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

Nemotron 3.5 Transcribe 是英伟达于 2026 年 10 月 28 日发布的免费、开放权重语音转写模型。它能处理长达一小时的录音，支持最多 40 种语言的转写，并可区分最多 8 位说话人。

开源多模态硬件与算力

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

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

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

科大讯飞于 2026 年 2 月 11 日发布的大语言模型，在全国产算力上训练完成，主打教育、医疗、汽车与智能体等行业的实际使用。

大语言模型中国 AI企业软件

NVIDIA Nemotron 3 是 2025 年 12 月宣布的开放混合专家语言模型系列，分 Nano、Super、Ultra 三种规格，最长支持 100 万标记上下文。

大语言模型开源智能体与工具调用

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

Mistral AI 于 2025 年 12 月发布的小型稠密模型系列，含 3B、8B、14B 三个规模，每个规模都有基础、指令和推理版本，均支持图像理解，以 Apache 2.0 许可发布。

大语言模型开源多模态

Olmo 3 是艾伦人工智能研究所（Ai2）完全开放语言模型的第三代，2025 年 11 月 20 日宣布，提供 7B 和 32B 稠密 Transformer 规模，上下文 65,536 词元，数据全部公开。

大语言模型开源推理

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

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

讯飞星火 X1.5 是科大讯飞 2025 年 11 月发布的深度推理模型，运行在与华为共同构建的国产算力平台上，采用总参数 2930 亿的混合专家结构。

大语言模型中国 AI推理

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

DeepSeek 于 2025 年 9 月 29 日发布的实验模型，首次引入 DeepSeek 稀疏注意力以降低长上下文的训练与推理成本，同时开放权重并大幅下调 API 价格。

大语言模型开源中国 AI

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

GLM-4.6 是智谱于 2025 年 9 月下旬发布的开源大语言模型，上下文窗口扩展到 200K tokens，检查点约 3570 亿参数，以 MIT 许可证发布，重点面向编码、推理与智能体任务。

大语言模型开源中国 AI

NVIDIA Nemotron Nano 2 是一款 9B 参数的小型推理模型，采用 Mamba 与 Transformer 混合架构，主打长上下文推理下的高吞吐，并开放了权重与大部分训练数据。

大语言模型开源推理

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

Step 3 是阶跃星辰开源的多模态推理模型，总参数 3210 亿，每个 token 激活 380 亿参数。2025 年 7 月发布，采用 Apache 2.0 许可证。

开源中国 AI多模态

SmolLM3 是 Hugging Face 于 2025 年 7 月 8 日发布的 30 亿参数开放模型，支持六种语言与最长 128K 令牌的上下文，可切换推理模式。

大语言模型开源推理

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

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

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

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

OLMo 2 系列中参数规模最大的模型，320 亿参数，数据、代码、权重与训练细节全部公开；Ai2 称它是首个在多项学术基准上超过 GPT-3.5-Turbo 和 GPT-4o mini 的完全开源模型。

大语言模型开源数据与数据集

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

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

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

讯飞星火 X1 是科大讯飞 2025 年 1 月发布的深度推理大模型，完全基于国产算力平台训练，此后多次升级，并落地教育与医疗场景。

大语言模型中国 AI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

Phi-4 是微软于 2024 年 12 月发布的 140 亿参数稠密解码器式语言模型，训练重心放在数据质量与合成数据上，2025 年 1 月以 MIT 许可证放出完整权重。

大语言模型开源推理

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

OLMo 2 是艾伦人工智能研究所（Ai2）第二代完全开放的语言模型，2024 年 11 月发布 7B 与 13B 两个规模，权重、数据、代码与训练配方全部公开。

大语言模型开源数据与数据集

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

Ministral 3B 与 8B 是 Mistral AI 2024 年发布的端侧小模型，支持长上下文、价格低，3B 据称在多数基准上超过 Mistral 7B。

大语言模型企业软件硬件与算力

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

SAM 2 是 Meta 于 2024 年 7 月发布的分割一切模型第二代，可以实时分割图像和视频中的物体。随模型发布的还有 SA-V 视频数据集。

开源基础模型数据与数据集

Mistral NeMo 是 Mistral AI 与 NVIDIA 于 2024 年 7 月发布的 120 亿参数开放权重模型，支持 128K token 上下文与多语言。

大语言模型开源硬件与算力

SmolLM 是 Hugging Face 于 2024 年 7 月公开发布的一系列小型语言模型，参数量分别为 135M、360M 和 1.7B，面向设备端运行，并用一套专门构建的语料训练。

大语言模型开源消费级应用

科大讯飞于 2024 年 6 月 27 日发布的大语言模型，完全在与华为共建的国产算力平台上训练；讯飞称其达到 GPT-4 水平，同时承认代码与多模态能力落后。

大语言模型中国 AI基础模型

Nemotron-4 340B 是 NVIDIA 于 2024 年 6 月 14 日发布的开放模型系列，包括基础、指令和奖励三个版本，用于生成合成训练数据。

大语言模型开源企业软件

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

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

OpenELM 是 Apple 发布的一系列小型开放语言模型，共 270M 至 3B 四种规模，并公开了训练框架、日志、检查点以及转换为 MLX 的代码。

大语言模型研究史开源

NVIDIA 于 2024 年 3 月提出的面向人形机器人的通用基础模型计划，2025 年 3 月发展为开放的、可完全定制的 Isaac GR00T N1，并随模型放出训练数据与评测场景。

基础模型机器人人形机器人

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

Aya 101 是 Cohere For AI 发布的指令微调模型，参数量 13 billion，能用 101 种语言遵循指令，2024 年 2 月以 Apache 2.0 许可证开放。

大语言模型开源基础模型

讯飞星火 V3.5 是科大讯飞于2024年1月30日发布的大语言模型，是首个基于全国产算力平台飞星一号训练的星火模型，发布时与 GPT-4 Turbo 作了比较。

大语言模型中国 AI基础模型

Phi-2 是微软研究院 2023 年 12 月 12 日公布的 27 亿参数基座语言模型，微软称它在复杂基准上匹配或超过最多 25 倍大的模型，成为小模型路线的一个参照点。

大语言模型开源推理