# 图像识别 #
0
关注
1220内容
GLM-Realtime：智谱推出多模态交互AI模型，融入清唱功能，支持视频和语音交互
GLM-Realtime 是智谱推出的端到端多模态模型，具备低延迟的视频理解与语音交互能力，支持清唱功能、2分钟内容记忆及灵活调用外部工具，适用于多种智能场景。
AutoMouser：AI Chrome扩展程序，实时跟踪用户的浏览器操作，自动生成自动化操作脚本
AutoMouser是一款Chrome扩展程序，能够实时跟踪用户交互行为，并基于OpenAI的GPT模型自动生成Selenium测试代码，简化自动化测试流程。
ParGo：字节与中山大学联合推出的多模态大模型连接器，高效对齐视觉与语言模态
ParGo 是字节与中山大学联合推出的多模态大模型连接器，通过全局与局部视角联合，提升视觉与语言模态的对齐效果，支持高效连接、细节感知与自监督学习。
OmAgent：轻松构建在终端设备上运行的 AI 应用，赋能手机、穿戴设备、摄像头等多种设备
OmAgent 是 Om AI 与浙江大学联合开源的多模态语言代理框架，支持多设备连接、高效模型集成，助力开发者快速构建复杂的多模态代理应用。
Uni-AdaFocus：清华大学开源高效视频理解框架，根据视频内容动态分配计算资源
Uni-AdaFocus 是清华大学推出的高效视频理解框架，通过自适应聚焦机制动态调整计算资源分配，显著提升视频处理效率。
Mini-InternVL：轻量级多模态大模型，4B 参数量媲美 InternVL2-76B
Mini-InternVL 是上海AI Lab联合清华等机构推出的轻量级多模态大模型，支持高效推理、跨领域适应和动态分辨率输入，适用于多种场景。
Pipecat实战：5步快速构建语音与AI整合项目，创建你的第一个多模态语音 AI 助手
Pipecat 是一个开源的 Python 框架，专注于构建语音和多模态对话代理，支持与多种 AI 服务集成，提供实时处理能力，适用于语音助手、企业服务等场景。
24.7K Star！用 KHOJ 打造你的AI第二大脑，自动整合和更新多源知识，轻松构建个人知识库
KHOJ 是一款开源的个人化 AI 助手，支持多源知识整合、语义搜索、个性化图像生成等功能，帮助用户高效管理知识库。
FlowiseAI：34K Star！集成多种模型和100+组件的 LLM 应用低代码开发平台，拖拽组件轻松构建程序
FlowiseAI 是一款开源的低代码工具，通过拖拽可视化组件，用户可以快速构建自定义的 LLM 应用程序，支持多模型集成和记忆功能。
LlamaV-o1：全能多模态视觉推理模型，推理得分超越其他开源模型，推理速度翻5倍
LlamaV-o1 是一款多模态视觉推理模型，通过逐步推理学习方法解决复杂任务，支持透明推理过程，适用于医疗、金融等领域。
免费试用