Ovis

简介

Ovis 是阿里国际（AIDC-AI）开源的多模态大语言模型。它提出了”结构化视觉嵌入”的思路，通过将图像转换为与文本语义空间对齐的视觉 token，缓解了视觉与语言模态之间的鸿沟，从而提升图文理解与推理的一致性和准确性。

核心功能

• 结构化视觉对齐：把图像编码为与文本嵌入结构一致的表征，提升跨模态理解效果。
• 多尺寸系列：提供不同参数规模的模型，兼顾性能与部署成本。
• 图文推理：支持图表解读、文档理解、视觉问答等复杂多模态任务。
• 开源可商用：开放权重，便于进行二次开发与私有化部署。

对于构建多模态问答、文档理解或视觉 Agent 的开发者而言，Ovis 是一个值得尝试的开源多模态基座。