腾讯 Oryx：多模态视觉理解模型

由腾讯出品的Oryx是一款统一的多模态模型，专注于图像、视频和多视角 3D 场景的时空理解。该模型能够高效处理任意空间尺寸和时间长度的视觉输入，在同时处理图像、视频和 3D 数据上表现出色，实现了多模态理解的高效无缝处理。

在官方提供的多个图像/视频理解基准测试得分表现下，34B 参数的模型远超所有开源 MLLM 模型，同时还超越了 OpenAI 的 GPT-4V，当然比起 GPT-4o 还是稍逊一筹。3D 空间理解的任务甚至比专门的理解 3D 的模型得分还要高。