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：开源
共 101 篇文章 · 清除标签
KAT-Coder-Pro V2.5 – 快手推出的 Agentic Coding 模型
KAT-Coder-Pro V2.5是快手KwaiKAT推出的旗舰级Agentic Coding模型，专注于长程工程能力与通用Agentic能力。通过自研AutoBuilder将真实仓库环境构建成功率从16.5%提升至57.2%，沉淀超10万个可运行仓库；并建设KwaiClawEnv通用Agentic训练体系，结合多框架强化学习与MOPD多专家融合技术。模型在SWE-Bench Pro取得65.2...
LingBot-VLA 2.0 – 蚂蚁灵波开源的一代具身智能基座模型
LingBot-VLA 2.0是蚂蚁灵波科技（Robbyant）开源的新一代具身智能基座模型，基于6万小时大规模预训练数据（含5万小时真机操作和1万小时人类操作视频），覆盖17个品牌20种机器人构型，支持单臂/双臂、双足/轮式及头部、腰部、底盘等多自由度控制。模型采用稀疏MoE架构（1.6B总参数，0.6B激活参数）与统一动作空间表示，在GM-100双臂评测和长程移动操作任务中均超越π0.5与GR...
SensorFM – 谷歌推出面向可穿戴健康数据的通用基础模型
SensorFM是Google Research推出的大型传感器基础模型，专门面向可穿戴健康数据。该模型基于500万参与者、超过1万亿分钟的无标签多模态传感器数据进行预训练，学习通用的生理表征，能够迁移至心血管、代谢、睡眠、心理健康等六大类共35个健康预测任务。它具备缺失数据填充和标签高效适应能力，可作为个人健康代理的底层基础工具，提升健康回答的上下文感知和安全性。
Robostral Navigate – Mistral AI 推出的具身智能导航模型
Robostral Navigate 是 Mistral AI 推出的首个具身智能导航模型，其核心创新在于仅依赖一个普通RGB摄像头即可让机器人在复杂环境中实现自主导航。该模型参数规模为8B，在R2R-CE基准测试的未知环境上达到了76.6%的成功率，这一成绩甚至超越了依赖激光雷达、深度传感器等多传感器方案的竞品。模型通过“指向”机制预测目标位置，并结合强化学习持续优化自身行为，展现出对轮式、足式...
LingBot-Video – 蚂蚁灵波开源面向具身智能的视频模型
LingBot-Video 是蚂蚁灵波科技（Robbyant）开源的全球首个面向具身智能的混合专家（MoE）视频生成基础模型。该模型基于 DiT + Sparse MoE 架构，总参数量达 30B 但推理时仅激活约 3B 参数，在保持大容量知识储备的同时实现了约 3 倍的推理加速。模型整合了 7 万小时的互联网视频与机器人专用数据，通过多维强化学习奖励机制对齐物理合理性与任务完成度，在 RBenc...
Seedream 5.0 Pro – 字节跳动推出的多模态图像创作模型
Seedream 5.0 Pro 是字节跳动 Seed 团队推出的多模态图像创作模型，专为复杂专业场景设计。该模型在图文匹配、文字渲染与画面美感上实现全面升级，核心突破涵盖复杂信息可视化、交互式精准编辑、真实影像质感还原及原生多语种生成，旨在为专业设计师、内容创作者及企业用户提供从概念到成品的高效图像创作解决方案。
Grok 4.5 – SpaceXAI推出的一代旗舰大语言模型
Grok 4.5是由SpaceXAI（原xAI）推出的新一代旗舰大语言模型，基于1.5万亿参数的V9基础架构构建。该模型在补充训练阶段深度整合了Cursor编程数据，显著强化了代码生成与软件工程能力，被马斯克定位为Opus 4.7级别模型，主打更快推理速度、更高token效率与更低使用成本。在第三方评测中，Grok 4.5于GDPval-AA v2基准排名全球第四，目前已面向公众开放使用。
GPT-Live – OpenAI 推出的一代语音模型
GPT-Live 是 OpenAI 推出的新一代语音模型，采用全双工音频原生架构，实现了真正意义上的“同时听说”交互。该模型每秒可进行多次交互决策，包括开口说话、继续倾听、暂停等待、自然插话或调用工具，彻底颠覆了传统轮次式语音交互范式。GPT-Live 创新性地将实时语音交互与深度认知任务解耦，前台专责维持对话流畅性，当遇到需要搜索、多步推理或 Agent 执行的复杂问题时，自动将任务委托给后台 ...
悟界·RoboBrain Orca – 智源推出的多模态表征世界模型
悟界·RoboBrain Orca 是北京智源人工智能研究院（BAAI）推出的多模态表征世界模型，突破传统“下一个词/帧/动作”预测范式，转而采用“下一个状态预测”（Next-State Prediction），使 AI 在内部构建统一的世界潜在表征。模型基于 12.5 万小时视频与 1.6 亿条事件标注数据，通过无意识学习捕捉自然状态转移、有意识学习建模语义因果，将多模态世界信号压缩至统一潜空间...
Nemotron-Labs-Diffusion – 英伟达开源的三模式语言模型
Nemotron-Labs-Diffusion 是 NVIDIA 推出的三模式语言模型系列，在单一架构内统一了自回归（AR）、扩散（Diffusion）和自我推测解码（Self-Speculative Decoding）。通过联合 AR-扩散目标训练，模型可在不同并发场景下动态切换解码模式，保持高吞吐量。该系列包含 3B、8B、14B 参数的基础、指令和视觉语言模型变体，在准确率和速度上均超越现有...
