模型

Gemini 2.0 Flash 是 Google Gemini 2.0 世代的首个模型，2024 年 12 月以实验模型形式发布，新增多模态输出与原生工具调用，2025 年 2 月正式开放。

大语言模型智能体与工具调用多模态

Genie 2 是 Google DeepMind 开发的基础世界模型，于 2024 年 12 月 4 日公布，能把一张提示图像变成一个可玩的 3D 环境，人和 AI 智能体都能用键盘鼠标在其中行动。

智能体与工具调用生成式模型仿真

混元视频（HunyuanVideo）是腾讯开源的文生视频模型，参数超过 130 亿，2024 年 12 月发布。本地运行至少需要 60GB 显存。

开源中国 AI多模态

Amazon Nova 是亚马逊的基础模型家族，2024年12月3日推出，只在 Amazon Bedrock 中提供，2025年12月由 Nova 2 接续。

大语言模型企业软件多模态

可灵 1.6 是快手于 2024 年 12 月推出的视频生成模型升级版本，改进了对运动与镜头描述的理解和画面质量，2025 年 4 月由可灵 2.0 接替。

中国 AI多模态生成式模型

Pixtral Large 是 Mistral AI 于 2024 年 11 月发布的开权重多模态模型，基于 Mistral Large 2，参数约 1240 亿。

企业软件多模态计算机视觉

π0 是 Physical Intelligence 发布的通用机器人策略，从 30 亿参数的视觉语言模型改造而来，用流匹配输出连续动作，能以每秒最多 50 次的频率驱动机器人完成灵巧操作。

深度学习基础模型多模态

讯飞星火 4.0 Turbo 是科大讯飞 2024 年 10 月发布、2025 年 1 月升级的大语言模型，训练与推理都在国产飞星一号算力平台上完成，讯飞称其多项中英文测试成绩超过 GPT-4 Turbo 与 GPT-4o。

大语言模型中国 AI基础模型

Anthropic 于 2024 年 10 月公布的小型快速语言模型，接替 Claude 3 Haiku，官方称其以接近 Haiku 的速度达到上一代旗舰的智能水平，且在编程任务上尤其突出。

大语言模型企业软件代码

升级版 Claude 3.5 Sonnet 于 2024 年 10 月 22 日公布，编程与智能体任务成绩明显提高，并以公开测试版推出电脑操作功能，是前沿 AI 模型中首个提供该功能的。

大语言模型企业软件智能体与工具调用

Molmo 是 Ai2 于 2024 年 9 月 25 日发布的一系列开放视觉语言模型，能在图像中指出具体物体，权重、代码、数据与评测全部公开。

开源多模态数据与数据集

Llama 3.2 于 2024 年 9 月 25 日发布，新增 110 亿和 900 亿参数的视觉模型，以及面向边缘和移动设备的 10 亿和 30 亿参数纯文本小模型。

大语言模型开源多模态

通义千问 Qwen2.5 是 2024 年 9 月发布的一代模型。首批开放了 13 个权重模型，预训练数据最多达 18 万亿 token，上下文最长 128K，多数开源模型采用 Apache 2.0 许可。

大语言模型开源中国 AI

Mistral AI 的第一个多模态模型，把 12B 参数的语言解码器与 400M 参数、从零训练的视觉编码器组合起来，以 Apache 2.0 开放权重，2024 年 9 月发布，2025 年底退役。

开源多模态计算机视觉

NVLM 是 NVIDIA 的多模态大语言模型系列，论文于 2024 年 9 月发表；旗舰模型 NVLM-D-72B 随后以开放权重形式发布，限非商业用途。

大语言模型开源多模态

o1-mini 是 OpenAI 于 2024 年 9 月 12 日随 o1-preview 一同发布的小型推理模型，更快更便宜，用强化学习训练其逐步推理，OpenAI 称它尤其擅长编程。

大语言模型推理代码

DeepSeek-V2.5 是 DeepSeek 于 2024 年 9 月 5 日发布的模型，把对话模型与代码模型合并为一个，兼顾聊天和编程能力，并提升了安全评测成绩。

大语言模型开源中国 AI

Yi-Coder 是 01.AI 于 2024 年 9 月开源的一系列代码模型，有 1.5B 和 9B 两种规模，各自提供基础版和对话版，覆盖 52 种编程语言，上下文最长 128K token。

