模型

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

谷歌在 2024 年 5 月 I/O 大会上宣布的文生图模型，谷歌称其为当时质量最高的图像生成模型，画面瑕疵更少，文字渲染也有改善。

生成式模型创意工具图像生成

混元 DiT（Hunyuan-DiT）是腾讯推出的开源文生图模型，对中文和英文提示词都有细粒度理解。2024 年的技术报告与模型权重均对外公开，人工评测中它超过多个开源模型，但落后于领先的闭源模型。

开源中国 AI生成式模型

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

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

Stable Diffusion 3 由 Stability AI 于2024年2月22日预览发布，是一组参数从8亿到80亿不等的模型，结合了扩散 Transformer 与流匹配（flow matching）。

开源生成式模型创意工具

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

Midjourney V6 是 Midjourney 图像生成模型的一个版本，2023 年 12 月 21 日以 alpha 形式发布，从头训练历时九个月；其 6.1 更新于 2024 年 7 月推出。

消费级应用生成式模型创意工具

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

谷歌第二代文生图模型，2023 年 12 月发布，最突出的特点是能在生成的图像里画出可读的文字和标志。

企业软件生成式模型创意工具

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

Lyria 是 Google DeepMind 的音乐生成模型系列，2023 年 11 月首次公布。它能生成含器乐与人声的音乐，音频带 SynthID 水印。

消费级应用生成式模型创意工具

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

DALL·E 3 是 OpenAI 的图像生成模型，2023 年 9 月 20 日公布，同年 10 月在 ChatGPT 中放出。它会先把用户的简短想法扩写成详细提示词再出图，后来被 GPT Image 取代。

消费级应用生成式模型创意工具

Stable Audio 由 Stability AI 于2023年9月13日推出，是一款文生音乐与音效的工具；此后又有开放权重版本和面向企业的2.5版本。

企业软件消费级应用生成式模型

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

Code Llama 是 Meta 于 2023 年 8 月发布的代码模型系列，由 Llama 2 在代码数据上继续训练而成，参数从 70 亿到 700 亿不等。

大语言模型开源开发者工具

讯飞星火 V2.0 是科大讯飞大语言模型的第二个版本，于 2023 年 8 月 15 日发布，升级了代码与多模态能力，并与编程助手 iFlyCode 1.0 一同推出。

大语言模型中国 AI基础模型

RT-2 是 Google DeepMind 2023 年 7 月 28 日公布的视觉-语言-动作模型，把图像和文字指令转成机器人动作，陌生场景成功率从 32% 升至 62%。

多模态机器人计算机视觉

SDXL 是 Stability AI 于 2023 年 7 月发布的开源文生图扩散模型：35 亿参数的基础模型加一个精修阶段，原生生成 1024×1024 图像；蒸馏版 SDXL Turbo 把生成压缩到一步。

开源生成式模型创意工具

Phi-1 是微软研究院发布的一个 13 亿参数的 Transformer 语言模型，专攻 Python 代码；它用经过筛选的「教科书质量」数据和合成数据说明，数据质量可以在一定程度上替代模型与数据规模。

大语言模型开源数据与数据集

StarCoder是BigCode项目于2023年5月4日发布的开放代码语言模型，约155亿参数，由Hugging Face与ServiceNow共同领导的项目推出。

大语言模型开源数据与数据集

Midjourney V5 是 Midjourney 文生图模型的一个版本，2023 年 3 月 15 日以 alpha 形式发布，其后经过 5.x 多轮修订，并于 2023 年 12 月由 V6 接替。

消费级应用生成式模型创意工具

Runway Gen-2 是 Runway 于 2023 年 3 月推出的多模态视频生成系统，能根据文字、图片或视频片段生成新视频，是最早面向公众商用的文生视频模型之一。

多模态生成式模型创意工具

Runway Gen-1 是 2023 年 2 月推出的视频到视频扩散模型，能用文字或图片提示改写已有视频，同时保留原片结构，是最早一批投入商用的视频生成模型之一。

多模态生成式模型创意工具

Stable Diffusion 2 是 Stability AI 于 2022 年 11 月 24 日发布的开源文生图模型系列，采用新的 OpenCLIP 文本编码器，并附带超分辨率、深度引导与修复模型。

开源生成式模型创意工具

Midjourney V4 是 Midjourney 于 2022 年 11 月 5 日以 alpha 形式发布的第四代图像生成模型，也是该公司首批在 Google TPU 上训练的模型，图像质量较 V3 有明显提升。

消费级应用生成式模型创意工具

Midjourney V3 是 Midjourney 的第三代模型，2022 年 7 月 25 日发布，靠基于用户行为的反馈回路大幅提升出图质量；赢得科罗拉多州博览会数字艺术奖的那幅作品就出自这一时期。

消费级应用生成式模型创意工具

Imagen 是 Google Research 于 2022 年 5 月发布的文本到图像扩散模型，它把冻结的大语言模型与扩散模型结合，并提出了 DrawBench 基准；Google 未公开发布其代码或演示。

研究史生成式模型创意工具

Flamingo 是 DeepMind 于 2022 年 4 月公布的视觉语言模型：输入可以是图像、视频和文字交错混排的提示，输出相应的语言，并能只靠几个示例学会新任务。

大语言模型研究史多模态

Midjourney V2 是 Midjourney 图像生成模型的第二个版本，2022 年 4 月 12 日发布，并在当年 7 月 V3 到来之前担任默认模型。官方后来把它描述为色彩浓烈、绘画感强，但连贯性较低。

消费级应用生成式模型创意工具

GPT-3.5 是 OpenAI 介于 GPT-3 与 GPT-4 之间的一代语言模型，以 text-davinci-002、text-davinci-003 等 API 模型的形式发布，也是第一版 ChatGPT 的基础。

大语言模型基础模型产品史

AlphaCode 是 DeepMind 面向竞赛编程的代码生成系统，2022 年公布，在训练数据之后的 Codeforces 比赛上估计排名接近中位水平。

大语言模型研究史代码

Midjourney V1 是 Midjourney 在 2022 年 2 月发布的第一个图像生成模型，通过其 Discord 服务器上的机器人使用。它生成的图像抽象、带有绘画感，几个月内就被 V2 和 V3 取代。

消费级应用生成式模型创意工具

OpenAI 于 2021 年发布的图像-文本模型，用约 4 亿对图文数据训练，靠把图像与文字提示逐一比对来完成分类，不需要针对具体任务的训练。

开源基础模型多模态

DeepMind 提出的原始音频生成模型，逐个采样点预测波形，把神经语音合成的自然度大幅拉近人类水平，后来成为 Google Assistant 与云端语音合成的基础。

研究史深度学习消费级应用

AlexNet 是一个八层卷积神经网络，在 ILSVRC2012 图像分类任务中以明显优势夺冠，证明用 GPU 在大型标注数据集上训练的大网络可以胜过手工设计特征的方法。

研究史深度学习计算机视觉