一個基于音頻驅動的實時2D聊天頭像生成模型，可在僅使用CPU的設備上實現30fps的實時推理。

小型高效的視覺語言模型，讓資源有限的研究者和開發者也能輕松使用先進的視覺語言功能。

輕量級1.7B參數的語言模型，適用于多種任務。