大模型

MOSS‑TTSD 是 OpenMOSS 推出的开源中英双语对话语音合成模型，通过低比特率编码器与 Qwen3 架构支持零样本多说话人克隆和超长对话生成，适合 AI 工具使用者打造自然 expressive 会话播客、访谈等语音应用。

混元‑A13B 是腾讯混元团队开源的首个 13B 激活参数 MoE 混合推理模型，提供高效推理、超长上下文（256K tokens）、Agent 工具调用能力和推理模式切换。本文全面解析其架构、性能、部署优化、应用场景和 FAQ，帮助 AI 用户快速理解与落地。

Step‑Audio‑AQAA 是 StepFun 出品的一款端到端大规模音频–语言模型，支持音频问答任务，从原始音频直接生成自然语音回答，具备情感、语速、方言控制，高保真响应，非常适合 AI 工具使用者构建交互式音频智能系统。

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。

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。

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。

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。

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。

Ovis‑U1 是阿里巴巴 AIDC‑AI 推出的 30 亿参数统一多模态模型，集图像理解、文本生成、图像生成与编辑能力于一体，适合 AI 工具使用者快速构建多功能视觉交互应用。

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。

DeepSeek R1T2 Chimera 是 TNG Technology Consulting 基于 Assembly‑of‑Experts 方法打造的 Tri‑Mind 混合型 LLM，兼顾高推理能力、低延迟与开放开源，适合 AI 工具使用者在本地部署高效问答与生成任务。

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。

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

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。

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。

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。

Grok 4 是 xAI 推出的最新大语言模型，具备实时网络搜索、原生工具调用、多 Agent 推理与多模态能力，适合开发者与 AI 工具使用者用于复杂推理与多场景部署。

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。

Goedel‑Prover‑V2 是一款开源自动化定理证明模型系列，通过专家迭代、自我修正与模型平均三项创新，实现 8B 和 32B 版本在自动形式化证明任务中的全新 SOTA，适合 AI 工具使用者用于数学推理和 Agent 集成。

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。

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。

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。

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。

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。

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。

告别千篇一律！

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。

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。

Seedance 2.0 是基于先进 AI 视频生成模型的工具，支持从文本或静态图像生成多镜头叙事视频。该工具可自动维护视觉一致性、理解复杂场景并输出高质量 1080p 视频，适用于营销、教育、社交媒体内容、叙事片段和影视预可视化等多种场景。

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。

一款由 StepFun 团队开源的 端到端深度研究智能体 AI 模型。

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。

XVerse 是字节跳动发布的开源多主体图像生成模型，基于 DiT 调制实现对多个人物身份和语义属性（姿态、风格、光照）的独立控制，适合 AI 工具使用者生成复杂定制化场景。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

美团 LongCat 团队开源的音频驱动长视频角色动画生成模型。

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。

微软发布的开源 图像到 3D 生成 AI 模型。

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。

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。

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。

GLM-5 是 Zhipu AI（Z.ai）发布的第五代大型语言模型，采用 Mixture-of-Experts 架构与 DeepSeek 稀疏注意力机制，支持高达 200K Token 的长上下文容量，具备先进的推理、编码、智能体任务及复杂逻辑处理能力，定位于开放源代码旗舰基础模型。