AI 模型库：大模型、Agent 与开发工具
收录并解读主流 AI 模型、Agent 与开发工具的能力、场景与选型对比。
标签：多模态
共 194 篇文章 · 清除标签
Kimi K3.1 Pro 深度评测：月之暗面旗舰模型的技术突破与生态布局
Kimi K3.1 Pro 是月之暗面推出的 K3.1 系列首个旗舰模型，定位为迄今最强的 3 万亿参数级开放权重模型，原生支持 100 万 token 上下文窗口。作为 K3 的后训练版本，该模型在代码开发、3D 创作、金融研究和长程 Agent 能力上实现显著跃升，Terminal-Bench 4.0 得分 65.7% 超越 GPT-6 Astra，金融基准 OfficeQA Pro v2 以...
星火X2.6：科大讯飞端云一体基座大模型的国产化突围与产业落地
星火X2.6（Spark-X2.6）是科大讯飞推出的端云一体基座大模型，基于全国产算力完成从训练到推理的完整闭环，是国产AI在安全性与性价比层面的关键布局。云端293-A30B版本支持百万token级超长上下文，输入价格仅为0.9元/百万tokens，显著低于DeepSeek-V4.1-Flash；端侧星火X2.6-4B已全面开源，在办公文档处理、工具协同等智能体任务上表现突出。系统依据任务难度与...
Ming-3.0：蚂蚁百灵开源全链路语音模型家族深度评测
Ming-3.0是蚂蚁集团百灵大模型团队开源的全链路语音系列模型，围绕语音合成（TTS）、音频理解与对话（Audio）、语音识别（ASR）三类核心任务推出五款模型。该系列以"合成+理解+识别"一体化能力覆盖语音应用全流程，其中TTS系列支持独创的"导演模式"精细控制情绪、节奏与重音，Audio系列可端到端理解长录音并结构化输出，ASR系列支持热词注入与方言识别。模型已落地支付宝、阿福APP等蚂蚁内...
FLUX 3 Max – fal 与 Black Forest Labs 推出的视频生成模型深度评测
FLUX 3 Max 是由 fal Research 与 Black Forest Labs 联合推出的后训练视频生成模型，基于 BFL 自研的 FLUX 3 多模态基础模型，支持文生视频、图生视频与关键帧插值三种工作流，可生成 5–20 秒、最高 1080p 分辨率且自带原生音频的视频内容。该模型主打极致推理速度与成本效率，10 秒成片约 12 秒完成生成，官方宣称在同画质条件下比 Seedan...
EdenLive – VAST 推出的实时生成式渲染器，重构世界模型渲染范式
EdenLive 是 VAST 推出的实时生成式渲染器，也是其世界模型项目 Project Eden 的阶段性成果。该工具以 Proxy 简化画面或参考视频为控制信号，结合目标首帧与文本提示词，持续实时生成写实或风格化画面，在单张 RTX 5090 上即可实现 720P、24FPS 以上的输出，端到端延迟仅百毫秒量级。其核心设计在于将世界状态维护与视觉渲染解耦，使视频模型不再承担隐式状态推断，从而...
BlenderWorld – Qwen 开源的 3D 创作 Agent 评测基准
BlenderWorld 是 Qwen 团队联合浙江大学、香港中文大学、复旦大学及新加坡国立大学共同推出的 3D 创作 Agent 评测基准，包含 223 项真实制作任务，用于检验 AI 系统能否根据照片、视频或设计规格，在 Blender 环境中交付可编辑的 3D 工程文件。该基准通过多视角渲染与原生工程结构检查的双轨评审机制，以 2,651 条验收标准综合衡量需求完成度与视觉质量。实测 13 ...
MiDashengLM-Spatial – 小米开源的空间音频理解大模型
MiDashengLM-Spatial是小米Dasheng团队开源的空间音频理解大模型，业界首个在单一架构内统一通用音频理解与空间感知的端到端模型。该模型以MiDashengLM-7B为基座，通过新增Spatial-Dasheng空间音频编码器和层级语义到空间条件模块（HSSC），实现了声源方位感知、运动轨迹追踪以及多声源时空关系推理等能力，并支持重叠声源逐帧定位。配套数据方面，模型使用100万个...
Muse Spark Open – Meta 开源的多模态大模型深度评测
Muse Spark Open是Meta最新开源的多模态大模型，采用稀疏混合专家（MoE）架构，总参数规模达8160亿，单次推理仅激活420亿参数，支持100万Token的超长上下文窗口，能够原生处理文本、图像、视频和音频四种模态的输入。该模型主攻编程与Agent任务，基于MLX框架优化后可在两台M5 Ultra Mac Studio上本地完整运行，将大规模Agent工作流从云端带入桌面端。模型权...
MiniCPM-V 4.7 评测：端侧 MoE 多模态大模型的开源里程碑
MiniCPM-V 4.7 是面壁智能联合 OpenBMB 社区开源的端侧多模态大模型系列，包含 35B-A3B（MoE 架构）与 1B 两个版本。旗舰版 35B-A3B 是全球首个可在手机端无损流畅运行的开源 MoE 多模态模型，通过前瞻专家调度（LES）技术，仅需约 3GB 内存即可在 iPhone 上实现 13+ tokens/s 的实时生成速度，并在 34 项权威基准测试中全面领先同档位模...
PixelUMM深度评测：NVIDIA与滑铁卢大学联合打造的无编码器统一多模态模型
PixelUMM是NVIDIA与滑铁卢大学联合推出的无编码器统一多模态模型，其核心创新在于彻底移除传统多模态系统中的VAE和视觉编码器，构建了一个纯粹的Decoder-only Transformer架构，直接在原始像素空间读写图像与视频。该模型将图像按16×16 patch、视频按4帧tubelet切分，理解和生成任务共享同一解码器与自注意力机制，实现了端到端的像素级信息处理，代码已全面开源。
