大模型

Kwai Keye‑VL 是快手推出的 8 B 参数多模态大语言模型，聚焦动态短视频理解与视觉推理，支持图文与视频输入。本文深入分析其架构、性能、使用指南与 FAQ，助 AI 用户快速掌握。

AlphaGenome 是 Google DeepMind 推出的革命性 AI 基因组模型，可处理高达一百万碱基对的 DNA 序列，在单碱基分辨率下预测上千种分子功能特征，并通过对比分析突变效应助力疾病与生物学研究，将“基因暗物质”转化为可解释信息。

Seed1.6 是字节跳动火山引擎最新推出的多模态大模型系列，支持256K超长上下文、多模态理解、深度思考与 GUI 操作，拥有“全能版”、“思考版”与“极速版”等多种配置，性能、响应速度和成本都实现显著突破。

AnimaTensor 是一个专为动漫风格设计的开源 SDXL 模型，由 Animagine XL 4.0-Zero 微调而成，训练于 840 万张 Danbooru 图像，支持 V‑prediction、Zero-terminal SNR 和高分辨率生成，适合内容创作者快速制作高质量动漫艺术作品。

Gemini Robotics On‑Device 是 Google DeepMind 推出的本地运行 VLA（Vision‑Language‑Action）机器人模型，具备高通用性、高灵活性和低延迟响应，能在无互联网环境中执行复杂操作任务，并通过 SDK 支持快速定制化与开发者部署。

万兴天幕（Wondershare Tomoviee）是万兴科技最新一代音视频多媒体大模型 2.0，由万兴与华为云联合打造，具备视频、图像、音频生成能力，通过天天幕创作广场和 API 引擎，为 AI 工具使用者和开发者提供一站式创作方案。

子曰3（Confucius3‑Math）是网易有道开源的 14B 数学大模型，专注 K‑12 教育，具备高考题 98.5 分实力，可在 RTX 4090 D 单卡上运行，服务成本仅 0.15 美元／百万 tokens，性价比极高。

Mu 是微软推出的 330M 参数小型语言模型，专为 Copilot+ PC 上的 NPU 本地运行优化，驱动 Windows 设置中的 AI Agent，支持自然语言控制系统设置。超快速响应（<500 ms）、绝对隐私、无需云端，是面向 AI 工具用户的轻量化 AI 交互解决方案。

Confucius3-Math 是由网易有道开源的 14B 参数数学专用大模型，通过强化学习优化，支持在消费级 GPU 上高性能推理，在高考、K‑12 等多项数学基准中排名领先，是教育 AI 工具开发者的首选模型。

Ring-lite 是 InclusionAI 开源的轻量级 MoE 大语言模型（16.8B 参数、2.75B 激活参数），通过 C3PO 强化学习优化跨领域推理性能，高效对标甚至超过主流小体量推理模型。

MindOmni 是腾讯 ARC Lab 推出的统一多模态大语言模型，通过三阶段训练与 RGPO 强化学习，支持图像理解、推理生成与图像编辑，展现出色的数学与视觉推理能力，是面向 AI 工具使用者的开源实用助手。

盘古大模型 5.5 是华为最新一代大模型系列，包括 Ultra MoE（7180 亿参数）与 Pro MoE（72B 参数）两大版本，搭配快慢思考策略、高效长序列推理和多模态能力，已在智能驾驶、科研与行业落地等场景中展现卓越性能，适合 AI 工具使用者深入探索与应用。

OneRec 是一款端到端生成式推荐模型，通过统一检索与排序流程、会话级生成和迭代偏好对齐，显著提升视频推荐质量并已在快手(Kuaishou)平台上线，助力 AI 工具使用者深入理解前沿推荐系统技术。

SongGeneration 是腾讯AILab开发的开源歌曲生成模型，基于 LeVo 架构与音乐编码器，可从歌词、风格描述与参考音频中并行生成和谐的“人声+伴奏”歌曲，支持中文与英文，适合 AI 工具使用者快速落地音乐创作。

Skywork‑SWE‑32B 是 Skywork AI 发布的开源代码代理模型，专为软件工程任务优化，具备 38% pass@1 基础准确率，测试时增强可提升到 47%，支持 32K 上下文和多种量化格式，适合 AI 工具使用者和开发者快速集成。

Midjourney V1 是 Midjourney 推出的首个 AI 图像到视频生成模型，支持 5–21 秒动画短片，提供自动或手动动画模式，是创意视频制作与社交内容生成的新工具。

Hailuo 02 是 MiniMax 推出的最新 AI 视频生成模型，支持文本和图像转视频，具备 768p、10 秒时长选项，具备物理仿真、摄像机控制、高成本效能比，超越 Google Veo 3，适合创作者与开发者使用。

Kimi‑Dev 是 MoonshotAI 推出的开源 编码 LLM，采用强化学习方案 BugFixer 与 TestWriter 双模架构，支持自动补丁生成、测试编写，SWE‑bench 验证准确率达 60.4%，适合开发者和研究者部署使用。

DreamActor-H1 是首款高保真人-商品演示视频生成模型，采用 Diffusion Transformer、3D 姿态引导与语义增强技术，在电商中实现真实手势交互与产品呈现。

