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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

字节跳动 Seed 在 2025 年 4 月发布的界面操作模型，是 UI-TARS 的后继版本。7B 版本以 Apache-2.0 协议开源，完整版本在多项屏幕操作基准上报告了当时最好成绩。

开源中国 AI智能体与工具调用

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

Kimi-VL 是月之暗面（Moonshot AI）于 2025 年 4 月发布的开源视觉语言模型。它把 16B 参数、约 3B 激活的混合专家语言模型与原生分辨率视觉编码器组合在一起，可在宽松的 MIT 许可下使用。

开源中国 AI多模态

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

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

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

Cohere 的第一个视觉语言模型，2025 年 3 月以 8B 和 32B 两个开放权重版本发布，支持 23 种语言的图文输入，按非商业许可开放。

大语言模型开源多模态

混元 3D 2.0 是腾讯的大规模三维生成系统，输入条件图像即可生成带高分辨率纹理的三维资产；它由生成形状的扩散 Transformer 与生成纹理的模型组成，2025 年 1 月 21 日随技术报告一同开源。

开源中国 AI生成式模型

UI-TARS 是字节跳动 Seed 的图形界面智能体模型，只输入截图、直接输出键盘和鼠标操作，在十多个基准上报告了当时最好的成绩，并以 Apache-2.0 协议开放权重。

开源中国 AI智能体与工具调用

通义千问 Qwen2.5-VL 是阿里巴巴 2025 年 1 月发布的视觉语言模型系列，有 3B 至 72B 四个尺寸，能读取图表和文档、定位物体并作为视觉代理工作，还能理解一小时以上的视频。

开源中国 AI智能体与工具调用

DeepSeek 发布的混合专家视觉语言模型系列，是 DeepSeek-VL 的后继版本，分 1.0B、2.8B、4.5B 三个激活参数规模，面向文档、表格、图表与 OCR 理解。

开源中国 AI多模态

Gemini 2.0 Flash 是 Google Gemini 2.0 世代的首个模型，2024 年 12 月以实验模型形式发布，新增多模态输出与原生工具调用，2025 年 2 月正式开放。

大语言模型智能体与工具调用多模态

Pixtral Large 是 Mistral AI 于 2024 年 11 月发布的开权重多模态模型，基于 Mistral Large 2，参数约 1240 亿。

企业软件多模态计算机视觉

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

Llama 3.2 于 2024 年 9 月 25 日发布，新增 110 亿和 900 亿参数的视觉模型，以及面向边缘和移动设备的 10 亿和 30 亿参数纯文本小模型。

大语言模型开源多模态

Mistral AI 的第一个多模态模型，把 12B 参数的语言解码器与 400M 参数、从零训练的视觉编码器组合起来，以 Apache 2.0 开放权重，2024 年 9 月发布，2025 年底退役。

开源多模态计算机视觉

NVLM 是 NVIDIA 的多模态大语言模型系列，论文于 2024 年 9 月发表；旗舰模型 NVLM-D-72B 随后以开放权重形式发布，限非商业用途。

大语言模型开源多模态

Yi-Coder 是 01.AI 于 2024 年 9 月开源的一系列代码模型，有 1.5B 和 9B 两种规模，各自提供基础版和对话版，覆盖 52 种编程语言，上下文最长 128K token。

大语言模型开源中国 AI

Qwen2-VL 是阿里巴巴于 2024 年 8 月 29 日发布的视觉语言模型。它能理解 20 分钟以上的视频，能读取多种语言的图中文字，还可以作为代理操作手机和机器人。

开源中国 AI智能体与工具调用

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

OpenAI 于 2024 年 7 月 18 日发布的小型低成本模型，API 价格远低于 GPT-4o，MMLU 得分 82%，发布当天即在 ChatGPT 中取代 GPT-3.5 Turbo。

大语言模型消费级应用多模态

Codestral Mamba 是 Mistral AI 于 2024 年 7 月发布的 7B 开源代码模型，用 Mamba 状态空间架构取代 Transformer，以获得线性时间的推理开销。

开源开发者工具代码

Google 于 2024 年 6 月 27 日发布的第二代 Gemma 开放模型，含 90 亿与 270 亿参数两个版本，采用分组查询注意力与 8192 词元上下文窗口，许可证允许商业使用。

大语言模型开源开发者工具

Claude 3.5 Sonnet 于 2024 年 6 月 20 日发布，是 3.5 系列首款模型。速度是 Claude 3 Opus 的两倍，价格与中档型号相当，并随 Artifacts 一同推出。

大语言模型企业软件消费级应用

Codestral 是 Mistral AI 的代码模型系列，2024 年 5 月首次发布时为 22B 参数、32K 上下文的开放权重模型，此后版本在上下文长度、生成速度和补全质量上继续推进。

大语言模型开发者工具代码

Gemini 1.5 Flash 是 Google Gemini 1.5 系列中的轻量模型，2024 年 5 月 14 日发布，由 1.5 Pro 蒸馏训练而来，上下文窗口为 100 万 token，主打快速与低成本。

大语言模型多模态开发者工具

Grok-1.5 是 xAI 对 Grok-1 的升级版，推理能力更强，上下文窗口扩至 12.8 万 token。同期预览的 Grok-1.5V 是该公司首个多模态模型。两者的权重都没有公开发布。

大语言模型多模态推理

Step-1V 是阶跃星辰 2024 年 3 月发布的约一千亿参数多模态大模型，能读取图像中的文字、数据和图表并支持视频理解，发布时位列 OpenCompass 多模态榜单第一，后被 Step-1.5V 接替。

大语言模型中国 AI多模态

Claude 3 Haiku 是 Anthropic Claude 3 系列中最小、最快的模型，2024 年 3 月发布，主打低价格、20 万 token 上下文与图像输入，2026 年 4 月退役。

大语言模型企业软件多模态

Claude 3 Sonnet 是 Anthropic Claude 3 系列中的中间型号，2024 年 3 月 4 日发布，支持 20 万 token 上下文，曾驱动 claude.ai 免费版，于 2025 年 7 月 21 日退役。

大语言模型企业软件消费级应用

Claude 3 Opus 于 2024 年 3 月 4 日公布，是 Claude 3 系列中能力最强的模型。它支持图像输入，发布时上下文窗口为 20 万 token，长文本测试召回率超过 99%。

大语言模型企业软件多模态

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