模型

可灵 4.0 是 2026 年 10 月向全部用户开放的视频生成模型，支持更长镜头、多张参考图和更可信的物理碰撞，并配有面向批量生产的更快版本可灵 4.0 Flash。

中国 AI多模态生成式模型

PixVerse R2 是 2026 年 9 月 22 日发布的实时世界模型，在 R1 基础上升级：它在用户身处其中时持续生成可漫游的世界，并在一次会话内保留状态。

中国 AI多模态生成式模型

Vidu S2 是由两个模型组成的实时视频生成系统：S2-Avatar 实时生成 720p 的交互数字人，S2-Editing 对输入视频流做实时编辑，两者还探索了面向沉浸式显示的立体视图生成。

中国 AI多模态生成式模型

Seedance 2.5 是字节跳动于 2026 年 7 月发布的音视频联合生成模型，单次可生成最长 30 秒的视频，支持多模态参考与局部编辑，是 Seedance 2.0 的后续版本。

中国 AI多模态生成式模型

FLUX 3 是 Black Forest Labs 于 2026 年 7 月 23 日宣布的多模态模型系列，涵盖图像、视频、音频和动作预测。其视频模型于 2026 年 8 月 4 日正式开放。

多模态机器人生成式模型

Robostral Navigate 是 Mistral AI 的首个具身导航模型：80 亿参数，只靠一台普通 RGB 摄像头和一句自然语言指令，就能带动轮式、足式或飞行机器人移动。

机器人计算机视觉欧洲 AI

Muse Image 与 Muse Video 是 Meta Superintelligence Labs 于 2026 年 7 月推出的首批媒体生成模型，其中 Muse Image 已上线。

消费级应用生成式模型创意工具

Vidu S1 是生数科技 2026 年 7 月发布的实时交互视频生成模型：它把语音指令当作控制输入，在普通消费级显卡上以 540p、最高 42 帧每秒持续生成，不因时长增加而模糊或漂移。

中国 AI多模态生成式模型

Stability AI 于 2026 年 5 月发布的一组音频生成模型：三个开放权重版本加一个通过 API 提供的大模型，可生成和编辑最长约 6 分 20 秒的音乐与音效。

开源企业软件生成式模型

Gemini Omni Flash 是 Google DeepMind 的视频生成模型，能用文本、图像、音频和视频参考生成并修改视频。

多模态生成式模型创意工具

GPT Image 2 是 OpenAI 于 2026 年 4 月 21 日发布的图像生成与编辑模型，同时名为 ChatGPT Images 2.0。

消费级应用创意工具图像生成

Claude Opus 4.7 于 2026 年 4 月 16 日发布，价格与 Opus 4.6 相同，新增 xhigh 投入程度档位，并支持大得多的图像。它是首个测试自动拦截高风险网络安全请求的模型。

大语言模型智能体与工具调用安全与治理

EXAONE 4.5 是 LG AI Research 于 2026 年 4 月发布的首个开放权重视觉语言模型，总参数 330 亿，其中视觉编码器 12 亿，上下文长度 256K 个 token，侧重文档理解与韩语语境推理。

大语言模型开源基础模型

微软 AI 于 2026 年 4 月发布的语音转文字模型，支持 25 种语言，驱动 Copilot 语音模式，音频转写价格每小时 0.36 美元起。

企业软件多模态云计算

MAI-Image-2 是微软 AI 的第二代文生图模型，2026 年 4 月 2 日在 Microsoft Foundry 与 MAI Playground 向开发者开放，生成速度更快，在光照、肤色与图内文字上表现更好。

企业软件生成式模型创意工具

Voxtral TTS 是 Mistral AI 于 2026 年 3 月发布的第一个文本转语音模型，约 40 亿参数，支持 9 种语言、最短 3 秒参考音频的音色克隆，权重开放但限非商业使用。

开源消费级应用生成式模型

Midjourney V8 于 2026 年 3 月 17 日以 alpha 形式上线，出图速度约为此前的 5 倍，新增原生 2K 渲染的 --hd 模式，并改进了图中文字渲染。

消费级应用生成式模型创意工具

Reka Edge 是 Reka AI 于 2026 年 3 月 11 日发布的 70 亿参数视觉语言模型，可接收图像、视频和文本并输出文本，主打在笔记本电脑、手机和小型端侧设备上本地运行。

开源多模态机器人

Phi-4-reasoning-vision-15B 是微软于 2026 年 3 月 4 日以 MIT 许可发布的 150 亿参数开放权重视觉语言模型，能在数学、科学问题上展开推理，在图像感知任务上直接作答。

