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。

飞桨多模态大模型开发套件，覆盖图文理解、生成到扩散模型的全流程，提供预训练模型与高性能训练推理工具。

小米开源的视觉语言模型，能看图回答问题，适合做视觉问答和多模态理解任务。

统一多模态模型，把图文理解、文生图和图像编辑整合进同一套框架，省去为不同任务分别部署模型的麻烦。

基于 Rust 和 ONNXRuntime 的计算机视觉与视觉语言模型库，集成 YOLO、FastVLM、OCR、SAM 等模型，方便在 Rust 项目中直接做目标检测、分割和图文理解。