用一个 Transformer 统一多模态理解与生成，既能看图回答，也能按文字生成图像，省去多模型拼接的麻烦。

字节跳动开源的视觉语言基础模型，主打通用多模态理解与推理，在 60 个公开基准中有 38 项达到 SOTA，配套 Notebook 教程方便上手。

用视觉语言模型做摄像头监控，能理解画面内容而不只是检测移动，适合替代传统 NVR 的简单告警。

开源的多模态大扩散语言模型，用块扩散、混合思维链和统一强化学习，把多模态理解与生成放进同一个模型里做。

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。

面向自动驾驶场景的视觉语言基础模型，通过多模态理解把驾驶画面转成可推理的语义描述，为端到端驾驶提供感知与决策支持。

从零训练原生视觉语言模型的开源系列，去掉独立视觉编码器，让多模态理解与生成在统一架构里完成。

OmniVinci 是英伟达开源的全模态大模型，能同时理解视觉、音频和语言三种输入，适合做多模态联合推理与训练研究。

把视觉能力做成 LoRA 插件直接挂到语言模型上，无需额外视觉编码器就能做多模态理解，省显存也省部署成本。

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。