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
Qwen3.8-27B – 阿里千问团队开源的一代 AI 大模型
Qwen3.8-27B是阿里千问团队开源的新一代大模型，采用270亿参数的原生多模态稠密架构，支持262K原生上下文并通过YaRN技术可扩展至1M Tokens，量化后可在消费级显卡上流畅部署。模型新增reasoning_effort机制，按任务难度动态调节思考深度，在编程与Agent能力上表现突出：SWE-bench Pro达61.7分，OSWorld电脑操作基准84.3分，均超越上代Qwen3...
dots3-note preview – 小红书开源的多模态MoE模型深度评测
dots3-note preview是由小红书dots模型实验室开源的多模态MoE模型，作为dots3系列的首个版本，与IMO 2026满分模型共享同源技术。模型采用280B总参数/16B激活参数的MoE架构，支持512K超长上下文与文本、视觉、语音多模态理解，针对复杂推理、智能体任务与多模态感知进行专项优化，专攻旅行规划、婚礼筹备等长程开放任务，在多项推理与智能体基准测试中可比肩数倍参数的大模型...
MiniMax Music 3.0 – MiniMax 开源的音乐生成模型
MiniMax Music 3.0是MiniMax推出的下一代开放权重音乐生成模型。模型采用8B Global LLM与0.6B Local LLM的分层架构，结合Flow Matching与Flow-VAE连续隐状态合成技术，可根据歌词和结构化音乐描述生成最长5分钟、32kHz立体声的完整歌曲。支持精细的段落控制，能在长音频中保持主题、节奏与歌声身份的一致性，实现从创作意图到高保真成品的端到端生...
dots.tts – 小红书联合上海交大开源的语音合成基座模型
dots.tts 是小红书 dots 团队与上海交大 X-LANCE 实验室联合开源的 20 亿参数全连续自回归语音合成基座模型。模型直接在连续隐空间中逐块生成 48kHz 音频，在 Seed-TTS-Eval 等基准上取得领先的音色相似度与内容准确度，支持零样本克隆、流式输出及低延迟双工对话。项目全量开源代码与权重，并扩展了 dots.tts.edit 精确语音编辑能力。
Grok 4.6 深度评测：SpaceXAI 旗舰模型的性能、速度与性价比三角
Grok 4.6 是由 SpaceXAI (xAI) 推出的最新一代旗舰级大语言模型，基于 1.5T 参数的混合专家（MoE）架构，拥有 500K token 的超长上下文窗口。该模型在编码、智能体任务等多项基准测试中表现优异，性能逼近 Claude Fable 5 与 GPT-5.6 Sol Max，同时 API 定价仅为竞品的五分之一至八分之一，实现了旗舰性能与极致性价比的结合。Grok 4....
PixelRAG – 伯克利开源的视觉原生 RAG 框架
PixelRAG是伯克利SkyLab/BAIR开源的一款视觉原生RAG框架。它跳出传统RAG从网页或PDF中抽取文本再检索的范式，改用无头Chromium将文档渲染为截图瓦片，并通过LoRA微调的Qwen3-VL视觉向量检索模型直接读取图像中的表格、图表和版式信息，从而解决了传统RAG在表格、图表和复杂版式上信息丢失的痛点。该框架提供从渲染、索引到检索、生成的完整工具链，并附带覆盖828万维基百科...
HOMIE – 香港科技大学开源的数字人视频生成框架
HOMIE是由香港科技大学计算机科学与工程系开源的数字人视频生成框架，基于阿里Wan2.1-T2V-14B骨干网络并集成Qwen3-VL多模态大模型。该框架能够在一个统一管线中同时处理数字人、商品、Logo、文字四类视觉元素，解决人‑物交互、品牌贴牌、OCR文字保真和多视角一致性四大技术难题。模型训练仅需约5.5K步/1万A100小时，OCR准确率比开源最强模型提升38.7%，支持480P单卡到7...
Alpamayo 2 Super – 英伟达开源的自动驾驶 AI 推理模型
Alpamayo 2 Super是英伟达（NVIDIA）基于Cosmos 3 Super Reasoner构建的开源自动驾驶AI推理模型，具备360°全向环境感知、高级驾驶决策推理与自动推理标签生成能力，在LingoQA自动驾驶推理基准中排名第一。模型采用OpenMDW-1.1宽松许可上架Hugging Face，支持微调、衍生与商业再分发，同时提供Alpamayo 1.5和1两个轻量版本用于云端...
SALMONN-2 – 清华等开源的通用音频大语言模型
SALMONN-2是由清华大学、上海人工智能实验室与剑桥大学联合开源的通用音频大语言模型。该模型采用字节跳动SPEAR统一自监督音频编码器与多层特征融合适配器，以Qwen3-8B为文本基座，仅使用约1.8万小时监督数据便在MMAU-Pro、MMAR、MMSU三大综合基准上取得同规模开源模型领先表现。SALMONN-2首次在通用音频大语言模型中系统实现了声音事件检测、音频伪造检测、语音质量评估与多模...
Wan3.0 – 阿里万相最新推出的视频生成大模型
Wan3.0是阿里云万相团队最新推出的视频生成大模型，在生成时长、多模态输入、一致性保持和真实感等方面实现全面升级。该模型单次可生成30秒视频，并首次支持doc、xls、ppt、pdf、md等文档格式输入，将静态办公文档直接转化为动态视频内容。在人物刻画、场景还原和跨模态融合方面表现突出，可广泛应用于影视创作、广告营销、设计创意与文旅传播等场景。
