AI 模型索引

DeepSeek V4.1 Flash 的 2026-10-17 更新版。官方称其在推理、编码、Agent 与视觉基准上显著提升，同时缩短任务运行时间与输出；本版本有独立 Hugging Face 权重，采用 MIT 许可。

OpenAI GPT-Live 家族的全双工实时语音新版本，可持续听取并回答，并响应暂停和插话。

GPT-Live-1.1 的 mini 语音型号，作为单独命名的全双工模型版本提供。

Microsoft AI 的 2.8T 参数 MoE 基础模型，激活参数 80B，已完成预训练并进入后训练。

快手于 2026-10-15 正式上线 Kling 4.0 视频生成模型：单次生成最长 30 秒，支持最多 15 项图像、视频、主体与音色参考，以及最多 10 张关键帧。

Muse 家族的全尺寸多模态 MoE 开放权重模型，816B 总参数、42B 激活，支持 1M 上下文及文本、图像、音频和视频输入。

Black Forest Labs 的 5.6B 开放图像模型，统一支持文生图、图像编辑和最多 10 张参考图，并可原生生成 4K 图像。

xAI 面向实时语音对话的语音到语音模型，通过双向 WebSocket 接收文本或音频，并返回文本与音频响应。

基于 GLM-5.3-Flash、经过法律领域中期训练与强化学习后训练的专用模型，面向法律文本工作流；当前开放 API Beta 申请。

Meta Muse 系列的前沿 Agent 模型，面向复杂编码、长程任务和计算机操作；模型卡列出文本、图像、视频、音频输入，文本输出及 1M 推理上下文。

Muse Wonder 系列中能力更强的独立型号，面向高强度编码与 Agent 工作；模型卡列出文本、图像、视频、音频输入，文本输出及 1M 推理上下文。

Qwen-Image-2.1 的加速 checkpoint，面向文生图与图像编辑；官方模型卡称其采用 8 步去噪和 7B 视觉生成架构。权重公开，但许可证限非商业研究用途。

OpenAI 于 2026-10-07 发布的 GPT-6 Sol ChatGPT October 版本，与仍用于 Work/Codex 的 September 版本区分；官方文档未将它映射到固定 API ID，完整 I/O 规格也未单独公布。

OpenAI 于 2026-10-07 发布的 GPT-6 Luna ChatGPT October 版本，与仍用于 Work/Codex 的 September 版本区分；官方文档未将它映射到固定 API ID，完整 I/O 规格也未单独公布。

面向分类、路由、提取和子 Agent 等高频任务的轻量型号，支持自适应思考、1M 上下文与 128K 输出。

开放权重的端侧多模态嵌入模型，将文本、代码、图像、视频与音频映射到共享向量空间。

Nano Banana 2 的稳定图像模型更新，维持 Flash 级效率，提升视觉质量、文字渲染、多轮编辑与主体一致性。

QwenCloud 于 2026 年 10 月 2 日列出的图像生成与编辑 API 型号。官方称其视觉生成组件为 7B、32 层单流 DiT，支持原生透明输出和最多 10 张参考图。

Microsoft AI 的实时流式语音转写模型，持续接收音频并在说话过程中返回增量文本，再给出最终转写结果。

Microsoft AI 的多语言文字转语音模型，支持 23 种语言和 26 个 locale，并可在跨语言表达时保持同一音色。

面向实时语音 Agent 与高吞吐场景的低延迟多语言文字转语音型号，支持 23 种语言。

Google 的 Gemini 4 前沿模型，面向长程推理、软件工程与专业知识工作，支持图像和视频理解；现已通过 API 全球开放。

GPT-6.1 系列的 Sol 型号，API ID 为 `gpt-6.1-sol`；面向复杂编码、计算机操作和专业工作，以较低成本提供接近 GPT-6 Astra 的能力。

