多模态
标签 “多模态” 关联的 AI 工具
共 13 个工具
GPT-5
FreemiumOpenAI 发布的最强旗舰模型，内置最小推理能力，支持数学、科学、编程、多模态，是 ChatGPT Plus 的核心模型。
12,000 条评价
Gemini Omni
FreemiumGoogle I/O 2026 发布的旗舰多模态 AI 模型，可从任意输入（视频/图像/音频/文字）创建任何内容，具备世界理解、多模态编辑与生成能力，是 Google 2026 年最强 AI 模型。
9,200 条评价
ChatGPT Images 2.5
FreemiumOpenAI 新一代图像生成模型，在细节锐度、自然光照与质感上全面升级，更擅长基于参考照片保持主体一致，多轮编辑指令遵循更可靠，生成延迟相比 2.0 降低最多 50%。ChatGPT 内同步新增 Sketch（手绘草图作参考）、Templates（海报/产品图模板）、图片批注编辑与 Prompt 分享等创作功能。
0 条评价
Gemini 2.5 Ultra
付费Google DeepMind发布的旗舰级多模态大语言模型，在推理、编程、数学和科学领域全面超越前代。支持100万token超长上下文窗口，原生多模态处理文本、图像、音频和视频。在MMLU、HumanEval等主流基准测试中名列前茅，是Google AI能力的最高体现。
0 条评价
Wan 3.0（通义万相）
Freemium阿里云开源的 Wan 3.0 AI 视频生成模型，可基于文本、图像、视频、音频、网页、PDF 与幻灯片等多模态输入，生成长达 30 秒的视频片段，视觉质量与可控性大幅提升。
6,100 条评价
Mistral Le Chat
FreemiumMistral AI推出的对话与Agent平台，搭载Mistral Large 3与Pixtral多模态模型，支持网页搜索、图像理解、代码执行与文件处理，欧洲开源AI旗舰产品。
3,400 条评价
Gemini
FreemiumGoogle 开发的 AI 大模型，深度集成 Google 生态系统，支持多模态输入。
6,800 条评价
Gemini Live
FreemiumGoogle Gemini 推出的实时语音 AI 对话功能，支持打断式自然对话、屏幕共享实时分析与摄像头画面理解，可在移动端实现接近真人的语音助手体验，并深度整合 Gmail、日历、地图等 Google 服务。它是 Google 在多模态实时交互上的旗舰能力，把「语音助手」从单轮问答推进到可边看边说边协作的形态。
0 条评价
Gemini 4 Carbon
Freemium谷歌 2026 年 11 月发布的多模态旗舰模型，在谷歌联合 Artificial Analysis 推出的 MKA 多模态知识工作基准测试中获得第二名，且完成任务成本仅为第一名的约六分之一，同步接入 Google AI Studio 与 Gemini 应用。
720 条评价
EmbeddingGemma 2
免费Google 发布的第二代端侧多模态嵌入模型，参数约 7.4 亿。相比只处理文本的前代，EmbeddingGemma 2 打通了编程、图像、视频与音频，可完全在设备本地完成检索任务，例如用语音备忘找到对应视频片段，或用文字提示搜索录音内容。
0 条评价
腾讯混元
免费腾讯开发的 AI 大模型助手，集成在微信、QQ等腾讯系产品中。
3,900 条评价
Step功能
免费阶跃星辰推出的 AI 对话助手，支持文本和图像生成。
1,200 条评价