模型

智元于 2026 年 10 月发布的具身智能模型预览版，以世界推演动作模型 WRAM 为核心；智元称其在三项具身智能基准上排名第一，并计划在 2026 年底前完全开源。

中国 AI基础模型机器人

LFM3-Omni-2B 是 Liquid AI 在 LFM3 系列中推出的首个全模态模型：一个 21.7 亿参数的模型即可读入文本、图像、视频和音频，并以文字或语音作答。

大语言模型开源消费级应用

Claude Sonnet 5.5 于 2026 年 9 月 28 日发布，是 Claude 5.5 系列的第二个模型，也是 Anthropic 迄今最快的 Sonnet。

大语言模型智能体与工具调用消费级应用

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

GPT-Live-1 是 OpenAI 于 2026 年 7 月 8 日推出的全双工语音模型家族，能一边听一边说，取代了 ChatGPT 语音功能原先串联三个模型的做法。

智能体与工具调用消费级应用多模态

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

Claude Sonnet 5 于 2026 年 6 月 30 日发布，是 Anthropic 最具智能体能力的 Sonnet 模型，可自主制定计划、使用浏览器与终端。

大语言模型智能体与工具调用消费级应用

苹果基础模型第三代（AFM 3）于 2026 年 6 月 8 日发布，由五个模型组成，包括可达 200 亿参数的稀疏端侧多模态模型和三个云端模型。

大语言模型消费级应用基础模型

Gemini 3.5 Flash 是 Google 于 2026 年 5 月 19 日发布的 Gemini 3.5 系列首个模型，面向智能体与编程任务，并成为 Gemini 应用和搜索 AI 模式的默认模型。

大语言模型智能体与工具调用消费级应用

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

π0.7 是 Physical Intelligence 发布的通用机器人操作模型，在多种灵巧任务上达到微调专用模型的水平，并能听从新的语言指令、把已有技能重新组合用于没见过的场景。

基础模型多模态机器人

Muse Spark 是 Meta Superintelligence Labs 于 2026 年 4 月 8 日推出的首个模型，最初闭源，驱动 Meta AI 应用和 meta.ai，后来推出了开放权重版本。

大语言模型智能体与工具调用消费级应用

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

NVIDIA 预告了 Isaac GR00T N2，这是一款基于世界动作模型架构的新一代机器人基础模型；公司称其在新任务、新环境中的成功率是领先 VLA 模型的两倍以上。

基础模型机器人人形机器人

NVIDIA 面向人形机器人发布的开放推理型视觉-语言-动作模型，2026 年 3 月发布，可在真实环境中商用，并用大规模机器人操作数据训练。

开源基础模型机器人

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

Claude Sonnet 4.6 于 2026 年 2 月 17 日发布，附带测试版的 1M 词元上下文窗口，价格与 Sonnet 4.5 相同，并成为 claude.ai 免费版和 Pro 用户的默认模型。

大语言模型智能体与工具调用消费级应用

Gemini 3 Flash 是 Google Gemini 3 系列中主打速度与低成本的模型，2025 年 12 月 17 日发布。它在多项基准上接近 Gemini 3 Pro，同时消耗更少 token、单 token 价格更低。

大语言模型消费级应用推理

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

Physical Intelligence 于 2025 年 11 月 17 日发布的机器人模型，同时用演示、人类纠正和机器人自主经验训练，据公司报告在制作咖啡、折叠衣物和装配纸箱三类任务上成功率超过 90%。

基础模型机器人推理

Grok 4.1 是 xAI 2025 年 11 月对 Grok 4 的更新，侧重情商、创意写作和减少幻觉。Grok 4.1 Fast 是一款 200 万 token 的工具调用模型，于 11 月 19 日发布。

大语言模型智能体与工具调用消费级应用

GPT-5.1 是 OpenAI 于 2025 年 11 月 12 日发布的 GPT-5 更新版本。它让默认人设更加亲切，并提供多种可选风格；其 API 版本已定于 2027 年关闭。

大语言模型消费级应用推理

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

AI21 Labs 于 2025 年 10 月 8 日以 Apache 2.0 许可发布的小型开源推理模型，30 亿参数，Transformer 与 Mamba 混合架构，256k 上下文，可在手机、Mac 和 PC 上本地运行。

大语言模型开源消费级应用

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

Google DeepMind 的机器人模型组合：负责动手的 Gemini Robotics 1.5 与负责规划、会调用工具的 Gemini Robotics-ER 1.5。

