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
Gemini 3.8 – 谷歌推出的推理与编码模型
Gemini 3.8是Google于2026年推出的新一代推理与编码模型，包含Flash与Flash Cyber两个版本。其中Gemini 3.8 Flash在保持与前代相同速度和低价的基础上，显著提升了软件工程、Agent任务及多步推理能力，在代码、金融、法律等基准测试中接近甚至超越更大参数量的前沿模型。Gemini 3.8 Flash Cyber则为专攻网络安全场景的版本，具备漏洞发现与自动补...
Easel – 浙大联合北大开源的 AI 社交媒体内容工作台
Easel是浙江大学与北京大学联合开源的AI社交媒体内容工作台，基于OpenClaw Agent框架构建。该平台以一个智能体打通社媒运营全链路，覆盖从热点发现、选题策划、内容创作到多平台发布与数据复盘的完整流程。通过账号画像持续记忆账号定位、风格与受众偏好，配合112个可执行Skill，平台能够随着使用不断优化输出质量，形成真正"会进化"的内容协作系统。项目采用Apache 2.0开源协议，代码托...
GPT-6 Astra 深度评测：OpenAI 旗舰大模型的 Agent 化跃迁
GPT-6 Astra 是 OpenAI 推出的旗舰级大模型，官方将其定位为「全球最智能、最符合人类意图的模型」。该模型突破了传统聊天机器人的交互边界，进化为一款能够独立操作软件、浏览网页并完成复杂任务的 AI Agent 系统。在 ARC-AGI-3 基准测试中得分达 99.9%，ExploitBench 测试中取得 100% 成绩，多项专业测试创下新纪录，覆盖编程、科研、网络安全等高要求领域的...
WeMM-Embedding：腾讯开源的通用多模态 Embedding 模型
腾讯微信视觉团队开源的 WeMM-Embedding，把文本、图像、视频统一编码进同一个向量空间。做内容检索、推荐召回或 Agent 记忆的团队可以直接用。它已经在微信视频号、公众号、朋友圈和电商里大规模部署，不是实验室项目。需要音频输入的场景目前不适合。
MiniMax H3 Max：fal 后训练的实时视频生成，快于实时，benchmark 缺失
H3 Max 已正式发布，是 MiniMax 与 fal.ai 联合推出的托管视频生成服务，其基座 H3 已开源。它适合要把视频生成接进内容生产流程的团队，以及想零门槛试用的个人用户；不适合把权重可控、评测可复现、本地部署当硬性要求的团队。
Zing-0.5 – Loopit 开源的实时交互视频世界模型
Zing-0.5是由Loopit团队开源的实时交互视频世界模型，参数量5B，基于Wan2.2-TI2V-5B基座训练，采用Apache 2.0协议。其核心能力是"联合控制"：键盘空间操作与自然语言语义改写两条链路共同进入Causal DiT，用户可一边操控角色移动，一边用文字改写正在发生的世界，新指令进入当前世界而非重置场景。单卡RTX 5090可超24 FPS实时生成，一分钟流式推理成本约6分钱...
Gemini Omni 1.1 Flash — 谷歌面向专业创作者的多档位 AI 视频生成模型
Gemini Omni 1.1 Flash 是谷歌推出的 AI 视频生成模型，面向开发者和专业创作者，支持从 360p 快速预览到 4K 超高清的多档位输出。模型具备场景续写、首尾帧指定、视频参考等精细控制能力，可基于已有画面无缝扩展至 40 秒，通过引入最长 3 秒的参考片段保持角色与场景一致性。模型采用按秒计费模式，360p 约 0.2 元/秒，4K 约 2 元/秒。
GLM-5.3-Flash – 智谱开源的原生多模态模型，即Ox Alpha
GLM-5.3-Flash（即Ox Alpha）是智谱AI最新推出的开源大模型，总参数320B（3200亿），激活参数仅18B（180亿），是GLM-5系列首个原生多模态模型。模型综合智能指数达57分，与Claude Opus 4.8持平，而定价仅为后者的四十分之一。采用稀疏与线性注意力混合架构及流形约束超连接技术，支持视觉编码、代码生成和专业文档处理，首次实现国产芯片集群大规模高效部署，端到端性...
Gemini 3.5 Transcribe 深度评测：谷歌新一代语音转文本模型的技术解析与应用展望
Gemini 3.5 Transcribe 是 Google 推出的最新语音转文本（Speech-to-Text）模型，基于 Gemini 3.5 统一多模态架构构建，支持实时流式转录与预录音频处理两种核心模式。前者通过 Live API 实现亚秒级延迟的双向连续语音交互，后者通过 Interactions API 提供带说话人归属与词级时间戳的高精度离线转写。模型支持 85 种以上语言的自动识别...
Qwen3.8-Flash – 阿里通义推出的多模态 MoE 模型
Qwen3.8-Flash 是阿里云通义千问推出的多模态 MoE 模型，总参数量 125B，每 token 仅激活 6B，原生支持 262K 上下文。模型采用 GDN+QSA 混合注意力、门控残差、N-gram 嵌入及 Muon 优化器四大架构创新，训练成本仅为 Qwen3.7-Plus 的 1/9，在编码和办公任务上能力更强。该模型面向长上下文处理、代码智能体、办公自动化与多模态理解等场景，提供...
