大模型

Qwen3-Max-Thinking 是阿里巴巴推出的旗舰深度推理 AI 模型，用于复杂逻辑推理、数学与编码任务，并支持大上下文输入（约 262K 令牌），提供可调 reasoning depth（思考预算）机制以平衡推理质量与延迟。

Kimi K2.5 是 Moonshot AI 发布的开源原生多模态智能体模型，支持文本、图像、视频和 PDF 等输入类型，具备视觉编程、Agent Swarm 并行任务执行、长上下文推理等能力，适用于复杂任务工作流、视觉代码生成、知识性推理和办公自动化等应用。

Vidu Q2参考生Pro 是 Vidu 平台推出的参考生视频生成模型，支持多模态输入（视频与图片），用于生成高一致性、精细化的视频内容，涵盖人物、场景、动作与特效等创作需求。

DeepSeek-OCR 2 是 DeepSeek AI 发布的端到端 OCR（光学字符识别）视觉语言模型，基于 Visual Causal Flow 机制处理图像与文档输入，生成结构化文本输出（如 Markdown/JSON），用于复杂文档的逻辑顺序转录与布局感知识别。

LightOnOCR-2-1B 是一种开源的 1B 参数端到端 OCR（光学字符识别）模型，用于将文档图像（如 PDF、扫描件或照片）转化为清晰、自然排序的文本。模型在标准基准上提供高质量识别，并支持多种输入格式与布局类型。

FrogBoss 是由微软研究院研究团队利用复杂合成 bug 生成方法（BugPilot）训练出的开源编程智能体模型，专用于软件工程任务评估与调试技能提升，在 SWE-Bench-Verified 等基准测试中达到领先表现。

AgentCPM-Explore 是清华大学、人民大学、面壁智能与 OpenBMB 开源社区联合发布的 4B 参数端侧智能体模型，在多项长程智能体基准测试中取得领先表现，支持超 100 轮持续环境交互，并提供配套的开源训练与评测基础设施。

TranslateGemma 是 Google 推出的开放式多语言机器翻译模型系列，基于 Gemma 3 架构构建，支持 55 种语言的文本与图像内文字翻译，提供多种参数规模以适应不同部署场景。

FLUX.2 [klein] 是 Black Forest Labs 发布的紧凑型实时图像生成与编辑 AI 模型家族，支持子秒级图像生成、统一的生成与编辑流程、文本到图像、多参考图像编辑等功能，适用于研究、开发和交互式视觉智能应用。

MedGemma 1.5 是基于 Gemma 系列的多模态医疗 AI 模型变体，支持医学文本理解、医学影像分析与生成，用于加速医疗 AI 应用的开发与验证。

司农（Sinong）是南京农业大学开源的农业领域垂直大语言模型，用于理解与生成农业相关知识，支持农业问答、检索增强与上下文推理等功能，面向 AI 工具使用者提供农业智能分析能力。

UI-TARS Desktop 是由字节跳动开源的桌面端 GUI Agent 工具，基于 UI-TARS 视觉语言模型（VLM），可通过自然语言控制计算机界面，实现图形界面识别与操作。

Z.ai 推出的最新一代大型开源语言模型，专为复杂推理、编码任务和智能代理型场景设计。

腾讯混元（Hunyuan）推出的开源 高质量机器翻译模型系列，支持 33 种语言互译和多种方言/民族语言，包括轻量级端侧部署能力与高性能翻译表现。

一个全新的视觉-动作基础模型（Vision-Action Foundation Model），由 NVIDIA 等机构联合研发并开源，专注于通用游戏智能体的学习与控制。

一款由 StepFun 团队开源的 端到端深度研究智能体 AI 模型。

由 Qwen 团队开发的 图像分层 AI 模型，可以将单张图像自动分解成多个可独立可编辑的 RGBA 图层，实现类似专业图像编辑软件的分层操作。

T5Gemma 2 是谷歌推出的下一代 编码器-解码器（Encoder-Decoder）AI 模型系列，基于 Gemma 3 家族架构，新增多模态输入与超长上下文处理能力。

FunctionGemma 是 Google 发布的轻量级 AI 模型，专为 函数调用（function calling）和工具执行任务 优化，可将自然语言指令精准转换为可执行 API 调用或本地操作，并在设备端高效运行。

大晓机器人推出的 开源世界模型，专为具身智能、机器人环境理解与动态预测设计。

OpenAI 发布的最新 代理编码与高级软件工程 AI 模型。

微软发布的开源 图像到 3D 生成 AI 模型。

苹果推出的开源单目视图 3D 场景合成模型。

字节跳动发布的通用 Agent AI 模型。

Meta 推出的统一多模态音频分离 AI 模型。

腾讯发布的实时交互式 3D 世界生成模型。

OpenAI 发布的最新图像生成与编辑 AI 模型，作为 ChatGPT Images 的核心引擎，它以 最高达 4× 更快的生成速度、更强的指令执行力、精细细节保留与创意转换能力 为特性，支持创意图像生成、照片编辑与视觉工作流自动化。

小米开源的高效混合专家（MoE）大语言模型，具备 3090亿参数、150亿激活参数、150 tokens/s 超高速推理、256K 超长上下文支持，在推理、代码生成与智能体任务上表现出色。

