GitLab

MinerU 的 2.5 版本，用全新的 VLM 模型实现了文档解析的 SOTA 性能。

YOLO11在CPU上提速明显，支持目标检测、实例分割、图像分类、姿态估计。

微软发布的强大的轻量级多模态基础模型Phi-4-MultiModal-Instruct！该模型目前具有英文的图像理解能力，同时有超过Whisper V3的视频理解能力！

InternVL 2.5，这是一个高级多模态大型语言模型（MLLM）系列，它建立在InternVL 2.0的基础上，保持了其核心模型架构，同时引入了训练和测试策略以及数据质量的显著增强。

Stable Diffusion 3 Medium is a Multimodal Diffusion Transformer (MMDiT) text-to-image model.

S3Diff 是一种基于扩散先验的退化引导一步图像超分辨率方法

[ICCV 2025] STAR: Spatial-Temporal Augmentation with Text-to-Video Models for Real-World Video Super-Resolution

Segment Anything Model 2 (SAM 2)是一个用于解决图像和视频中可提示视觉分割问题的基础模型。