Find the right model.
Download more easily.

Thomson-1.0-Small是一个前沿基础模型，在多种专业和通用领域以及实际部署场景中表现出色。它是Thomson-1.0系列的开源权重版本，基于持续学习范式开发，重点关注法律、税务和新闻领域的高风险专业工作。该模型通过对开源的Qwen3.6-35B-A3B模型进行重构，并在广泛性能领域实现显著提升而得。 持续学习：与有限的小规模微调、提示工程或冻结模型工具增强等方法不同，该流水线在广泛能力范围内带来显著改进，包括未明确针对的能力，同时几乎消除了窄领域适配中常见的遗忘问

Qwen2-VL-72B-Instruct Qwen2-VL-72B-Instruct是一个视觉语言模型，用于图像和视频理解、问答、对话、内容创作等任务，也可作为代理集成到手机、机器人等设备进行自动操作。 图像理解：在各种分辨率和宽高比的图像理解方面达到领先水平，在MathVista、DocVQA、RealWorldQA、MTVQA等视觉理解基准测试中表现优异。

Qwen2-VL-2B-Instruct Qwen2-VL-2B-Instruct是一个视觉语言模型，用于图像和视频理解、问答、对话和内容创作。该模型可作为代理集成到手机、机器人等设备中，基于视觉环境和文本指令进行自动操作。 图像理解：支持任意分辨率和宽高比的图像处理，在多个视觉理解基准测试中达到领先水平，包括MathVista、DocVQA、RealWorldQA、MTVQA等。

Qwen2-VL-7B-Instruct 是阿里云发布的指令微调视觉语言模型，支持图像和视频理解，可用于基于视觉的问答、对话、内容创作等任务，也可集成到手机、机器人等设备中实现自动化操作。 图像理解：支持任意分辨率和宽高比的图像处理，在多个视觉理解基准测试中达到领先水平，包括 MathVista、DocVQA、RealWorldQA、MTVQA 等。 视频理解：能够理解超过20分钟的视频内容，支持高质量的基于视频的问答和对话。

QVQ-72B-Preview是由Qwen团队开发的实验性研究模型，专注于增强视觉推理能力。 MMMU（多任务多模态理解）基准测试得分70.3% MathVista（数学视觉）基准测试得分71.4%

GUI-Owl是Mobile-Agent-V3项目开发的模型系列，专注于GUI自动化任务。 GUI-Owl在多个GUI自动化基准测试中达到先进性能，包括ScreenSpot-V2、ScreenSpot-Pro、OSWorld-G、MMBench-GUI、Android Control、Android World和OSWorld。该模型可在Mobile-Agent-V3多智能体框架中实例化为各类专业智能体，完成更复杂的任务。

Phone Agent 是一个基于 AutoGLM 构建的移动智能助手框架，能够通过多模态感知理解智能手机屏幕，并执行自动化操作以完成各类任务。 系统通过 ADB（Android Debug Bridge）控制设备，使用视觉语言模型进行屏幕理解，并利用智能规划能力生成和执行动作序列。系统还包含敏感操作确认机制，以及在登录或验证码场景下的人工介入回退功能。支持远程 ADB 调试，可通过 WiFi 或网络连接设备实现灵活的远程控制与开发。

Holo3：用于导航和计算机操作代理的基础模型 Holo3是新一代大型视觉语言模型，专门针对GUI代理进行优化。它能够在多种数字环境中运行，包括网页、桌面和移动端，通过解释视觉界面、对复杂内容进行推理并执行精确操作来完成导航和计算机使用任务。 该模型在OSWorld-Verified基准测试中达到最先进的性能，同时保留了Holo2世界级的网页导航能力。它能够准确定位交互元素并理解其功能，在ScreenSpot-Pro和OSWorld-G等基准测试中表现出色。模型特别擅长多步骤

LocateAnything-3B面向开发者和研究人员，用于构建需要根据自然语言指令进行快速精确视觉定位的视觉语言模型和应用。支持的应用场景包括：开放集常见目标和长尾目标检测、密集多目标检测、短语和指代表达式 grounding、自动数据集标注、GUI元素 grounding、机器人和自动驾驶感知、文档理解与布局 grounding、OCR定位、工业检测、监控和遥感、点级定位和细粒度空间推理。 该模型实现快速高质量的视觉 grounding，支持精确目标定位、密集检测和点级定