Claude 5.5 家族的第二个模型，是 Sonnet 5 的更快、更高效升级版，面向日常编码、Agent 工作和专业文档任务。

面向高频业务判断的结构化决策模型，支持分类、是/否判断与评分，并返回概率和置信度；它输出结构化决策结果，不生成自然语言文本。

Meta Research 于 2026-09-23 介绍的实时化身视频生成模型，以 Muse Realtime Voice 的语音 token 流和参考媒体为条件，生成连续且同步的角色视频。

GPT-6 主线的 Sol 规格，面向复杂编码、推理与长程 Agent 工作流，提供 1.05M 上下文和 128K 输出上限。

GPT-6 主线的高效率规格，面向高吞吐编码、推理和工具任务，同样提供 1.05M 上下文和 128K 输出上限。

Claude 5.5 家族首个模型，面向长程 Agent 编码与知识工作，采用自适应思考、1M 上下文和 128K 输出。

Gemini 3.8 系列的旗舰创意文字转语音模型，强调录音室级声音保真度、细致表演、区域口音和长篇多轮稳定性。

Gemini 3.8 系列的快速、经济型文字转语音模型，适合高吞吐生产和实时语音 Agent 级联。

腾讯混元的图像生成与编辑预览模型，支持文生图、图生图与多轮编辑；腾讯云 TokenHub 当前文档列出最高 4K 输出。

Qwen3.8-Omni-Flash 的实时交互型号，支持摄像头与麦克风场景、文本/音频输出和多通道音频。

SpaceXAI 面向编码、长程 Agent 与知识工作的前沿模型，强化长任务自我检查、上下文管理和工具工作流。

小米 MiMo 新一代原生全模态 Agent 模型组，包含 Pro、Flash 与 UltraSpeed 服务档位，强化大规模强化学习、自我验证、编码、电脑操作与长程任务。

MiMo-V2.6 系列的旗舰推理与 Agent 型号，面向复杂项目、长程软件工程、科研和专业工作流。

MiMo-V2.6 系列的高性价比全模态推理型号，在速度、成本与 Agent 能力之间取得平衡。

MiMo-V2.6-Pro 的高速服务变体，面向实时交互和对延迟敏感的生产场景。

Qwen-Audio 3.1 的实时语音型号，支持低延迟全双工对话、文本转写、语音输出、函数调用和联网搜索。

阶跃星辰面向 Agent 与专业工作的旗舰预览模型，采用 92 个 Transformer block 的窄而深结构，并交错 Gated Sliding Window Attention 与 Sparse GQA 全注意力；总参数 600B、激活参数 27B、上下文 1M。

Qwen3.8 系列的原生全模态 Flash 服务型号，支持最高 1M 上下文以及文本、图像、音频、视频输入。

HappyOyster 的世界探索模式，生成可实时进入和互动的开放世界视频流。

HappyOyster 的实时导演模式，可在视频生成过程中持续改变故事、镜头和环境。

HappyOyster 的角色扮演模式，让生成角色在实时视频中保持外观、声音和人格连续。

Qwen3.8 系列的实时音视频同传型号，采用 Hybrid-MoE Thinker–Talker 架构，强化多说话人分离、双语同步和上下文消歧。

SpaceXAI 面向批处理与实时流式语音识别的转写模型，强化多语言、说话人分离、时间戳和嘈杂真实场景准确性。

Gemini 3.8 系列的实时语音与音视频交互型号；除音频/文本外，Live Avatar 可生成与对话同步的 MP4 头像视频。

Gemini 3.8 Live 的高推理实时音频版本，在语音交互持续进行时支持后台推理。

GLM-5 首个原生多模态 Flash 型号，320B 总参数、18B 激活参数，采用稀疏与线性混合注意力，并支持文本、图像、视频和文件理解。

面向生命科学研究的专用 GPT 模型，强化药物化学、基因组学、定量生物学、实验设计与科学证据处理，并可在受治理工作流中调用工具。

Kimi Code 的 K2.8 预览模型，编码与智能体能力接近 K3，思考效率较 K2.7 Code 更高，并支持图片、视频输入与最高 1M 上下文。

OpenAI 的全双工实时语音模型，可同时听与说，并把更深的推理和工具调用委托给后端模型或 Agent。

DeepSeek 于 2026-09-10 正式发布的 V4.1 Flash 原始快照：552B MoE，原生文本与图像输入、文本输出，支持 1M 上下文和最高 384K 输出；网页端、APP 与 API 当前已升级至独立记录的 1017 版本。

