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
Qwen-Robot Suite – 阿里通义推出的物理世界基础模型套件
Qwen-Robot Suite 是阿里通义实验室推出的面向物理世界智能的基础模型套件，由 Qwen-RobotNav（导航）、Qwen-RobotManip（操作）与 Qwen-RobotWorld（世界模型）三大核心模型组成。该套件通过语言优先接口将视觉语言表示空间桥接至物理动作空间，实现跨本体、跨场景的统一训练与推理，使通用大模型能作为上层规划器，动态调用底层物理工具完成长程任务闭环。这一架...
Seedance 2.0 Mini – 字节跳动推出的轻量化视频生成模型
Seedance 2.0 Mini 是字节跳动火山引擎推出的一款高性价比轻量化视频生成模型，旨在以更低的计算成本和更快的生成速度满足短视频批量生产、营销素材迭代及项目前期草稿等高频需求。该模型在保留核心多模态参考生成能力的前提下，将生成成本较标准版降低约50%，生成速度达到 Seedance 2.0 Fast 的2倍，10秒视频实测约2分钟即可完成。基于双分支并行生成架构、统一多模态联合训练以及知...
EvoQuality – 字节跳动开源的图像质量评估模型
EvoQuality是字节跳动与香港城市大学联合推出的自进化视觉语言模型框架，专注于无参考图像质量评估领域。该模型基于Qwen2.5-VL-7B构建，核心创新在于完全无需人工标注的质量分数或失真标签，通过模型自身的成对比较与多数投票机制生成伪排名标签，再借助GRPO强化学习算法实现多轮迭代自进化。这一技术路线打破了传统IQA模型对大规模人工标注数据的依赖，为图像质量评估领域提供了一种低成本、高性能...
Kimi K2.7 Code – 月之暗面开源的一代编程专用模型
Kimi K2.7 Code是由月之暗面（Moonshot AI）开源的新一代编程专用大语言模型，基于K2系列架构进行深度优化。该模型在长上下文编程场景下实现了指令遵循能力和长程任务性能的显著跃升，同时通过改善过度思考倾向将平均token消耗降低30%。在Kimi Code Bench v2、Program-Bench、MLS Bench Lite等内外部基准测试中，性能分别提升21.8%、11%...
HPC-Ops – 腾讯混元开源的工业级高性能大模型推理算子库
HPC-Ops是腾讯混元AI Infra团队开源的一款工业级高性能大模型推理算子库，专为应对生产环境中大规模、高并发的推理负载而设计。它并非单一的算子优化，而是覆盖了从Attention、MoE、GEMM到通信融合与采样的完整推理链路，通过深度软硬件协同设计，实现了端到端的性能飞跃。基于NVIDIA H20等SM90架构GPU，HPC-Ops通过动态调度与算子融合技术，将端到端的QPM（每秒查询量...
Hojo-ASR-V1 – Hojo 开源的自动语音识别模型
Hojo-ASR-V1 是由初创团队 Hojo 开源的自动语音识别模型，采用“Whisper 特征提取 + Qwen3-Omni 音频编码 + Conformer 适配 + Qwen3-4B 语言模型解码”的四阶段混合架构。该模型在 LibriSpeech Clean 数据集上词错误率（WER）仅为 1.74%，GigaSpeech 上达到 7.6%，VoxPopuli 上为 7.02%，性能已逼...
MiMo Code – 小米开源的终端 AI 编程助手
MiMo Code 是小米大模型团队基于 OpenCode 框架，采用 MIT 协议开源的新一代终端 AI 编程助手。该工具内置限时免费的 MiMo-V2.5 模型，通过独创的持久记忆系统、Compose 全流程模式以及 Dream 记忆沉淀机制，在 SWE-Bench 和 Terminal Bench 等真实编程测试中表现优于 Claude Code。全面中文汉化、支持语音输入和第三方模型接入的...
SpaceMind – 科大讯飞推出的智慧空间Agentic架构
SpaceMind是科大讯飞推出的智慧空间Agentic架构，它将传统智能家居空间升级为具备感知、理解、记忆、决策与执行能力的L2.5阶段主动智能体。该系统采用毫米波雷达实现隐私感知，并创新性地引入双路由解耦架构，实现了700毫秒内的设备响应与复杂推理分离。通过本地语义模型与云端大模型的协同，SpaceMind能够基于人的位置、状态和习惯主动提供个性化服务，而非被动等待指令。目前，该架构已在中东、...
Gemini 3.5 Live Translate – 谷歌推出的最实时翻译模型
Gemini 3.5 Live Translate 是 Google 推出的最新实时语音翻译模型，基于端到端流式架构实现 70+ 种语言的近实时语音到语音翻译。该模型能够连续生成翻译语音，仅延迟数秒，同时保留说话者的语调、节奏和音高特征，输出结果更接近真人对话而非机械朗读。模型通过 Gemini Live API 和 Google AI Studio 向开发者开放预览，并已在 Google Mee...
ABot-Earth 0.5 – 高德推出的全球首个3D原生城市世界模型
ABot-Earth 0.5是阿里巴巴集团旗下高德地图推出的全球首个3D原生城市世界模型，定位为自动化3D城市工厂。用户只需输入单张卫星图像或一段文字描述，系统即可在消费级GPU上于10分钟内生成公里级高精度3D城市场景，输出可编辑的3D Gaussian Splatting（3DGS）格式素材，可直接导入Unity、Unreal Engine等主流引擎使用。这一突破性技术将传统需要数天甚至数周的...
