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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

可灵 2.0 是快手于 2025 年 4 月面向全球推出的 AI 视频生成模型，被公司称为「全球最强」，带来多模态编辑能力，并提出多模态视觉语言概念。

中国 AI多模态生成式模型

Seedream 3.0 是字节跳动 Seed 团队的中英双语图像生成基础模型，在提示对齐、复杂中文字渲染、美学与原生 2K 输出上较 2.0 版有所改进，2025 年 9 月被 Seedream 4.0 接替。

中国 AI生成式模型创意工具