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-VLA – 阿里通义推出的通用视觉-语言-动作模型
Qwen-VLA是通义实验室推出的通用视觉-语言-动作模型，以Qwen3.5-4B为视觉语言主干，搭配1.15B参数的DiT动作解码器。模型通过统一动作轨迹预测框架，将操作、导航、轨迹预测三大任务统一到同一模型；借助本体感知提示条件化，仅需修改文本描述即可适配11种机器人平台。模型在多项基准中超越专用模型，零样本动态操作成功率达26.6%，推动具身智能从技能专家走向通用行动者。
ControlFoley – 小米开源的可控视频音效生成模型
ControlFoley是由小米研究院开源的可控视频音效生成模型，旨在解决视频到音频（V2A）领域长期存在的可控性难题。该模型统一支持三类视频配音任务：文本引导配音（TV2A）、文本控制配音（TC-V2A）和参考音频控制配音（AC-V2A），通过自研的时空音视频编码器CAV-MAE-ST、时间-音色解耦机制与模态鲁棒训练策略，实现了语义对齐、时间同步与音质的全面提升。在VGGSound-Test、...
SenseNova-U1-8B-MoT-Infographic – 商汤科技开源的信息图增强模型
SenseNova-U1-8B-MoT-Infographic是商汤科技基于其统一架构SenseNova-U1-8B-MoT开发的开源信息图增强模型，参数规模为8B。该模型通过专项数据训练与强化学习（RL），在保持视觉理解能力不退化的情况下，显著提升高密度小字渲染精度、版式结构稳定性与图表数据正确性。它能够生成海报、图表、菜谱及arXiv风格学术论文页等复杂信息图，填补了开源社区在精准信息图生成领...
阿里云百炼 CLI – 阿里云开源的 AI Agent 命令行工具
阿里云百炼 CLI 是阿里云开源的 AI Agent 命令行工具，专为智能体（Agent）场景设计。开发者通过一行命令即可让 Agent 自动调用阿里云百炼平台上的 150+ 多模态模型、10+ 应用及知识库、记忆、联网搜索等全套能力。该工具原生兼容 Claude Code、Qoder、OpenClaw 等主流 Agent 框架，支持文本、图像、视频、语音等全模态任务调用与结构化输出，实现从单点模...
Step 3.7 Flash – 阶跃星辰开源的一代 Flash 模型
Step 3.7 Flash是阶跃星辰面向Agent生产化阶段推出的新一代开源Flash模型，采用稀疏MoE架构，在保持高推理速度（最高400 Tokens/s）的同时，显著降低了激活参数至11B。该模型围绕Agent、Coding、Search与多模态工作流进行了系统性的优化，旨在为开发者提供一个在速度、成本、可靠执行与复杂任务完成能力之间取得最佳平衡的生产级基座模型。其开源特性与生态兼容性，为...
Qwen-Image-Bench – 通义千问推出的文生图模型评测基准
Qwen-Image-Bench是通义千问团队（阿里巴巴）推出的一款专门用于文生图模型评测的标准化基准数据集，规模为1,000条精心设计的测试样本，覆盖中英双语提示词，采用Apache-2.0协议开源。该基准旨在为图像生成领域提供一套统一、可复现、多维度覆盖的评测框架，填补现有基准在中文场景覆盖不足的空白，帮助开发者和研究者客观、公正地对比不同文生图模型的实际生成能力，涵盖文本渲染、图像编辑、通用...
Claude Opus 4.8 – Anthropic 推出的旗舰级大语言模型
Claude Opus 4.8 是 Anthropic 推出的最新旗舰级大语言模型，在 Opus 4.7 的基础上实现了判断力、诚实性和长时独立工作能力的显著跃升。该模型在编程、智能体推理、多学科推理等六项核心基准测试中全面领先 GPT-5.5 和 Gemini 3.1 Pro，API 价格维持不变，极速模式成本降至前代的三分之一，成为当前 AI 领域最具竞争力的通用智能模型之一。
Fara1.5 – 微软推出的浏览器端 AI 智能体模型系列
Fara1.5是微软研究院AI Frontiers实验室推出的浏览器端AI智能体（CUA，Computer Use Agent）模型系列，包含4B、9B、27B三个参数版本。该系列模型基于Qwen3.5进行微调，采用纯像素级截图作为唯一输入，通过“观察—思考—行动”的循环机制，直接输出鼠标与键盘操作指令，从而实现对网页的自主控制。在Online-Mind2Web基准测试中，其27B版本的任务成功率...
Wall-OSS-0.5 – 自变量机器人开源的国产具身智能模型
Wall-OSS-0.5是由自变量机器人（X Square Robot）开源的国产具身智能模型，属于视觉-语言-动作（VLA）大模型范畴。模型以4B参数量（基于30亿参数的Qwen2.5-VL骨干网络）实现了无需任务微调即可在真实机器人上部署的“零样本”能力，通过创新的Gradient-Bridge协同训练方法，将动作能力无缝融入基础模型backbone，使机器人能直接执行搬运、分拣等17个真实任...
MAI-Image-2.5 – 微软推出的旗舰级文生图模型
MAI-Image-2.5是微软研究院推出的旗舰级文生图模型，作为MAI-Image系列的最强版本，它在Arena文生图排行榜上以1,254分的成绩跃升至第3名，较前代提升了72分，成功打破了Google DeepMind与OpenAI对前五名的长期垄断。该模型的核心突破在于重点增强了文字渲染与商业视觉能力，能够精准生成包含文字内容的海报、包装、标签等商业物料。同时，它在视觉推理、画面一致性和指令...