大语言模型开源中国 AI

可灵 1.5 是快手于 2024 年 9 月推出的视频生成模型版本，支持 1080p 输出、运动笔刷和多种画幅，同年 12 月由可灵 1.6 接替。

中国 AI多模态生成式模型

Qwen2-VL 是阿里巴巴于 2024 年 8 月 29 日发布的视觉语言模型。它能理解 20 分钟以上的视频，能读取多种语言的图中文字，还可以作为代理操作手机和机器人。

开源中国 AI智能体与工具调用

xAI 于 2024 年 8 月发布的一对模型，以 beta 形式向 X 订阅用户开放，新增图像输入，公布基准成绩，后来公开了权重。

大语言模型开源多模态

Phi-3.5 是微软 Phi 系列小模型在 2024 年 8 月的一次更新，一次发布 mini、vision 和该系列首个混合专家模型三个版本，均以 MIT 许可证开放。

大语言模型开源多模态

Mistral AI 的第二代旗舰模型，2024 年 7 月发布，1230 亿参数，128K token 上下文窗口，语言与编程语言覆盖广，权重以研究许可发布。

大语言模型企业软件代码

OpenAI 于 2024 年 7 月 18 日发布的小型低成本模型，API 价格远低于 GPT-4o，MMLU 得分 82%，发布当天即在 ChatGPT 中取代 GPT-3.5 Turbo。

大语言模型消费级应用多模态

Codestral Mamba 是 Mistral AI 于 2024 年 7 月发布的 7B 开源代码模型，用 Mamba 状态空间架构取代 Transformer，以获得线性时间的推理开销。

开源开发者工具代码

商汤于 2024 年 7 月在世界人工智能大会上发布的日日新 5.5 模型系列，包含实时多模态模型、轻量与端侧版本，并以迁移优惠争取 OpenAI 客户。

大语言模型中国 AI企业软件

Claude 3.5 Sonnet 于 2024 年 6 月 20 日发布，是 3.5 系列首款模型。速度是 Claude 3 Opus 的两倍，价格与中档型号相当，并随 Artifacts 一同推出。

大语言模型企业软件消费级应用

DeepSeek 2024 年 6 月发布的开源混合专家代码模型，支持语言从 86 种增至 338 种、上下文从 16K 扩到 128K，并在代码与数学基准上高于多个闭源模型。

大语言模型开源中国 AI

Runway 于 2024 年 6 月发布的视频生成模型，视频与图像联合训练，支持转场、关键帧等时间控制，后又加入 API、视频转视频和 Act-One 表演驱动。

多模态生成式模型创意工具

OpenVLA 是一个 70 亿参数的开源视觉-语言-动作模型，在 97 万条真实机器人演示上训练，权重、代码与微调工具一并公开，让其他团队能在自己的机器人上微调和部署。

开源基础模型多模态

Codestral 是 Mistral AI 的代码模型系列，2024 年 5 月首次发布时为 22B 参数、32K 上下文的开放权重模型，此后版本在上下文长度、生成速度和补全质量上继续推进。

大语言模型开发者工具代码

Gemini 1.5 Flash 是 Google Gemini 1.5 系列中的轻量模型，2024 年 5 月 14 日发布，由 1.5 Pro 蒸馏训练而来，上下文窗口为 100 万 token，主打快速与低成本。

大语言模型多模态开发者工具

Veo 是 Google DeepMind 的生成式视频模型，2024 年 5 月发布，可生成超过一分钟的 1080p 视频，同年 12 月由 Veo 2 接替。

多模态生成式模型创意工具

Octo 是一个开源的通用机器人策略，用 80 万条机器人轨迹训练的基于 Transformer 的扩散模型，可以直接控制多种机器人，并能高效微调到新的机器人配置。

开源深度学习基础模型

Snowflake 于 2024 年 4 月发布的开源权重模型，总参数 4800 亿、激活 170 亿，采用稠密与混合专家混合的架构，训练成本不到 200 万美元。

大语言模型开源企业软件

日日新 5.0 是商汤科技于 2024 年 4 月发布的大语言模型，采用混合专家架构，支持约 20 万 token 上下文，商汤称其在多项基准上对标 GPT-4 Turbo。

