大模型

Qwen-Audio-3.0-ASR-Flash是阿里巴巴发布的专业级语音识别大模型，显著提升行业术语识别准确率（医疗场景达95.36%），并具备上下文一致性优化与语音润色能力，可直接输出结构化文本...

MiniMax H3是MiniMax发布的首款开源通用全模态生成模型，将视频生成从单一任务工具升级为商业级生产力工具。它不再区分图片、视频、音频的独立生成任务，而是通过统一理解多模态上下文直接输出连贯...

Grok Voice Think Fast 2.0是马斯克旗下xAI公司发布的新一代语音智能体模型，定位为端到端语音到语音（speech-to-speech）AI系统，无需依赖传统"语音识别-大模型推...

Lyria 3.5是谷歌DeepMind发布的最新AI音乐生成模型，作为Lyria系列的迭代版本，将AI从"一次性生成工具"升级为"可交互的创作伙伴"。支持对已生成歌曲的局部段落进行自然语言修改（如仅...

Instella-MoE是AMD推出的全开源混合专家语言模型（MoE），总参数量达160亿，但推理时仅激活28亿参数，通过专家稀疏激活机制实现高性能与低计算成本的平衡。完全基于AMD自研硬件与软件栈训...

Midjourney V8.2是Midjourney正式发布的图像生成模型重大更新版本，通过重构美学奖励模型与个性化系统，显著降低随机生成劣质图像的概率，并大幅提升对用户审美偏好的精准捕捉能力。相比此...

Anthropic Opus 5是Anthropic公司发布的高性价比旗舰级AI模型，定位为性能逼近顶级模型Fable 5但价格仅为其一半的日常任务首选方案。通过动态调节"思考档位"（effort）机...

OvisOCR2是阿里巴巴开源的0.8B参数文档解析模型，首次以端到端架构超越传统流水线方法，在权威基准OmniDocBench v1.6上以96.58分登顶。该模型仅需单次推理即可将文档图像直接转化...

Cosmos 3 Edge是英伟达在SIGGRAPH 2026大会上发布的40亿参数开源世界模型，专为边缘设备实时物理AI推理设计。通过双塔架构实现本地化物理世界理解与动作生成，可在Jetson Th...

BigMac是小红书dots infra团队开源的多模态大语言模型训练框架，通过"准依赖安全嵌套流水线"设计，首次实现显存占用与训练速度的同步优化。传统方案中，多模态训练必须在"算力优先"（速度高但显...

Ling 3.0 Flash是蚂蚁集团百灵团队最新发布的高效推理大模型，总参数量124B，激活参数仅5.1B，在保持高智能水平的同时显著优化Token消耗与推理速度。以1/10的Token消耗实现Ag...

FLUX 3是德国人工智能公司Black Forest Labs发布的全球首个在统一架构下联合训练图像、视频、音频及机器人动作预测的多模态基础模型。通过Self-Flow技术将物理世界的因果逻辑融入生...

MAI-Voice-2-Flash是微软推出的超低延迟文本转语音（TTS）模型，专为高并发实时交互场景设计。以32%的成本降幅实现2倍速度提升（每百万字符15美元），同时保持自然语调与高语音质量，并将...

MAI-Image-2.5-Pro一款自研AI模型系列中精度最高的图像生成模型，专为企业级高质量图像创作与编辑场景设计。该模型完全基于微软自有清理数据训练，不依赖第三方模型蒸馏，在文字渲染准确性、身份...

Mage-Flow是微软推出的Mage多模态模型家族中专注于图像生成与编辑的模型。它是一款高效的、原生分辨率的基础模型，专为文本生成图像和指令驱动的图像编辑任务而设计。 Mage-Flow核心特点 轻...

Fugu Cyber是日本AI公司Sakana AI发布的网络安全专用多智能体编排模型，通过动态调度多个专家模型协同工作，在网络安全领域关键基准测试中超越GPT-5.5-Cyber等通用旗舰模型。它并...

Gemini 3.5 Flash-Lite是谷歌发布的专为高频任务设计的轻量级AI模型，以极低成本实现超高吞吐量执行，尤其适合智能体（Agent）工作流中的子任务处理。其最大特点是输出速度达350 t...

Gemini 3.5 Flash Cyber是谷歌发布的专为网络安全场景微调的轻量级AI模型，以更低成本高效发现并修复软件安全漏洞。该模型并非独立开放服务，而是深度集成于谷歌的代码安全智能体平台Cod...

Gemini 3.6 Flash是谷歌DeepMind发布的效率型大语言模型，定位为代码、知识工作与多模态任务的高性价比解决方案。以更低成本实现更强能力：输出Token价格从3.5 Flash的9美元...

GenCeption是谷歌DeepMind发布的通用视觉模型，通过逆向改造视频生成模型，实现单模型统一完成深度估计、图像分割、3D姿态估计等五类核心视觉任务。仅用7500段合成视频训练，即可通过文本指...

Audio-Visual Flamingo(简称 AVF)是 NVIDIA Nemotron Labs 联合马里兰大学推出的全开源音视频大语言模型（AV-LLM），专门实现音频、图像、长视频的联合感知...

Matrix-Game 3.5是昆仑万维旗下Skywork团队发布的开源多模态世界模型，实现Patch级空间记忆机制与单卡实时交互能力，使AI能生成具有物理因果一致性的可交互虚拟世界。它标志着世界模型...

MiniCPM-RobotTrack是面壁智能发布的具身智能系列模型中的轻量级端到端视觉-语言-动作（VLA）跟踪导航模型，专为机器人目标跟踪与自主导航设计。实现无网环境下的纯本地化实时跟踪能力，仅需...

MiniCPM-RobotManip是面壁智能发布的开源通用视觉-语言-动作（VLA）模型，参数规模仅1.5B，但通过视觉Token极致压缩和流式上下文管理技术，实现了机器人领域关键的长时记忆能力突破...

Qwen-Audio-3.0-TTS是阿里巴巴通义实验室发布的新一代实时语音合成大模型，包含面向实时交互的Flash版本（首包延迟约300毫秒）和面向高质量生成的Plus版本。该模型在全球第三方权威榜...

MiniCPM-Robot是面壁智能发布的开源具身智能系列模型，包含视觉-语言-动作模型（MiniCPM-RobotManip）和跟踪导航模型（MiniCPM-RobotTrack）两款核心产品。该系...

“神珍”（Monkey King Bang, MKB）是上海科学智能研究院发布的科学多模态基础模型，总参数量约110亿，专为统一处理DNA、RNA、蛋白质、小分子、地球系统和医学影像六类科学数据而设计...

MiniCPM5-2B是面壁智能联合OpenBMB发布的20亿参数规模端侧大语言模型，在Artificial Analysis（AA）权威榜单中以17分成绩登顶全球4B以下模型榜首，成为当前同级参数规...

Tempolor v4.7是趣丸科技在世界人工智能大会（WAIC）发布的天谱乐大模型最新版本，将AI音乐创作从“单次生成结果”升级为支持深度二次创作的工具。该版本不再仅追求“能否生成一首歌”，而是聚焦...

HappyOyster 1.0（快乐生蚝1.0）是阿里巴巴ATH创新事业部发布的可实时交互的开放式世界模型产品，将AI从“生成静态内容”升级为“模拟可操控的动态数字世界”。用户仅需一句话或一张图即可生...