TellWorldAI 世界档案
问档案English
动态
模型
机构
人物
论文与概念
产品与智能体
芯片与机器人
编年史
专题
问档案English

首页›模型

模型

模型

基础模型、生成模型、多模态和专用模型。

共 233 · 清除筛选

2025

  • 2025 年 4 月 22 日 π0.5

    π0.5 是 Physical Intelligence 于 2025 年 4 月发布的视觉-语言-动作模型，主打开放环境泛化，通过混合多种异构数据共同训练，能让移动机器人整理从未见过的房间。

    深度学习基础模型多模态

  • 2025 年 4 月 16 日 OpenAI o4-mini

    OpenAI 于 2025 年 4 月发布的小型推理模型，主打快速、低成本的推理；在可使用 Python 解释器时于 AIME 2025 上达到 99.5% 的 pass@1，后由 GPT-5 mini 等后继模型取代。

    大语言模型推理代码

  • 2025 年 4 月 16 日 UI-TARS-1.5

    字节跳动 Seed 在 2025 年 4 月发布的界面操作模型，是 UI-TARS 的后继版本。7B 版本以 Apache-2.0 协议开源，完整版本在多项屏幕操作基准上报告了当时最好成绩。

    开源中国 AI智能体与工具调用

  • 2025 年 4 月 15 日 可灵 2.0

    可灵 2.0 是快手于 2025 年 4 月面向全球推出的 AI 视频生成模型，被公司称为「全球最强」，带来多模态编辑能力，并提出多模态视觉语言概念。

    中国 AI多模态生成式模型

  • 2025 年 4 月 15 日 Seedream 3.0 图像生成模型

    Seedream 3.0 是字节跳动 Seed 团队的中英双语图像生成基础模型，在提示对齐、复杂中文字渲染、美学与原生 2K 输出上较 2.0 版有所改进，2025 年 9 月被 Seedream 4.0 接替。

    中国 AI生成式模型创意工具

  • 2025 年 4 月 14 日 GPT-4.1（含 mini 与 nano）

    OpenAI 于 2025 年 4 月发布的三个模型组成的家族，上下文窗口超过百万 token，单 token 价格低，编码与指令遵循能力更强，后被 GPT-5 取代。

    大语言模型企业软件开发者工具

  • 2025 年 4 月 8 日 Amazon Nova Sonic

    Amazon Nova Sonic 是 Amazon Nova 系列中的语音到语音基础模型，2025 年 4 月 8 日发布，把语音识别、语言理解和语音生成放进同一个模型，而不是把多个模型串联起来。

    智能体与工具调用多模态生成式模型

  • 2025 年 4 月 4 日 Midjourney V7

    Midjourney V7 是 Midjourney 的图像生成模型，2025 年 4 月 4 日以 alpha 版本向社区开放，是该公司第一个默认开启个性化的模型，也是第一个加入低成本、高速度草稿模式的模型。

    消费级应用生成式模型创意工具

  • 2025 年 4 月 Kimi-VL 视觉语言模型

    Kimi-VL 是月之暗面（Moonshot AI）于 2025 年 4 月发布的开源视觉语言模型。它把 16B 参数、约 3B 激活的混合专家语言模型与原生分辨率视觉编码器组合在一起，可在宽松的 MIT 许可下使用。

    开源中国 AI多模态

  • 2025 年 3 月 31 日 Runway Gen-4

    Runway Gen-4 是 Runway 于 2025 年 3 月 31 日发布的视频生成模型，能让角色、地点和物体在不同镜头间保持一致，依靠参考图和文本指令工作，无需针对每个项目单独训练。

    多模态生成式模型创意工具

  • 2025 年 3 月 25 日 Gemini 2.5 Pro

    Gemini 2.5 Pro 是 Google Gemini 2.5 系列的首个模型，2025 年 3 月以实验版发布，主打「思考」能力和 100 万 token 上下文，发布时即在 LMArena 登顶。

    大语言模型多模态推理

  • 2025 年 3 月 24 日 DeepSeek-V3-0324

    DeepSeek-V3-0324 是 2025 年 3 月对 DeepSeek-V3 的一次更新：模型结构不变，基准成绩提高，并改用 MIT 许可证发布。

    大语言模型开源中国 AI

  • 2025 年 3 月 12 日 Gemini Robotics

    Gemini Robotics 是 Google DeepMind 的视觉-语言-动作模型，建立在 Gemini 2.0 之上，直接输出物理动作控制机器人，2025 年 3 月 12 日公布。