大语言模型中国 AI企业软件

Phi-3 是微软的小型语言模型系列，2024 年 4 月以 38 亿参数的 Phi-3-mini 起步，这一模型小到可以在手机上运行。

大语言模型开源消费级应用

Grok-1.5 是 xAI 对 Grok-1 的升级版，推理能力更强，上下文窗口扩至 12.8 万 token。同期预览的 Grok-1.5V 是该公司首个多模态模型。两者的权重都没有公开发布。

大语言模型多模态推理

DBRX 是 Databricks 于 2024 年 3 月 27 日发布的开放许可大语言模型，采用混合专家结构，总参数 1320 亿，每词元激活 360 亿。

大语言模型开源企业软件

Step-1V 是阶跃星辰 2024 年 3 月发布的约一千亿参数多模态大模型，能读取图像中的文字、数据和图表并支持视频理解，发布时位列 OpenCompass 多模态榜单第一，后被 Step-1.5V 接替。

大语言模型中国 AI多模态

Claude 3 Haiku 是 Anthropic Claude 3 系列中最小、最快的模型，2024 年 3 月发布，主打低价格、20 万 token 上下文与图像输入，2026 年 4 月退役。

大语言模型企业软件多模态

Claude 3 Sonnet 是 Anthropic Claude 3 系列中的中间型号，2024 年 3 月 4 日发布，支持 20 万 token 上下文，曾驱动 claude.ai 免费版，于 2025 年 7 月 21 日退役。

大语言模型企业软件消费级应用

Claude 3 Opus 于 2024 年 3 月 4 日公布，是 Claude 3 系列中能力最强的模型。它支持图像输入，发布时上下文窗口为 20 万 token，长文本测试召回率超过 99%。

大语言模型企业软件多模态

StarCoder2 是 BigCode 联合 NVIDIA 于 2024 年 2 月发布的开放代码模型系列，含 3B、7B、15B 三种规模，训练数据与代码一并公开。

大语言模型开源数据与数据集

Google DeepMind 的生成式世界模型，110 亿参数，能根据文本、图像或草图生成可逐帧操控的虚拟世界；是首个在无标注互联网视频上训练、无需动作标签的生成式交互环境。

研究史生成式模型仿真

日日新 4.0（SenseNova 4.0）于 2024 年 2 月 8 日发布，推出 4K、32K 和 128K 三档上下文版本、多个专用模型，以及商汤首个多模态工具调用接口。

大语言模型中国 AI企业软件

Yi-VL-34B 与 Yi-VL-6B 是零一万物 2024 年 1 月 23 日开源的多模态模型，能够同时理解图像与文字，在 MMMU 与 CMMMU 基准上位列开源模型第一。

开源中国 AI多模态

FunSearch 是一种把预训练大语言模型放进进化循环、去搜索「解题程序」而不是「答案」的方法，在 cap set 问题与在线装箱问题上给出了超越已知基线的新结果。

深度学习推理科学发现

Stable Video Diffusion 是 Stability AI 于 2023 年 11 月 21 日发布的研究预览版图像转视频模型，可把一张静态图片生成为数秒短片。

开源多模态生成式模型

GraphCast 是 Google DeepMind 的机器学习天气预报模型，能在单台 TPU 上不到一分钟生成 10 天全球预报，并在多数测试变量上优于 ECMWF 的 HRES。

开源深度学习科学发现

GPT-4 Turbo 是 OpenAI 于 2023 年 11 月 6 日发布的 GPT-4 更便宜、能力更强的版本，上下文窗口达 128,000 个 token，API 价格大幅下调。

大语言模型企业软件多模态

DeepSeek 的第一个模型发布：开源代码模型系列，参数规模从 1.3B 到 33B，在 2 万亿 token 上从零训练，据报在多项基准上超过 Codex 与 GPT-3.5。

大语言模型开源中国 AI

Fuyu-8B 是 Adept 于 2023 年 10 月开源的多模态模型。它去掉了图像编码器，能接受任意分辨率的图片，面向需要读屏幕、图表和 PDF 的智能体场景。

开源智能体与工具调用多模态

GPT-4V 是 GPT-4 中接受图像输入的版本，OpenAI 在 2023 年 9 月 25 日的系统卡中记录了它，并通过预览版 API 向开发者开放；图像理解后来在 GPT-4o 中成为原生能力。

大语言模型多模态安全与治理

Qwen-VL 是 2023 年 8 月发布的一系列视觉语言模型，在通义千问语言模型基础上加入看图、答问、定位物体和读取文字的能力，Base 与 Chat 版本开放。

开源中国 AI多模态