# 視覺識別

UI-TARS-desktop 是由字節跳動開發的一款桌面客戶端應用，它基於 UI-TARS 視覺語言模型，允許用戶通過自然語言與計算機進行交互，完成各種任務。該產品利用先進的視覺語言模型技術，能夠理解用戶的自然語言指令，並通過屏幕截圖和視覺識別功能實現精準的鼠標和鍵盤操作。它支持跨平臺使用（Windows 和 macOS），並提供即時反饋和狀態顯示，極大地提高了用戶的工作效率和交互體驗。目前該產品在 GitHub 上開源，用戶可以免費下載和使用。

理想同學是由理想汽車依託自研大模型精心打造的一款人工智能應用，旨在為用戶提供一個隨時在線的智能助手。它具備知識問答能力，能解答汽車、出行、財經、科技等領域的問題，並擅長英文詞句翻譯、文本生成等，助力用戶學習生活。此外，它還具備視覺感知能力，可以陪伴用戶和家庭一起看世界，識別外出遊玩時遇到的各種事物。產品界面設計簡潔大方，語音輸入精準迅速，輸出自然流暢，近似人聲，是一款集知識問答、視覺識別和語音交互於一體的智能助手。

Lloyd是一款結合了人工智能視覺識別技術的應用，它能夠通過視頻捕捉來解鎖知識、洞察和信息，幫助用戶在任何時間、任何地點增強視頻通訊體驗。Lloyd的主要優點在於其即時視覺AI能力，使得用戶可以即刻學習和發現新事物。此外，Lloyd還提供了快速的視頻通訊服務，結合了文本和語音消息的便捷性以及視頻聊天的直觀性。

Llama-3.2-90B-Vision是Meta公司發佈的一款多模態大型語言模型（LLM），專注於視覺識別、圖像推理、圖片描述和回答有關圖片的一般問題。該模型在常見的行業基準測試中超越了許多現有的開源和封閉的多模態模型。

LLaVA-OneVision是一款由字節跳動公司與多所大學合作開發的多模態大型模型（LMMs），它在單圖像、多圖像和視頻場景中推動了開放大型多模態模型的性能邊界。該模型的設計允許在不同模態/場景之間進行強大的遷移學習，展現出新的綜合能力，特別是在視頻理解和跨場景能力方面，通過圖像到視頻的任務轉換進行了演示。

Unitor.ai是一個個人語音和視覺助手，提供自然、溫暖的語音對話，適用於所有年齡段和興趣。它能夠隨著每次互動變得更加智能，幫助用戶組織生活、提供情感支持和建議，以及在駕駛或工作時提供免提幫助。

NavAIGuide是一個可擴展的多模態智能框架，通過訪問移動和桌面生態系統中的應用程序，實現計劃和用戶查詢。具有視覺任務檢測、高級代碼選擇器、面向動作的執行和魯棒的錯誤處理等功能。定位於為用戶提供高效的自動化解決方案。