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。
最新文章
共 583 篇文章
HiDream-O1-Image-Pro – 智象未来推出的旗舰级图像模型
HiDream-O1-Image-Pro是智象未来（HiDream.ai）推出的基于原生全模态架构UiT（Unified Transformer）的旗舰级图像生成模型，参数规模超过200B，在文生图、高保真文字渲染、指令图像编辑和多主体个性化等核心任务上全面刷新了SOTA（State-of-the-Art）水平。该模型将原始图像像素、离散文本标记与多任务条件统一映射到连续共享标记空间，实现了底层表...
Lance – 字节跳动开源的轻量级原生统一多模态模型
Lance是字节跳动智能创作团队开源的一款轻量级原生统一多模态模型，仅需3B激活参数即可在单一框架内同时支持图像与视频的理解、生成与编辑全链路任务。该模型采用分阶段多任务方案从零训练，整个训练周期仅消耗128张A100 GPU，显著降低了大规模多模态模型的研发门槛。在GenEval、VBench等多项权威基准测试中，Lance的表现优于或持平于参数量数倍于己的开源模型，并遵循Apache-2.0开...
Gemini Omni Flash – 谷歌推出的多模态视频生成模型
Gemini Omni Flash 是谷歌在 I/O 大会上推出的统一多模态世界生成模型，其核心定位是打破传统生成模型的模态壁垒，实现从任意输入到任意输出的全链路内容生成。该模型将 Gemini 强大的推理引擎与 Veo 视频生成、Nano Banana 图像生成、Genie 交互模拟能力深度融合，构建了一个能够理解并模拟物理世界规则的多模态生成框架。其独特之处在于不仅支持文本、图像、视频、音频的...
Qwen3.7-Max – 阿里通义推出的一代旗舰大模型
Qwen3.7-Max是阿里通义千问团队推出的面向智能体时代的新一代旗舰大模型，定位为全能智能体基座。该模型围绕前沿编程、办公自动化、长周期自主执行与跨框架泛化四大核心能力进行深度优化，在SWE-Pro、MCP-Atlas、GPQA Diamond等数十项编程、智能体与推理基准上取得领先成绩，并原生适配Claude Code、OpenClaw、Qwen Code等主流智能体框架，标志着国产大模型在...
Qwen3.5-LiveTranslate – 阿里通义推出的实时同声传译模型
Qwen3.5-LiveTranslate是阿里通义团队推出的新一代实时同声传译大模型，它打破了传统级联式翻译系统的延迟天花板。通过创新的“流式可读单元”架构，该模型将端到端字均延迟压缩至惊人的2.8秒，接近人类专业同传水平。它并非简单的翻译工具，而是一个集语音识别、机器翻译与语音合成于一体的端到端多模态AI系统，支持60种语种输入、29种语种输出，并拥有超过3500种翻译组合，专为跨境会议、直播...
Chronicles-OCR – 腾讯联合高校等推出的视觉感知评测基准
Chronicles-OCR 是腾讯混元联合中国科学院信息工程研究所、安阳师范学院、南开大学及故宫博物院共同推出的业界首个覆盖中国汉字“七体之变”完整演化轨迹的跨时间视觉感知评测基准。该基准包含 2,800 张高质量图像，系统涵盖甲骨文、金文、篆书、隶书、楷书、行书、草书七大字体，通过阶段自适应标注范式与四大评测任务，系统评估视觉大语言模型在面对数千年汉字形态持续演变时的感知鲁棒性与泛化能力。
ESP-Claw – 乐鑫开源的物联网设备 AI Agent 框架
ESP-Claw 是乐鑫科技推出的面向物联网设备的 AI Agent 框架，采用“Chat Coding”理念，允许用户通过自然语言对话定义和修改硬件设备行为。该框架基于 OpenClaw 概念，用 C 语言重新实现，专为资源受限的 ESP32 系列芯片进行深度优化。它将传统需要云端协同的 Agent 能力下沉到端侧，在本地完成从环境感知、智能决策到设备执行的完整闭环，使低成本物联网芯片具备自主决...
Qwen3.7 Preview – 阿里通义推出的下一代旗舰大模型预览版
Qwen3.7 Preview 是阿里通义千问团队推出的下一代旗舰大模型预览版，包含 Qwen3.7-Max-Preview 和 Qwen3.7-Plus-Preview 两个版本，分别瞄准极致复杂推理与均衡体验两大方向。该模型在智能体编程、世界知识和指令遵循方面实现显著提升，在 LMSYS Chatbot Arena 榜单中助力阿里跃升至文本领域第 6、视觉领域第 5，标志着国产大模型在国际主流...
Composer 2.5 – Cursor 推出的自研 Agentic 编程模型
Composer 2.5 是 Cursor 推出的自研 Agentic 编程模型，在智能水平和行为表现上较 Composer 2 有大幅提升。在 SWE-Bench Multilingual（79.8%）和 CursorBench v3.1（63.2%）等核心基准上与 Claude Opus 4.7、GPT-5.5 处于同一梯队，但单次任务成本仅为竞品的约 1/10，被称为“性价比之王”。模型基于...
Higgs Avatar v1 – 面向语音智能体的实时 AI 数字人模型
Higgs Avatar v1 是由 BosonAI（李沐创办）推出的面向语音智能体的实时 AI 数字人模型，仅需一张静态照片即可生成具备口型同步、面部表情与头部动作的实时交互数字人。模型单帧渲染仅需 16 毫秒，远低于 62.5 毫秒的实时对话阈值，单张 H100 GPU 可并发支持 8 路独立实时对话，与自研 Higgs Audio 语音模型实现端到端协同，适用于客服、销售、培训等企业级交互场...
