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。
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。
… - 视频拆解增加画面、插画、动画和剪辑风格分析；已有拆解可补充风格信息，分析失败保留原结果。额外的视频理解按所用服务计费。 推荐与后台效率 - 推荐给朋友更方便 ：左下角提供常驻入口，一键复制专属邀请链接和推荐文案；朋友打开链接可自动带入邀请码。新账号奖励仍按现有审核规则发放。 - 减少无效记忆整理 ：没有新的用户内容时跳过空跑，有新增
…、Ref-Adv-s、VisFactor、MedXpertQA、VTCBench 等视觉、多模态与长视频理解基准。 - 推理与专业能力评测：新增 $OneMillion-Bench、PRBench、HMMT-Nov-2025 等 Agent、深度推理与数学评测基准。 功能增强 - API 契约：Web API 响应契约改由 Pydanti