阿里云通义团队开源的多模态大模型系列，能同时理解图像和文本，用于视觉问答、图文推理等视觉语言任务。

开源多模态大模型家族，视觉语言能力接近 GPT-4o，支持图像分类、图文检索、语义分割和视频理解等任务。

面向 LLM 应用的多智能体开发框架，支持多模态、语音与实时交互，让智能体的构建、运行和调试过程可见、可理解、可信。

让多模态大模型直接看屏幕、动鼠标键盘来操作电脑的框架，把自然语言指令变成实际的桌面自动化操作。

用两小时从零训练一个 65M 参数的多模态视觉语言模型，代码和流程完整，适合低成本复现 VLM 训练与对话实验。

用 Playwright 加 AI 盯闲鱼，多任务实时或定时监控商品并做智能分析，配后台管理界面，帮你从海量二手商品里筛出想要的。

在 Mac 上基于 Apple Silicon 用 MLX 跑视觉语言模型的推理与微调工具包，支持 LLaVA、Pixtral、Florence2 等多种 VLM，本地即可完成多模态任务。

用强化学习（GRPO）训练视觉语言模型做视觉理解，把 DeepSeek-R1 那套推理强化思路搬到多模态场景，适合研究 VLM 推理能力。

开箱即用的视频扩散模型工具箱，支持文生视频和图生视频，重点解决高质量视频训练数据不足的问题。

主动感知上下文的 AI 助手，结合上下文工程与 ChatGPT Pulse 思路，自动收集并组织相关信息，为对话提供持续记忆和主动提醒。

一本系统讲解 AI Agent 设计原理与工程实践的开源书，含全书正文、PDF 和按章配套 Python 代码，覆盖记忆、上下文工程、RAG、多智能体等主题。