# 视觉识别

UI-TARS-desktop 是由字节跳动开发的一款桌面客户端应用，它基于 UI-TARS 视觉语言模型，允许用户通过自然语言与计算机进行交互，完成各种任务。该产品利用先进的视觉语言模型技术，能够理解用户的自然语言指令，并通过屏幕截图和视觉识别功能实现精准的鼠标和键盘操作。它支持跨平台使用（Windows 和 macOS），并提供实时反馈和状态显示，极大地提高了用户的工作效率和交互体验。目前该产品在 GitHub 上开源，用户可以免费下载和使用。

理想同学是由理想汽车依托自研大模型精心打造的一款人工智能应用，旨在为用户提供一个随时在线的智能助手。它具备知识问答能力，能解答汽车、出行、财经、科技等领域的问题，并擅长英文词句翻译、文本生成等，助力用户学习生活。此外，它还具备视觉感知能力，可以陪伴用户和家庭一起看世界，识别外出游玩时遇到的各种事物。产品界面设计简洁大方，语音输入精准迅速，输出自然流畅，近似人声，是一款集知识问答、视觉识别和语音交互于一体的智能助手。

Lloyd是一款结合了人工智能视觉识别技术的应用，它能够通过视频捕捉来解锁知识、洞察和信息，帮助用户在任何时间、任何地点增强视频通讯体验。Lloyd的主要优点在于其实时视觉AI能力，使得用户可以即刻学习和发现新事物。此外，Lloyd还提供了快速的视频通讯服务，结合了文本和语音消息的便捷性以及视频聊天的直观性。

Llama-3.2-90B-Vision是Meta公司发布的一款多模态大型语言模型（LLM），专注于视觉识别、图像推理、图片描述和回答有关图片的一般问题。该模型在常见的行业基准测试中超越了许多现有的开源和封闭的多模态模型。

LLaVA-OneVision是一款由字节跳动公司与多所大学合作开发的多模态大型模型（LMMs），它在单图像、多图像和视频场景中推动了开放大型多模态模型的性能边界。该模型的设计允许在不同模态/场景之间进行强大的迁移学习，展现出新的综合能力，特别是在视频理解和跨场景能力方面，通过图像到视频的任务转换进行了演示。

Unitor.ai是一个个人语音和视觉助手，提供自然、温暖的语音对话，适用于所有年龄段和兴趣。它能够随着每次互动变得更加智能，帮助用户组织生活、提供情感支持和建议，以及在驾驶或工作时提供免提帮助。

NavAIGuide是一个可扩展的多模态智能框架，通过访问移动和桌面生态系统中的应用程序，实现计划和用户查询。具有视觉任务检测、高级代码选择器、面向动作的执行和鲁棒的错误处理等功能。定位于为用户提供高效的自动化解决方案。