开源多模态推理

Nano Banana 2 是 Google 的图像生成与编辑模型 Gemini 3.1 Flash Image，2026 年 2 月 26 日预览发布。

生成式模型创意工具图像生成

可灵 3.0 是快手的视频与图像模型系列，2026 年 2 月 5 日以四款模型在全球上线。它可以一次生成最长 15 秒并带同步声音的视频，支持多镜头生成，并提供原生 4K 输出。

中国 AI多模态生成式模型

火山引擎于 2025 年 12 月 18 日发布的音视频生成模型，画面、人声、音乐与环境声一起生成，并保持毫秒级同步。

中国 AI多模态生成式模型

Molmo 2 是 Ai2 开放视觉语言模型家族的第二代，2025 年 12 月 11 日发布，把 Molmo 从图像扩展到视频，支持指点、目标跟踪和带时间戳的问答。

开源多模态计算机视觉

GWM-1 是 Runway 发布的首个「通用世界模型」，以自回归方式实时逐帧生成 720p 视频，并可由相机位姿、机器人指令或音频驱动。

多模态机器人生成式模型

可灵 2.6 是快手于 2025 年 12 月发布的视频生成模型，能在一次生成中同时产出画面、配音、音效与环境声，单条视频最长 10 秒。

中国 AI多模态生成式模型

亚马逊 Nova 2 是 Nova 模型的第二代，2025 年 12 月在 AWS re:Invent 大会上发布。首款成员 Nova 2 Lite 是快速的推理模型，提供 100 万词元上下文。

大语言模型智能体与工具调用多模态

可灵 O1（Kling O1）是快手于 2025 年 12 月 1 日发布的视频模型，被介绍为「全球首个统一多模态视频模型」：文本、图像、视频与主体输入进入同一引擎，生成与编辑共用一套模型。

中国 AI多模态生成式模型

Runway Gen-4.5 是 2025 年 12 月发布的视频生成模型，发布时位居 Artificial Analysis 文生视频排行榜第一，后加入原生音频与多镜头编辑。

多模态生成式模型创意工具

FLUX.2 是 Black Forest Labs 于 2025 年 11 月 25 日发布的图像生成与编辑模型系列，包含托管版本与开放权重版本，支持最高 4 百万像素输出和最多 10 张参考图。

开源生成式模型创意工具

Nano Banana Pro（Gemini 3 Pro Image）是 Google 2025 年 11 月 20 日发布的图像生成模型，能在图中排文字，输出最高 4K。

企业软件生成式模型创意工具

SAM 3 是 Meta 于 2025 年 11 月发布的分割一切模型第三代，可依据简短文字或示例图像，找出并分割某一概念的全部实例。Meta 报告称，它在这项任务上的准确率是现有系统的两倍。

开源基础模型数据与数据集

文心大模型 5.0（ERNIE 5.0）是百度于 2025 年 11 月发布的原生全模态基础模型，百度称其参数规模为 2.4 万亿，2026 年 1 月起向企业和个人开放，模型为非开源。

大语言模型中国 AI基础模型

百度 2025 年 11 月发布的开源多模态推理模型，总参数 280 亿、每个 token 激活 30 亿，支持「边看图边想」的放大与工具调用，权重按 Apache 2.0 开放。

开源中国 AI多模态

DeepSeek-OCR 是一个约 3B 参数的开源文字识别模型，它把长文本渲染成图像、用很少的视觉词元把文字读回来，用来检验「光学压缩」能否代替超长文本上下文。

开源中国 AI多模态

Veo 3.1 是 Google 于 2025 年 10 月 15 日发布的 Veo 3 更新版本，为 Flow 带来音频能力和新的编辑功能；其 API 预览版已于 2026 年 10 月 22 日停止服务。

多模态生成式模型创意工具

MAI-Image-1 是微软首个完全自研的图像生成模型，2025 年 10 月 13 日发布，同年 11 月 4 日起进入 Bing Image Creator 与 Copilot。

消费级应用生成式模型创意工具

Sora 2 是 OpenAI 于 2025 年 9 月 30 日发布的第二代视频与音频生成模型，并推出 iOS 社交应用。2026 年 OpenAI 宣布终止 Sora 服务。

消费级应用生成式模型安全与治理

腾讯 2025 年 9 月开源的图像生成模型：原生多模态，用自回归的混合专家结构把图像理解与生成放进同一个框架。

开源中国 AI多模态

Ray3 是 Luma AI 于 2025 年 9 月 18 日推出的视频生成模型，被其称为世界上第一个推理视频模型，支持 HDR 输出、原生 1080p 和 4K 神经放大。

