ActIO-UI-7B-RLVR作为一款专为GUI自动化量身打造的视觉语言模型，其核心优势的是能够精准理解屏幕截图内容，快速识别界面中的各类元素，结合用户指令自主规划多步骤交互流程，并执行点击、输入等操作，无需人工干预即可实现网页、桌面应用的自动化控制，大幅提升各类界面操作的效率与标准化程度。
Thinker模型聚焦机器人核心需求，打造任务规划、空间理解、时间推理、视觉定位四大核心能力，精准解决机器人“想得到但抓不准”的行业痛点。模型基于20亿原始数据精炼的1000万高质量数据训练，依托自动化标注体系将人工参与率控制在1%以下，兼顾训练效率与数据质量。
FG-CLIP 2是360推出的新一代开源双语细粒度视觉语言对齐模型，模型凭借创新的层次化对齐架构与动态注意力机制，在29项权威基准测试中超越Google SigLIP 2、Meta MetaCLIP 2等主流模型，跻身全球顶尖视觉语言模型行列。
DeepSeek-OCR是DeepSeek团队研发的一款视觉语言模型，主打基于视觉压缩技术的长文本高效处理能力。该模型采用DeepEncoder编码器+DeepSeek3B-MoE解码器的架构，可在保留高分辨率输入信息的前提下，大幅降低激活内存占用与视觉标记数量。
SAIL-VL2是抖音团队与新加坡国立大学联合研发的开源视觉语言基础模型，模型由SAIL-ViT视觉编码器、视觉-语言适配器与大语言模型三大核心模块构成，创新性采用渐进式训练框架，从视觉预训练、多模态融合，到最终的SFT-RL混合范式优化，实现性能阶梯式跃升。
Granite-Docling-258M模型支持阿拉伯语、中文、日语等多语言处理，并创新性采用DocTags格式精准描述文档结构，搭配与Docling库的无缝集成能力，赋予用户强大的定制化空间与错误处理机制，成为企业级文档智能化升级的高效利器。