Kimi-VL是一款高效的开源混合专家（MoE）视觉语言模型，其语言解码器仅激活2.8B参数（Kimi-VL-A3B），同时具备高级多模态推理、长上下文理解和强大的代理能力。 作为通用视觉语言模型，Kimi-VL适用于多轮代理交互任务、大学级图像和视频理解、光学字符识别（OCR）、数学推理、多图像理解、长视频和长文档处理、视频感知以及操作系统代理任务。Kimi-VL-A3B-Instruct适用于高效推理的多模态感知和理解任务；Kimi-VL-A3B-Thinking适用于高

Kimi-VL-A3B-Instruct / Kimi-VL-A3B-Thinking 高效开放源代码混合专家（MoE）视觉语言模型（VLM） 作为通用视觉语言模型，Kimi-VL适用于多轮智能体交互、大学级图像和视频理解、光学字符识别（OCR）、数学推理、多图像理解、长视频和长文档处理、视频感知以及智能体任务。

Kimi-VL-A3B-Thinking-2506 是一个视觉语言模型（VLM），具备多模态推理、视觉理解和视频理解能力，适用于需要处理图像、视频和文本的综合任务场景。 思考效率提升：在多模态推理基准测试中达到更高准确率，同时平均思考长度减少20%。MathVision得分56.9，MathVista得分80.1，MMMU-Pro得分46.3，MMMU得分64.0。 视觉理解能力：在通用视觉感知和理解任务上表现优异，MMBench-EN-v1.1得分84.4，MMStar得分

GELab-Zero-4B-preview 本模型为GELab-Zero项目的一部分，是一个4B参数的GUI Agent模型，专为在本地计算机上运行而设计。该项目旨在通过提供可在消费级硬件上运行的GUI Agent模型，推动GUI Agent的创新和应用部署。 本地部署：针对消费级硬件进行优化，在保障隐私的同时实现低延迟运行。

STEP3-VL-10B 是一款轻量级开源基础模型，旨在重新定义紧凑效率与前沿多模态智能之间的权衡。尽管参数规模仅为 10B，该模型在视觉感知、复杂推理和以人为中心的对齐方面表现出色。该模型持续超越 10B 参数规模以下的模型，并可媲美或超越显著更大的开源模型（10倍至20倍参数规模），如 GLM-4.6V、Qwen3-VL-Thinking 以及 Gemini 2.5 Pro 和 Seed-1.5-VL 等顶级专有模型。

Spatial-SSRL-7B是一个大型视觉语言模型，专注于空间理解能力。该模型基于Qwen2.5-VL-7B构建，通过Spatial-SSRL轻量级自监督强化学习范式进行优化，能够高效扩展强化学习视觉推理（RLVR）。 该模型在空间智能方面表现强劲，同时保留了基础模型的原始通用视觉能力。在图像和视频两种设置下的七个空间理解基准测试中均展现出优异的性能。Spatial-SSRL框架具有以下特点：使用普通RGB和RGB-D图像，无需丰富注释的数据集或人工标签，具有高度可扩展性；

Spatial-SSRL-3B是一个大型视觉语言模型，专注于空间理解能力，基于Qwen2.5-VL-3B构建。该模型通过Spatial-SSRL方法进行优化，这是一种轻量级的自监督强化学习范式，能够高效扩展强化学习视觉推理训练。 该模型在保持基础模型原有通用视觉能力的同时，展现出强大的空间智能。在图像和视频两种设置下的七个空间理解基准测试中均表现出色。Spatial-SSRL框架目前包含五个任务，仅需要普通的RGB和RGB-D图像即可进行训练。

Spatial-SSRL-Qwen3VL-4B 是一个大型视觉语言模型，专注于空间理解能力，基于 Qwen3-VL-4B-Instruct 构建。该模型通过应用 Spatial-SSRL 进行优化，这是一种轻量级的自监督强化学习范式，能够高效扩展强化学习视觉推理训练。 该模型在保持基础模型原有通用视觉能力的同时，展现出强大的空间智能。通过 Spatial-SSRL 范式训练，模型在图像和视频两种设置下的七个空间理解基准测试中均表现出更强的空间理解能力。

CapRL 是一系列基于强化学习的图像字幕生成模型。与传统的监督微调方法不同，CapRL 采用强化学习与可验证奖励的方式，专门用于开放性和主观性的图像描述任务。该方法允许模型探索并生成更具创意和更广泛的描述，而非仅仅记忆有限的标注字幕。 CapRL 模型在图像字幕生成方面展现出卓越性能。其中 CapRL-Qwen3VL-2B 在字幕任务上的表现优于 CapRL-Qwen2.5VL-3B 和 Qwen2.5VL-72B。CapRL-InternVL3.5-8B 的图像字幕能力也