美团 LongCat 团队开源的音频驱动长视频角色动画生成模型。

一个面向 AI 工具使用者的先进 实时音频驱动交互式头像生成系统。

字节跳动 Seed 团队最新发布的 音视频联合生成 AI 模型。该模型具备专业级音画同步、高质量视频生成、复杂叙事理解与多模态输入支持，为内容创作者及 AI 工具使用者提供强大的短片和影视级视频创作能力。

阿里通义万相最新发布的视频生成 AI 模型，支持文本/图像/参考视频多模态生成、多镜头叙事、角色扮演和原生音画同步，为 AI 工具使用者实现专业级短片创作与影视级内容自动化提供强大支持。

GWM-1 是由 Runway 发布的首个通用世界模型（General World Model），基于 Gen-4.5 架构，通过逐帧像素预测模拟动态环境、物理规律和时间演化。GWM-1 包括 GWM Worlds、GWM Robotics 与 GWM Avatars 三个专业分支，适用于交互式世界构建、机器人训练与数字人生成等领域。

GPT-5.2 是 OpenAI 于 2025 年 12 月 11 日发布的最新大模型版本，专为专业知识工作、复杂多步骤任务以及更高效的生成式智能体验打造，在生成电子表格、演示文稿、代码、长文本理解和工具调用等方面显著领先前代，适合企业级应用与生产力提升。

Qwen3-Omni-Flash 是阿里巴巴 Qwen 团队于 2025 年 12 月 1 日发布的下一代原生全模态（omni-modal）大模型，支持文本、图像、音频和视频等多种输入，并能实时流式输出文本与自然语音，具备高效多模态理解与交互能力，覆盖 119 种文本语言及多语言语音交互，实现真正无缝实时 AI 体验。

可灵O1 是由 可灵AI 发布的全球首款统一多模态视频生成大模型，支持图片、视频与文字混合输入，实现从文生图／文生视频／图生视频到视频编辑的一站式创作流程，适合内容创作者、电商、广告商与自媒体用户快速生成短视频与营销内容。

Vidi2 是由 ByteDance 发布的 12 B 多模态视频理解与创作模型，支持长视频解析、精确时空定位 (Spatio-Temporal Grounding)、自动剪辑与脚本生成，是内容创作、短视频制作、影视剪辑与视频理解研究的新利器。

Depth Anything 3 (DA3) 是 ByteDance-Seed 团队开源的下一代通用 3D 视觉重建模型，可从任意数量与任意视角的图像／视频输入中恢复空间一致的 3D 几何结构，包括深度图、相机位姿、三维点云与新视图合成，非常适合视觉创作者、3D 艺术师、研究者与开发者进行几何估计、3D 重建与视觉内容创作。

DeepSeek-Math-V2 是一个开源数学推理模型，通过“生成 + 自验证 (generate-and-verify)”机制，实现了 IMO 金牌水平的定理证明与数学竞赛能力，非常适合研究者、学生、开发者与数学爱好者用于复杂数学问题求解、证明辅助与教育 /学习。

Grok 4.1 是 xAI 最近发布的大型语言模型 (LLM)，主打更快的响应、更低的“幻觉率”、更高的情感理解与代码／多模态能力。本文面向 AI 工具使用者 (开发者、内容创作者、研究者) 深入剖析 Grok 4.1 的功能、优势、适用场景、局限与使用建议。

Gemini 3 是由 Google DeepMind 推出的最新 AI 模型，融合强大推理、多模态理解与编码/工具调用能力，为开发者、创作者、学习者提供“学、构建、规划”一体的智能助手，适合从写作、规划、代码生成到跨媒体内容创作的一体化 AI 支持。

Z-Image 是阿里通义 (Tongyi MAI) 发布的高效 6 B 图像生成与编辑基础模型，支持高逼真度渲染、中英双语文本、低资源运行与快速推理，为创作者、设计师和开发者提供了兼顾质量与效率的开放图像生成方案。

FLUX.2 是 Black Forest Labs 推出的新一代 AI 图像生成与编辑模型，支持最多 10 张参考图、多参考融合、高达 4MP 的高精度输出、复杂文本渲染和品牌级一致性，适合设计师、营销、产品可视化和创意团队进行专业级图像创作。

告别千篇一律！

Higgs Audio V2 是 Boson AI 发布的开源音频大语言模型，基于 1000 万小时语音数据训练，支持多说话人对话、情感语音、多语言语音生成，适合 AI 工具使用者构建语音 Agent 和音频应用。

Step 3 是 StepFun 发布的一款多模态大语言模型，具备文本、图像与视频理解生成能力，将于 2025 年底开源，适合 AI 工具使用者构建多模态 Agent 与应用。

Agentar‑Fin‑R1 是一系列基于 Qwen3 构建的金融专业大语言模型（8B 与 32B），专为金融推理、安全合规与高效训练优化，适合 AI 工具使用者部署金融智能解决方案。

Qwen‑MT 是阿里巴巴云开发的旗舰翻译模型，支持 92 种语言、多语种术语定制和领域适配，具备低延迟与高性价比，适合 AI 工具使用者进行机器翻译应用。

KAT‑V1 是 KwaiPilot 团队开源的 40B 大语言模型，具备“自动思考”机制，可动态切换链式思维与直接回答模式，显著降低推理浪费，适合 AI 工具使用者提升效率与响应速度。

Seed GR‑3 是字节跳动 Seed 团队发布的大规模视觉‑语言‑行动（VLA）模型，支持机器人长时任务、复杂物体操作与指令理解，适用于 AI 工具使用者与机器人应用场景。