智能体与工具调用多模态机器人

Qwen3-Omni 是通义千问团队 2025 年 9 月以 Apache 2.0 协议发布的全模态模型，可接收文本、音频与视频输入，并用文本或多语种语音作答。

开源中国 AI消费级应用

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

微软人工智能团队首个完全在内部训练的基础模型，2025 年 8 月 28 日发布。它采用混合专家架构，先在 LMArena 公开测试，并按计划陆续用于 Copilot 的部分文本场景。

大语言模型消费级应用基础模型

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

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

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

Megrez2-3x7B-A3B 是面向端侧部署的混合专家语言模型，通过让相邻层共用一个专家池，把存储参数压到 75 亿，而每个 token 只激活约 30 亿参数。

大语言模型开源中国 AI

Skild Brain 是 Skild AI 开发的通用机器人基础模型，在包含 10 万台不同机器人的虚拟环境中训练，可装配到现有机器人硬件上，而不是为单一任务专门设计。

企业软件深度学习基础模型

Gemma 3n 是 Gemma 家族中以移动端为先的开放模型，2025 年 6 月发布，有 E2B 与 E4B 两个规格，运行时占用约 2 至 3 GB 内存，原生支持图像、音频、视频和文本输入。

大语言模型开源消费级应用

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

Aurora 是一个面向地球系统的基础模型，用超过 100 万小时的地球物理数据训练，在天气、空气质量、海浪和热带气旋路径预报上优于业务预报，计算成本低几个数量级。

深度学习基础模型科学发现

Falcon-H1 是 Falcon 系列的一组开放权重语言模型，把 Transformer 注意力与状态空间模型并行组合，参数规模从 0.5B 到 34B，权重以 Falcon-LLM Licence 发布。

大语言模型开源基础模型

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

Google Gemini 2.5 系列中的模型，2025 年 4 月发布预览版、6 月正式可用。Google 称它是其首个完全混合推理模型，开发者可以用思考预算把思考打开或关闭。

大语言模型消费级应用推理

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

Qwen2.5-Omni 是阿里巴巴的端到端全模态模型，输入可包括文字、图片、音频和视频，并以文字与自然语音作答。7B 版本于 2025 年 3 月 26 日发布。

开源中国 AI消费级应用

Isaac GR00T N1 是 NVIDIA 于 2025 年 3 月 18 日发布的人形机器人开放基础模型。它可针对具体机器人或任务再做后训练，并把负责规划的模型与负责快速运动的模型组合在一起。

开源基础模型机器人

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

智元机器人于 2025 年 3 月 10 日发布的通用具身模型基座，采用视觉—语言—潜在动作架构。在智元对五项任务的测试中，平均成功率从 46% 提升到 78%。

中国 AI基础模型多模态

GPT-4.5 是 OpenAI 于 2025 年 2 月 27 日发布的大语言模型，代号「Orion」。它是当时最大的对话模型，API 价格远高于 GPT-4o，正式开放数月后便退出。

大语言模型消费级应用基础模型

Phi-4-mini 是 38 亿参数的文本模型，Phi-4-multimodal 是 56 亿参数、可同时处理文字、图像与语音的模型，二者于 2025 年 2 月作为 Phi-4 家族的小尺寸成员发布。

大语言模型开源消费级应用

Helix 是 Figure 2025 年 2 月发布的人形机器人视觉-语言-动作模型，分两个速度层，用约 500 小时遥操作数据训练，全部在本机 GPU 运行。

深度学习基础模型多模态

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

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

Megrez-3B-Omni 是 2024 年 12 月发布的开源全模态模型，能在端侧设备上理解图像、文本与音频，以 22.9 亿参数的语言主干搭配 SigLip 与 Whisper 编码器，总参数约 40 亿。

大语言模型开源中国 AI

无问芯穹 2024 年 12 月开源的 29 亿参数语言模型，采用 Llama-2 结构与 32K 上下文，Apache-2.0 许可，面向本地部署。

大语言模型开源中国 AI

OpenAI o1 的一个版本，回答前投入更多算力思考；2024 年 12 月随每月 200 美元的 ChatGPT Pro 套餐推出，2025 年 3 月进入 API。

大语言模型消费级应用推理

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

SmolLM2 是 Hugging Face 于 2024 年 11 月发布的第二代小型语言模型系列，包含 135M、360M 和 1.7B 三种规模，以 Apache 2.0 许可开放，强调数据而非参数规模。

大语言模型开源消费级应用

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