多模态推理生成式模型

UI-TARS-2 是 UI-TARS 系列的新一代 GUI 智能体，采用多轮强化学习训练，2025 年 9 月发布技术报告，并在网页、桌面、安卓、游戏与软件工程等基准上给出成绩。

中国 AI智能体与工具调用计算机视觉

Qwen3-VL 是阿里巴巴通义千问团队2025年9月发布的开放视觉语言模型系列，以 Apache 2.0 许可证发布，旗舰版本为 2350 亿参数，支持长视频、界面操作与空间定位。

开源中国 AI智能体与工具调用

Qwen3-Max 是阿里巴巴于 2025 年 9 月发布的闭源大模型，参数规模超过 1 万亿，通过阿里云 API 提供服务，是接替 Qwen2.5-Max 的 Max 系列旗舰。

大语言模型中国 AI基础模型

可灵 2.5 Turbo 是快手于 2025 年 9 月底发布的视频生成模型，发布十天即被 Artificial Analysis 列为文生视频与图生视频全球第一，并把创作者单条视频的生成成本降低了近 30%。

中国 AI多模态生成式模型

Seedream 4.0 是字节跳动 Seed 团队于 2025 年 9 月发布的图像模型，把文生图、图像编辑和多图组合放进同一套架构，可输出 1K 至 4K 的原生高分辨率图像。

中国 AI多模态生成式模型

MAI-Voice-1 是微软 AI 的语音生成模型，2025 年 8 月公布，是 MAI 系列的第一个模型，主打快速生成富有表现力的高保真语音。

消费级应用多模态生成式模型

Nano Banana 是谷歌 Gemini 2.5 Flash Image 的昵称，2025 年 8 月 26 日发布，能融合多张图片、在多次编辑中保持人物一致，并按自然语言指令做局部修改。

消费级应用生成式模型创意工具

智谱于 2025 年 8 月 11 日发布的视觉语言模型，基于 GLM-4.5-Air 微调，可处理图像推理、视频理解、长文档解析与 GUI 任务；智谱称其在 42 个公开基准上取得同规模模型中的最优成绩。

开源中国 AI多模态

Genie 3 是 Google DeepMind 的通用世界模型，于 2025 年 8 月 5 日公布。它用文字提示生成可实时导航的 720p 交互环境，帧率为每秒 24 帧，以有限研究预览的形式发布。

智能体与工具调用生成式模型仿真

Qwen 系列的图像生成模型，200 亿参数，2025 年 8 月以 Apache 2.0 协议开源，以在图像中渲染文字（尤其是中文）见长。

开源中国 AI生成式模型

Command A Vision 是 Cohere 2025 年 7 月发布的首个 Command 视觉语言模型，由 1120 亿参数语言模型与 SigLIP2 图像编码器组成。

大语言模型企业软件多模态

2025 年 7 月以 Apache 2.0 许可开源的视频生成模型系列，把双专家的混合专家结构引入视频扩散，其中的 5B 版本可在单张消费级显卡上运行。

开源中国 AI生成式模型

混元 3D 世界模型 1.0 是腾讯开源的 3D 世界生成模型，可从文字或图像生成可探索、可导出网格的三维场景。它于 2025 年 7 月发布，此后又推出了一系列更轻量、更快的版本。

开源中国 AI生成式模型

Runway Aleph 是 Runway 于 2025 年 7 月推出的视频模型，能对输入视频增删或改造物体、生成场景的新角度、更换风格与光线，覆盖多种视觉任务。

多模态生成式模型创意工具

Midjourney 于 2025 年 6 月 18 日发布首个视频模型 V1，能把一张已有的图片变成约 5 秒的短片，被公司定位为通向实时开放世界模拟的第一步。

消费级应用生成式模型创意工具

Seedance 1.0 是字节跳动 Seed 于 2025 年 6 月发布的视频生成模型。同一个模型可做文生视频与图生视频，能生成 1080p 多镜头视频，并在 Artificial Analysis 两个榜单上排名第一。

中国 AI多模态生成式模型

FLUX.1 Kontext 是 Black Forest Labs 于 2025 年 5 月 29 日宣布的图像模型系列，可以同时以文字和图片为输入，进行生成与编辑。其开放权重的 dev 版本于 2025 年 6 月发布。

开源生成式模型创意工具

Imagen 4 是 Google 于 2025 年 5 月 20 日发布的文生图模型，最高输出 2K 分辨率，细节与文字排版有所改进，接入 Gemini 应用等产品。

生成式模型创意工具图像生成

可灵 2.1 是快手 2025 年 5 月底推出的视频生成模型，分 720p、1080p 和大师版三档，同年 9 月底被可灵 2.5 Turbo 取代。[^1][^2][^3]

中国 AI多模态生成式模型