MiniMax‑M1 是全球首个开放参数混合注意力大模型，拥有 4.56 e11 参数、1 百万 token 上下文长度和高效强化学习训练机制，擅长数学、编程、长上下文理解和复杂推理任务。

Seaweed APT2 是 ByteDance 最新推出的实时交互式视频生成模型，采用 自回归对抗后训练（AAPT） 技术，实现单 GPU 24 fps、长视频流式生成，支持虚拟人物与世界漫游互动。

Hunyuan3D‑2.1 是腾讯发布的开源工业级 3D 生成系统，支持高保真 PBR 材质与自动化纹理合成。适合游戏、影视、工业设计等应用场景，为开发者提供模型权重、训练代码与部署方案。

一种高效的 视频生成模型，具备单步或少步推理能力，通过一致性蒸馏和 speculative 抽样策略，实现近 30 FPS 的实时视频生成，为交互式视频与流媒体应用带来新机遇。

一款领先的 单步视频修复模型，通过自适应窗口注意力与对抗后训练，仅用一次推理即可高质量恢复真实场景下的高清视频，兼容高分辨率（如 1080p、2K），实现高效视觉增强。

Play AI 公司推出的开源音频编辑模型，基于先进的扩散模型（diffusion model）构建，专注于提供高效的音频精细编辑与修复功能。

星火大模型推出的一款AI Agent开发工具。

Meta 最新推出的 世界大模型，基于视频训练世界模型，实现机器理解、预测与计划，支持视频内物理推理、零样本机器人控制，推动 AI 向高级机器智能迈进。

字节跳动火山引擎推出的首款 多模态深度思考大模型，支持256K超长上下文、自适应思考、图形界面操作、低成本区间定价。本文详解功能亮点、使用场景、技术原理、常见问题与优化建议，帮助 AI 工具使用者全面掌握豆包1.6 的潜力与落地策略。

字节跳动旗下火山引擎推出的旗舰 视频生成基础模型，支持图像转视频、文本转视频，具备多镜头无缝拼接、影视级运镜和高语义理解能力。本文深度剖析 Seedance 1.0 的功能、使用指南、技术亮点与应用场景，并配常见问题 FAQ，助力 AI 工具用户掌握这款创新模型。

一款强大的 AI图像生成模型，以卓越的图像清晰度、超快实时渲染和风格可训练性为特色。本文深入探讨 Krea 1 的功能、使用方法、技术优势和典型应用场景，并附详尽常见问题解答，助力 AI 工具爱好者快速上手与使用。

Magistral —— Mistral AI 发布的首款 推理模型（reasoning model） 系列，支持推理能力更强、支持多语言、可链式思考。

o3‑pro——OpenAI 最新高端 推理大模型，具备超强逻辑思维能力、工具调用能力与行业基准测试优势，适用于编码、科研、教育等专业场景。

PartCrafter ——首个支持从单张 RGB 图像生成结构化 3D 模型 的 AI 工具。

SmolVLA ——一款革命性的轻量级视觉-语言-行动（VLA）模型，仅 450M 参数，适合常规硬件训练与部署。

一个由学者提出、面向大型语言模型（LLM）的时序推理框架，通过强化学习精炼生成的小模型（≈3 B 参数），具备对“历史时间理解”、“未来事件预测”及“创造性时间想象”的能力，推理性能优于体量大 200 倍以上的模型。

华中科技大学与金山办公联合推出的一款高效文档解析AI模型，专门用于将非结构化文档（如PDF、图像）准确转化为结构化信息（文本、表格、公式等）。

小红书（RedNote）的 Humane Intelligence Lab（hi lab）开源发布的一款大型稀疏专家（MoE）语言模型。

MiniCPM 4.0 是一款以“轻量却强劲、速度远超竞品”为特点的端侧 LLM，适合在设备端部署 AI agent、聊天系统、报告生成等任务。

由 ElevenLabs 于 2025 年 6 月推出的最新文本转语音（TTS）模型的 Alpha 版本。

阿里云通义千问团队于 2025 年 6 月发布的开源文本重排序（Reranking）模型，作为 Qwen3 Embedding 系列的一部分。

阿里云通义千问团队于 2025 年 6 月推出的全新文本嵌入与重排序模型系列，专为文本表征、信息检索和排序任务设计。

Fish Audio 推出的新一代文本转语音（TTS）模型，旨在生成高度自然、富有情感的语音输出。

阿里巴巴通义实验室开发的空间音频生成模型，能够直接从 360° 视频生成空间音频，为虚拟现实和沉浸式娱乐带来了全新的可能性。

Kwaipilot 团队开源的大型语言模型，旨在实现根据问题复杂度自动调节思考深度的能力。

银河通用于 2025 年 6 月发布的全球首个产品级端到端具身导航大模型（FSD）。该模型具备纯视觉环境感知、语言指令驱动、自主推理和零样本泛化能力，能实现从视觉感知到动作输出的全链路闭环。

从容大模型 是由云从科技（孵化自中科院自动化所）研发的国产通用多模态大语言模型（LLM），支持文本、图像、语音等多模态输入，具备强大的理解、生成与推理能力。

Google DeepMind 于 2025 年 5 月推出的一款先进的 AI 手语翻译模型，旨在打破听障人士在沟通中的障碍。

小米公司于 2025 年 5 月开源发布的一款多模态大模型，具备强大的视觉、语言和交互推理能力。