    多模态机器人计算机视觉

  • 2025 年 3 月 6 日 Mistral OCR

    Mistral OCR 是 Mistral AI 于 2025 年 3 月 6 日发布的文档理解 API，能识别文档中的文本、表格、公式与媒体，覆盖数千种文字和语言，后来被更新的 OCR 版本取代。

    企业软件数据与数据集计算机视觉

  • 2025 年 3 月 4 日 Aya Vision

    Cohere 的第一个视觉语言模型，2025 年 3 月以 8B 和 32B 两个开放权重版本发布，支持 23 种语言的图文输入，按非商业许可开放。

    大语言模型开源多模态

  • 2025 年 2 月 25 日 通义万相 Wan2.1 视频生成模型

    通义万相 Wan2.1 是阿里巴巴于 2025 年 2 月开源的视频生成模型，可以根据文字或图片生成视频，并能在画面中呈现中英文文字。

    开源中国 AI生成式模型

  • 2025 年 2 月 24 日 Claude 3.7 Sonnet

    Claude 3.7 Sonnet 于 2025 年 2 月 24 日发布，Anthropic 称它是市面上第一个混合推理模型，既能迅速作答，也能长时间逐步思考。它与 Claude Code 同时推出。

    大语言模型智能体与工具调用推理

  • 2025 年 2 月 17 日 Step-Audio 语音模型

    Step-Audio 是阶跃星辰 2025 年 2 月 17 日开源的语音交互模型系列，包括 1300 亿参数的 Step-Audio-Chat 和 Step-Audio-TTS-3B。

    开源中国 AI多模态

  • 2025 年 2 月 17 日 Step-Video-T2V 视频生成模型

    Step-Video-T2V 是阶跃星辰开源的文生视频模型，参数规模 300 亿。2025 年 2 月 17 日发布权重、代码、Turbo 版本和技术报告，采用 MIT 许可证。

    开源中国 AI生成式模型

  • 2025 年 2 月 5 日 Gemini 2.0 Pro

    Google 于 2025 年 2 月发布的实验性模型，属于 Gemini 2.0 系列，被 Google 称为当时在编程和复杂提示上最好的模型，支持 200 万 token 的上下文窗口与工具调用。

    大语言模型多模态代码

  • 2025 年 1 月 31 日 OpenAI o3-mini

    OpenAI 于 2025 年 1 月 31 日发布的小型推理模型，向包括免费版在内的所有 ChatGPT 用户开放，提供三档推理强度并支持函数调用与结构化输出，2025 年 4 月由 o4-mini 接替。

    大语言模型消费级应用推理

  • 2025 年 1 月 21 日 混元 3D 2.0

    混元 3D 2.0 是腾讯的大规模三维生成系统，输入条件图像即可生成带高分辨率纹理的三维资产；它由生成形状的扩散 Transformer 与生成纹理的模型组成，2025 年 1 月 21 日随技术报告一同开源。

    开源中国 AI生成式模型

  • 2025 年 1 月 21 日 UI-TARS

    UI-TARS 是字节跳动 Seed 的图形界面智能体模型，只输入截图、直接输出键盘和鼠标操作，在十多个基准上报告了当时最好的成绩，并以 Apache-2.0 协议开放权重。

    开源中国 AI智能体与工具调用

  • 2025 年 1 月 6 日 NVIDIA Cosmos 世界基础模型

    NVIDIA Cosmos 是一组世界基础模型，可生成符合物理规律的视频，用于训练机器人和自动驾驶汽车，2025 年 1 月以开放权重发布。

    开源基础模型机器人

  • 2025 年 1 月 通义千问 Qwen2.5-VL 视觉语言模型

    通义千问 Qwen2.5-VL 是阿里巴巴 2025 年 1 月发布的视觉语言模型系列，有 3B 至 72B 四个尺寸，能读取图表和文档、定位物体并作为视觉代理工作，还能理解一小时以上的视频。

    开源中国 AI智能体与工具调用

2024