编辑评分 100/100
网站简介
基于LLaVA构建的多模态视觉语言模型，支持多参数LLM双视觉编码 MiniGemini是一款多模态视觉语言模型，支持2B到34B参数的密集型与MoE大型语言模型。它基于LLaVA构建，采用双视觉编码器输出低分辨率视觉嵌入与高分辨率候选区域，通过补丁信息挖掘融合图文信息，支持图像理解、推理与生成任务，已在多个主流视觉基准测试验证。
核心功能
多参数模型支持
支持2B到34B参数的密集型与MoE型大语言模型适配，覆盖不同规模需求
双视觉编码架构
采用双视觉编码器，同步输出低分辨率视觉嵌入与高分辨率候选区域，提升图像信息利用率
补丁级信息挖掘
在高低分辨率区域间完成补丁级信息挖掘，实现文本与图像信息的精准融合
多模态任务支持
同时具备图像理解、逻辑推理与图像生成三类核心多模态任务处理能力
基准测试验证
已在COCO、GQA等多个业内主流视觉理解基准测试完成性能验证
使用指南
- 1
访问MiniGemini官方页面https://taohuumd.github.io/projects/SurMo
- 2
即可查看项目核心架构、技术细节、基准测试成绩等公开信息。AI研究人员与开发者可通过官网提供的开源渠道获取模型权重与部署文档
- 3
按指引完成部署后即可调用模型开展相关测试或开发工作。
优势亮点
支持多参数规模的密集与MoE大语言模型
双视觉编码器提升图像信息利用率
补丁级挖掘实现精准图文融合
经多个主流视觉基准测试验证
编辑推荐
MiniGemini通过双视觉编码器加补丁信息挖掘的架构设计，优化了多模态模型的图文融合效果，覆盖从2B到34B不同规模的模型，兼顾中小规模研究与高性能场景需求。技术思路清晰，架构创新明确，为多模态视觉语言模型的开发提供了可参考的成熟实践方案，适合相关从业者研究使用。
常见问题
深度了解
MiniGemini是一款基于LLaVA构建的开源多模态视觉语言模型，面向多模态视觉处理需求推出，支持从2B到34B不同参数规模的密集型和MoE大型语言模型适配，能够同时满足中小规模研究和高性能场景的使用需求。该模型采用双视觉编码器架构，可同时输出低分辨率视觉嵌入和高分辨率候选区域，通过补丁信息挖掘技术，在高分辨率区域和低分辨率视觉查询之间完成补丁级信息匹配，实现更精准的文本与图像信息融合，可支撑图像理解、推理和生成多类任务。目前MiniGemini已经在COCO、GQA、OCR-VQA、VisualGenome等多个业内主流的视觉理解基准测试完成验证，技术方案成熟，可供相关从业者免费获取用于研究，是多模态领域研究的优质参考项目。
使用须知
定价: 以官网定价为准
价格和授权政策可能变化，请以官网最新信息为准
资料由中文导航编辑部整理并经健康检测核验，定期复查更新。
本页信息核对于 2026/10/10，收录信息以收录当日官网状态为准，如发现内容过期请通过下方反馈告知。
访问第三方网站时，请注意以下事项:
- 谨慎提供个人账号、密码和支付信息
- 下载文件前确认来源安全，警惕诱导性广告
- 涉及版权素材使用时，请核实授权范围
- 如遇网站无法访问或内容异常，可反馈给我们
帮助我们维护准确的收录数据，纠错会进入编辑复核队列
用过MiniGemini？说说你的真实体验
你的点评会帮助更多人选型避坑——匿名发表，无需注册，30 秒即可完成
用户评价
还没有评分
成为第一个评价 MiniGemini 的人
我的评分
随下方评论一并提交
热度数据
按站内点击统计1
站内总点击
#-
同类排名 / 3471 站
1
同类点击中位数