务，从回答问题和生成文本到对图像进行分类和识别语音。通过整合多种模态，BAGEL 可以更全面地理解数据，并提供更准确、更翔实的响应。

BAGEL 的主要优势之一是它能够从各种数据源中学习并适应新的任务和领域。这使得

BLIP3o 是一个统一的多模态模型，它将自回归模型的推理和指令跟随优势与扩散模型的生成能力相结合。与之前扩散 VAE 特征或原始像素的模型不同，BLIP3o 扩散语义丰富的 CLIP 图像特征，从而为图像理解和生成构建了强大而高效的架构。该模型完全开源，包括训练数据、训练方案、模型权重和代码。

BLIP3o 在各种图像理解和生

Cobra 是一种先进的多模态大型语言模型 (MLLM)，旨在无缝集成视觉和文本信息，以实现高级理解和推理任务。Cobra 建立在状态空间模型的基础上，通过整合先进的视觉编码器流水线，扩展了高效的 Mamba 语言模型。该流水线融合了擅长捕捉低级空间特征的 DINOv2 和以语义表征能力著称的 SigLIP 的优势。通过融合这两个视觉主干，Cobra