模型

商汤于 2026 年 11 月在香港发布的多模态智能体模型，面向办公与设计生成：具备长期记忆与任务执行能力，可产出 PPTX 演示、网页、SVG 图形乃至 Blender 三维模型。

中国 AI企业软件智能体与工具调用

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

PLaMo 3 Translate 是 Preferred Networks（PFN）推出的翻译专用模型系列，有 0.8B、2B、8B、31B 四种规模，覆盖 53 种语言，并提供多种量化格式与社区许可。

大语言模型开源基础模型

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

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

Muse Spark Open 是 Meta 于 2026 年 10 月 15 日发布的开放权重大语言模型，总参数 8,160 亿，主打编程和智能体任务，权重可下载。

大语言模型开源智能体与工具调用

Mistral Large 4 是 Mistral AI 的旗舰开放权重模型，总参数约 1 万亿，上下文窗口为 100 万词元（token），原生支持多模态。2026年10月6日公开预览，同年10月29日发布改进版权重。

大语言模型开源多模态

MiniMax-M3.1-Flash 是 MiniMax 的稀疏混合专家模型，约 428B 总参数、23B 激活，支持文本、图像、视频输入，上下文最长 100 万 token。

开源中国 AI智能体与工具调用

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

DeepSeek-V4.1-Flash 于 2026 年 9 月 10 日发布，是一款 5520 亿参数的多模态混合专家模型，API 模型名为 deepseek-flash。

大语言模型开源中国 AI

Step 5 Preview 是阶跃星辰 2026 年 9 月发布的旗舰基础模型预览版，采用稀疏混合专家架构，总参数 6000 亿，支持 100 万 token 上下文，并公开了模型权重。

大语言模型中国 AI智能体与工具调用

日日新 U1.5 是商汤发布的开源权重模型，80 亿参数，用同一套网络完成图像理解、推理与原生 4K 生成，不依赖独立的视觉编码器或 VAE，以 Apache 2.0 许可开放。

开源中国 AI多模态

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

Inkling 是 Thinking Machines Lab 发布的第一个模型：9750 亿参数混合专家模型，开放权重，原生支持文本、图像和音频输入，上下文窗口最高 100 万 token。

大语言模型开源多模态

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

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

字节跳动 Seed 团队于 2026 年 6 月 23 日发布的大模型系列，分 Pro 与 Turbo 两版，面向真实生产力场景，在智能体能力、代码交付、知识、推理与多模态理解上均有提升。

大语言模型中国 AI智能体与工具调用

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

MiniMax 于 2026 年 6 月发布的大规模混合专家语言模型，总参数约 428B，支持 100 万 token 上下文，并引入为长上下文设计的新型稀疏注意力。[^1]

大语言模型开源中国 AI

Step 3.7 Flash 是阶跃星辰于 2026 年 5 月 29 日发布的开源权重模型，在 Step 3.5 Flash 的基础上加入了原生图像输入，支持 256K 上下文，采用 Apache 2.0 许可证。

开源中国 AI智能体与工具调用

Command A+ 是 Cohere 于 2026 年 5 月 20 日以 Apache 2.0 许可发布的开源混合专家模型，总参数 2180 亿、激活 250 亿，面向主权部署与关键基础设施场景。

大语言模型开源企业软件

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

日日新 U1（SenseNova U1）是商汤科技 2026 年 4 月发布的开放权重多模态模型，采用 Apache 2.0 协议，不用独立的视觉编码器和 VAE 就能理解和生成图像。

开源中国 AI多模态

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

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

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

Mistral Small 4 是 2026 年 3 月发布的开源混合专家模型，把指令跟随、逐步推理和智能体编程合进一个模型，并用一个参数控制推理的深浅。

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 Pro 是 Google 于 2026 年 2 月 19 日以预览形式发布的大语言模型，在 ARC-AGI-2 上取得 77.1% 的验证成绩，并取代了 gemini-3-pro-preview。

大语言模型多模态推理

通义千问 Qwen3.5 是阿里巴巴2026年2月发布的原生多模态模型系列，开放旗舰总参数 3970 亿、每个词元激活 170 亿，以 Apache 2.0 许可证发布。

大语言模型开源中国 AI

豆包大模型 2.0（Seed2.0）是字节跳动于 2026 年 2 月发布的模型系列，包含 Pro、Lite、Mini 三款面向智能体任务的版本，并公布了基准成绩与低价 token 策略。

大语言模型中国 AI智能体与工具调用

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

Kimi K2.5 是月之暗面于 2026 年 1 月 27 日发布的开放权重模型，原生支持多模态，总参数 1 万亿，上下文 256K 个词元，并带有可并行调度子智能体的 Agent Swarm 功能。

开源中国 AI智能体与工具调用

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

豆包大模型 1.8（Doubao-Seed-1.8）由火山引擎于 2025 年 12 月 18 日发布，定位为字节跳动最新旗舰，面向多模态智能体任务，工具调用和电脑操作能力更强。

大语言模型中国 AI企业软件

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

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

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

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

Mistral AI 于 2025 年 12 月发布的旗舰模型，稀疏混合专家架构，总参数 6750 亿，开放权重，支持图像理解与 40 多种语言。

大语言模型开源基础模型

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

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

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

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

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

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

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

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

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-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