模型找得到，
下载更顺手。

Gemma 是由 Google DeepMind 开发的开源模型系列。Gemma4 为多模态模型，支持文本和图像输入（E2B、E4B 和 12B 版本额外支持音频），输出文本。该系列提供预训练版本和指令微调版本。 Gemma 4 适用于文本生成、编程、推理以及多模态理解任务。模型系列包含五种规格：E2B、E4B、12B、26B A4B 和 31B，可部署于手机、笔记本电脑到服务器等多种环境。 推理能力：内置可配置的思考模式，支持逐步推理。

Gemma 是由 Google DeepMind 开发的开源模型系列。Gemma 4 是多模态模型，支持文本和图像输入（E2B、E4B 和 12B 版本额外支持音频），输出文本。该系列提供预训练版本和指令微调版本。Gemma 4 支持最长 256K tokens 的上下文窗口，涵盖 140 多种语言。该系列适用于文本生成、编程和推理任务，包含五种规格：E2B、E4B、12B、26B A4B 和 31B。 推理能力：全系列模型均具备可配置思考模式的高级推理能力。

作者：Google DeepMind Gemma 4 12B Unified 是 Gemma 4 系列开放模型的一部分。该模型为多模态模型，支持文本、图像、音频（E2B、E4B、12B）和视频输入，生成文本输出。适用于推理、编码、智能体工作流和多模态理解任务。 推理能力：内置推理模式，支持分步思考。

Gemma是由Google DeepMind开发的开源模型系列。Gemma 4是多模态模型，支持文本和图像输入（E2B、E4B和12B版本还支持音频），输出文本。提供预训练和指令微调两种版本。适用于文本生成、编程、推理、智能体工作流和多模态理解等任务。 推理能力：全系列模型均具备强大的推理能力，支持可配置的思考模式。 多模态支持：支持文本、图像（支持可变宽高比和分辨率）、视频，以及E2B、E4B、12B版本的音频处理。

Gemma 是由 Google DeepMind 构建的开源模型系列。Gemma 4 是多模态模型，支持文本和图像输入（E2B、E4B 和 12B 版本还支持音频），输出文本。该系列包含预训练模型和指令微调模型两种形式。Gemma 4 适用于文本生成、编程和推理任务，提供五种规格：E2B、E4B、12B、26B A4B 和 31B。 推理能力：全系列模型均具备强大的推理能力，支持可配置的思考模式。 多模态支持：支持文本、图像（支持可变宽高比和分辨率）、视频，以及 E2B、E4

Gemma 是由 Google DeepMind 构建的开源模型系列。Gemma 4 是多模态模型，支持文本和图像输入（E2B、E4B 和 12B 版本还支持音频），生成文本输出。该版本提供预训练和指令微调两种变体。Gemma 4 支持最长 256K tokens 的上下文窗口，支持超过 140 种语言。 推理能力：全系列模型均具备强大的推理能力，支持可配置的思考模式。 多模态处理：支持文本、图像（支持可变宽高比和分辨率）、视频，以及 E2B、E4B、12B 原生支持的音频。

Gemma是由Google DeepMind开发的开源模型系列。Gemma 4是多模态模型，支持文本和图像输入（E2B、E4B和12B版本还支持音频），输出文本内容。该系列提供预训练和指令微调两种版本，上下文窗口最高支持256K tokens，支持超过140种语言。适用于文本生成、编程和推理等任务。 推理能力：全系列模型均具备高度推理能力，支持可配置的思考模式。 多模态支持：支持文本、图像（含可变宽高比和分辨率）、视频，以及E2B、E4B、12B版本的音频处理。

Gemma 是由 Google DeepMind 构建的开源模型系列。Gemma 4 是多模态模型，支持文本和图像输入（E2B、E4B 和 12B 版本还支持音频），生成文本输出。该系列提供预训练和指令微调两种版本。适用于文本生成、编程和推理等任务。 推理能力：全系列模型均具备强大的推理能力，支持可配置的思考模式。 多模态支持：支持文本、图像（支持可变宽高比和分辨率）、视频，以及音频（仅 E2B、E4B、12B 版本原生支持）。

Gemma 是由 Google DeepMind 构建的开源模型系列。Gemma 4 是多模态模型，支持文本和图像输入（E2B、E4B 和 12B 版本还支持音频），输出文本内容。该系列提供预训练和指令微调两种版本，上下文窗口最高可达 256K tokens，支持超过 140 种语言。适用于文本生成、编程和推理等任务。 推理能力：全系列模型均具备强大的推理能力，支持可配置的思考模式。 多模态处理：支持文本、图像（含可变宽高比和分辨率）、视频，以及 E2B、E4B、12B 版本

Voxtral Small 1.0 (24B) - 2507 Voxtral Small 是 Mistral Small 3 的增强版本，在保留顶级文本性能的同时，集成了先进的音频输入能力。该模型专注于语音转写、翻译和音频理解任务。 Voxtral 基于 Mistral Small 3 构建，具备强大的音频理解能力。支持纯语音转写模式以最大化性能，默认情况下可自动检测音频语言并进行转写。拥有 32k token 上下文长度，最长可处理 30 分钟音频的转写任务，或 40 分钟

Qwen3-VL-Reranker-2B Qwen3-VL-Reranker-2B是Qwen3-VL系列中的多模态重排序模型，专门用于多模态信息检索和跨模态理解。该模型与Qwen3-VL-Embedding模型配合使用，构成完整的多模态检索流程：Embedding模型进行高效的初步召回，Reranker模型在后续重排序阶段优化结果，显著提升检索准确性。 多模态处理能力：支持处理文本、图像、截图、视频及任意多模态组合（如文本+图像、文本+视频）。

基于 Qwen3-VL 基座模型构建的多模态检索与重排序模型系列，专为多模态信息检索和跨模态理解设计。适用于图像文本检索、视频文本匹配、视觉问答、多模态内容聚类等任务。 多模态处理：支持文本、图像、截图、视频及任意多模态组合输入 高精度重排序：接收（查询，文档）对作为输入，输出精确的相关性分数