DeepGen 1.0是由中国科学技术大学、西湖大学与南加州大学等联合推出的轻量级统一多模态模型，仅50亿参数，却在通用图像生成、编辑及复杂逻辑理解任务中实现超越级表现，多项指标击败参数量为其3–16倍的国际顶级模型。
BitDance是字节跳动正式开源的140亿参数离散自回归多模态基础模型。凭借创新的二进制Token编码机制与并行扩散预测范式，模型在保持高分辨率、高保真画质的前提下，实现了颠覆性的生成速度，效率较传统自回归模型提升30倍以上，甚至超越多款主流扩散模型。
Ovis2.6-30B-A3B核心升级为MoE架构，实现300亿总参数与仅30亿激活参数的平衡，兼顾大模型能力与小模型推理成本；MoE架构提效降本、64K长上下文+高清图像处理、主动式图像思考、强化的OCR/文档/图表理解。
Codev GGUF是一款基于Qwen2.5-VL-7B-Instruct微调而成的70亿参数视觉语言模型，通过“监督微调（SFT）+ 基于工具感知策略优化（TAPO）的强化学习（RL）”两阶段精准训练，核心目标是实现可靠、可解释的视觉推理。
Qwen2.5-Omni是阿里云通义千问的新一代端到端多模态旗舰模型，支持文本/图像/音频/视频全输入，可同步输出文本+自然语音，性能超越同规模单模态模型且已全平台开源。
Computer-Using Agent是OpenAI开发的先进人工智能模型，融合GPT-4o的视觉能力与强化学习驱动的高级推理能力。它可像人类一样与图形用户界面直接交互，无需依赖特定操作系统API或网络接口，灵活性极强，能在多种数字环境中完成填写表单、网页浏览等任务。
SenseNova-MARS模型可像智能体一样自主规划任务步骤，灵活调用图像裁剪、文本搜索、图像搜索三大工具，无需人工干预即可完成复杂多跳推理。
Step3-VL-10B是阶跃星辰推出的轻量级开源多模态模型，仅搭载10B参数，却能在视觉感知、逻辑推理、数学竞赛及通用对话等核心任务中，达到200B大参数模型的性能水准。