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
TeleOCR – 中国电信星辰实验室开源的文档解析模型深度评测
TeleOCR 是中国电信星辰实验室开源的文档解析模型，采用约 1.2B 参数的轻量级视觉语言架构，在单一框架内统一处理数字文档与相机拍摄文档，可将文字、版面、表格、公式和科学图表解析为 Markdown、JSON 等结构化结果。该模型在 OmniDocBench v1.6 榜单中登顶，同时获得 PureDocBench 榜首和 ICDAR-2026 科学图解析挑战赛冠军，支持本地 GPU 部署，...
Ming-Image-0.1-Design：蚂蚁开源6B图像生成模型，端到端重构设计工作流
Ming-Image-0.1-Design是蚂蚁集团InclusionAI开源的一款6B参数图像生成模型，专注设计场景，支持8K长结构化提示词，能端到端生成UI、信息图、海报等完整视觉设计。配合同步开源的Design-Layer模型，该工具可将设计图拆解为2—9个可独立编辑的透明图层，实现"生成—分层—编辑—交付"全流程。Ming-Image-0.1-Design登顶Artificial Anal...
Xiaomi MiMo-V2.6 – 小米开源的全模态模型系列
Xiaomi MiMo-V2.6是小米发布并开源的全模态模型系列，包含Pro和Flash两个原生全模态模型，以可验证复杂任务为核心的大规模Agentic强化学习为技术主线。该系列通过6天在线强化学习、约75万条交互轨迹的系统训练，显著提升了软件工程、代码生成、视觉理解与网络安全等多维度能力，并将能力边界扩展至3D游戏场景构建、Blender三维建模、机械臂具身控制、Computer Use自动化操...
Qwen-Image-2.1评测：7B轻量开源模型如何兼顾文生图、图像编辑与原生透明通道
Qwen-Image-2.1 是由阿里千问团队开源的新一代图像生成模型，其视觉生成部分仅含 7B 参数，却在官方评测中以 60.28 分的综合成绩登顶开源榜单，甚至超越 Nano Banana 2.0、GPT Image 1.5 等闭源商业模型。该模型将文生图与图像编辑整合于同一架构，原生支持透明图像（RGBA）的生成与编辑，最多可输入 10 张参考图完成多主体合成，并提供圈选、涂抹、掩码三种局部...
Qwen3.8-LiveTranslate评测：阿里通义推出的实时同声传译大模型
Qwen3.8-LiveTranslate是阿里通义千问团队推出的实时同声传译大模型，基于Interleave单流架构将音频与文本交织处理，字均延迟从2.8秒优化至2.3秒，支持60种语言识别与29种语言语音输出。模型采用Hybrid MoE的Thinker-Talker双模块设计，在翻译前完成说话人分离，并能够复刻原说话人音色生成译文语音，同时支持视频/图像输入辅助翻译消歧，实现原文与译文同帧同...
Step 5 Preview深度评测：600B稀疏MoE旗舰，百万Token上下文与1/8成本优势
Step 5 Preview是阶跃星辰（StepFun）推出的新一代旗舰基座模型，面向真实世界Agentic任务设计。该模型基于稀疏MoE架构，总参数达600B但每次推理仅激活27B参数，支持100万Token超长上下文窗口，并实现文本与视觉的原生多模态融合。在全球权威的Artificial Analysis Intelligence Index评测中，Step 5 Preview以44分位居开源...
MiniMax Code CLI 深度评测：MIT 开源终端智能体如何解锁企业级编码自动化
MiniMax Code CLI 是稀宇科技（MiniMax）推出的开源命令行 AI 编程工具，也是其客户端产品 MiniMax Code 的核心组件，自 v0.4.12 起以 MIT 协议开放全部第一方源码。该工具瞄准终端场景中的代码编辑、任务规划与自动验证，在 FrontierHarness Eval 评测中任务通过率达 76.7%，成功任务耗时中位数仅 4 分 33 秒，两项指标均优于公开基...
HappyOyster 1.0 — 阿里推出的实时生成式开放世界模型深度评测
HappyOyster 1.0是阿里巴巴ATH创新事业部推出的实时生成式开放世界模型系列，定位为世界模拟器范式下的新一代交互式生成模型。该系列包含Adventure与Directing两款模型，前者可基于文本或图像输入实时生成可自由探索的开放世界，支持实时移动、镜头控制与持续交互；后者可通过文本指令实时驱动角色、剧情与镜头演绎。模型已上架阿里云百炼平台，开发者无需邀测即可通过API直接调用，单次世...
Qwen3.8-Omni-Flash – 阿里千问推出的原生全模态模型
Qwen3.8-Omni-Flash是阿里千问推出的原生全模态模型，在单一架构内联合建模文本、图像、音频与视频四种模态，支持1M token超长上下文，使数小时音视频内容得以原生输入而无需分段处理。该模型以“从理解到交付”为核心设计理念，不仅具备跨模态理解能力，更可通过内置Agent能力自主完成视频剪辑、MV创作、短剧翻译、电影解说、会议纪要执行等端到端工作流。相比上代模型平均能力提升超过25%，...
Union Alpha – 神秘多模态大模型，限时免费不限量
Union Alpha是一个以“隐身”（stealth）模式发布的多模态大语言模型，近期上线于OpenRouter、Cline及OpenCode等主流AI服务平台。该模型支持文本与图像双模态输入，具备完整的工具调用（function calling）能力，拥有262,144 token的上下文窗口和131,072 token的最大输出长度，主要面向研究分析、代码生成与Agentic工作流等通用任务...
