模型

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

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

OpenAI 在 2026 年下半年推出的模型系列：9 月 29 日 DevDay 发布 Sol，10 月 26 日推出更快更便宜的 Terra；原计划一同推出的 Astra 因安全原因未发布。

大语言模型智能体与工具调用安全与治理

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

Gemini 3.5 系列中最快的模型，2026 年 7 月发布，面向智能体检索与文档处理等高吞吐任务，并将接替 gemini-3.1-flash-lite。

大语言模型企业软件开发者工具

Grok 4.5 是 xAI 于 2026 年 7 月发布的编程与智能体模型，用数万块 GPU 训练，与 Cursor 联合训练，并成为 Grok Build 的默认模型。

大语言模型智能体与工具调用开发者工具

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

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

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

Gemma 4 是 Google 在 2026 年 4 月发布的第四代开放权重模型，与 Gemini 3 建立在同一套研究和技术之上，覆盖从手机可跑的 E2B、E4B，到 26B 混合专家模型和 31B 稠密模型。

大语言模型开源多模态

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

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

Gemini 3.1 Flash-Lite 是 Google Gemini 3 系列中低成本、低延迟的多模态模型，2026 年 3 月先出预览版、5 月正式可用，面向高频、轻量的任务。

大语言模型企业软件开发者工具

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

Devstral 2 是 Mistral AI 2025 年 12 月发布的智能体式编程模型，SWE-bench Verified 得分 72.2%，2026 年 7 月退役。

开源智能体与工具调用开发者工具

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

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

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

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

xAI 于 2025 年 8 月发布的面向智能体编程的快速推理模型，定价低，在 SWE-bench Verified 上得分 70.8%，并接入 GitHub Copilot、Cursor 等编程工具。

智能体与工具调用推理开发者工具

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

Qwen3-Coder 是 Qwen 团队推出的开放权重代码模型系列；其中 2025 年 7 月公布的旗舰版拥有 4800 亿参数，专门为智能体式编程任务而训练。

开源中国 AI智能体与工具调用

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

Gemini 2.5 Flash-Lite 是 Google Gemini 2.5 系列中价格最低的模型，面向分类、摘要等高吞吐量任务，默认关闭思考，并提供可调节的思考预算。

大语言模型企业软件开发者工具

苹果基础模型（2025）是苹果的第二代模型。它增加了图像理解能力，服务器模型改用混合专家结构，并通过 Foundation Models 框架向开发者开放端侧模型。

大语言模型基础模型多模态

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

Devstral 是 Mistral AI 与 All Hands AI 合作推出的智能体编程模型系列，2025 年 5 月首次发布，首个版本在 SWE-Bench Verified 上得分 46.8%。

开源智能体与工具调用开发者工具

Amazon Nova Premier 是亚马逊 Nova 系列第一代中最强的模型，2025 年 4 月 30 日起在 Amazon Bedrock 正式可用，支持文本、图像与视频输入。

大语言模型企业软件多模态

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

OpenAI 于 2025 年 4 月发布的三个模型组成的家族，上下文窗口超过百万 token，单 token 价格低，编码与指令遵循能力更强，后被 GPT-5 取代。

大语言模型企业软件开发者工具

Amazon Nova Sonic 是 Amazon Nova 系列中的语音到语音基础模型，2025 年 4 月 8 日发布，把语音识别、语言理解和语音生成放进同一个模型，而不是把多个模型串联起来。

智能体与工具调用多模态生成式模型

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

混元 T1 是腾讯的深度思考模型，2025 年 3 月 21 日正式发布，基于混元 Turbo S 构建。腾讯未公开其权重，通过网页演示和腾讯云 API 提供。

大语言模型中国 AI推理

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

Gemma 3 是 Google 于 2025 年 3 月发布的第三代 Gemma 开放模型，共有 1B 到 27B 四种规模，支持 128,000 词元的上下文，较大版本可处理图像，预训练阶段覆盖 140 多种语言。

大语言模型开源多模态

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

混元 Turbo S 是腾讯 2025 年 2 月发布的快思考模型，采用 Mamba 与 Transformer 混合架构，总参数 5600 亿，未公开权重。

大语言模型中国 AI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