小米 MiMo 面向真实专业工作流的新一代邀测发布组，覆盖复杂推理、多 Agent、编程、办公、网页设计与电脑操控等场景。

OpenAI 的新一代图像生成与编辑主线，改善细节、精确编辑、多轮一致性和生成速度。

MAI-Image-2.6 的高吞吐版本，面向低延迟和大规模图片生成场景，保持同级质量。

OpenAI 第六代前沿模型，面向复杂推理、编码、计算机操作、研究和文档工作；目前覆盖 API、ChatGPT Work、Codex，以及 Pro、Business、Enterprise 的 Astra 访问。

面向 Fairwind 受限访问计划的网络安全专用变体，与 CodeMender 配合进行漏洞发现、验证和修复。

Gemini Flash 的稳定升级版，面向长程软件工程、自主 Agent 与复杂企业工作流，支持多模态输入、1M 上下文与 65K 输出。

Qwen3.8-Max 的 0902 升级快照，针对 Coding、协作 Agent、长程自主开发和视觉理解进一步后训练，保留 1M 上下文与完整工具生态。

Muse Spark 1.3 面向更长程的编码与 Agent 工作，改善真实工程中的多任务协作、计划修正和工具使用效率。

Fable 5 的后续版本，面向长程 Agent、编码、科研和复杂知识工作，并以更精确的网络安全与生物学防护开放。

Muse 家族的实时音频感知模型，支持流式语音识别、说话人分离、端点检测和多语言混合输入。

腾讯混元新一代 770B MoE 旗舰预览，49B 激活、1M 上下文，面向编码、办公分析、游戏开发与科研。

Gemini 原生视频生成与对话式编辑 GA 型号，支持文本、图像、音频和视频输入，以及最高 4K 输出。

Qwen4 架构预览：125B 主模型加 51B N-gram embedding，每 token 激活 6B，并可扩展到 1M 上下文。

在 V4 Flash 上加入图像输入的实验 API 型号，已由 DeepSeek V4.1 Flash 替代。

沿用 GLM-5.2 基座，仅通过扩大后训练提升复杂编码、长程任务与网络安全能力；现已公开 FP8 与 BF16 权重。

Qwen3.8 的 27B Dense 开放型号，兼顾本地部署、视觉、编码和工具使用。

Gemini Flash 的 3.7 代型号，强化软件工程、网页开发、多步骤 Agent 与设计稿还原。

V4-Pro 正式快照，原定的有序下线计划已被官方价格页更新为继续提供 API。

在 Grok 4.5 基础上强化长程 Agent、复杂代码库与交互式视觉项目。

MAI-Code 的后续生产版本，在 GitHub Copilot 改进代码质量与 token 效率。

面向经授权漏洞研究、漏洞验证与安全测试的专用网络安全模型，强化特定防御性安全工作流。

面向本地常驻 Agent 的 30B 开放模型，可在单张消费级 GPU 或 Mac、PC 上运行。

微软图像生成与编辑模型，改善文字渲染和商业设计；提供 Playground 体验及 Foundry 私有预览。

SpaceXAI 的图像生成与编辑旗舰，重点提升提示遵循、文字排版、细节保真和多图编辑。

多模态视频型号，单次最长 30 秒并支持最多 20 个多模态参考素材。

Muse Spark 1.3 的前代编码主力模型，配套推出多 Agent 编码工具 Muse Code。

Qwen3.8-Max 的托管 API 型号，提供多模态、工具调用与思考模式；开放 checkpoint 另行记录。

Qwen3.8 的开放 checkpoint：2.4T 总参数、95B 激活，原生 262,144 上下文，可扩展到约 1M。

V4 Flash 0731 正式 API 版本，已由 DeepSeek V4.1 Flash 替代。

单次生成最长 30 秒，支持多轮延长、30 图/10 视频/10 音频参考和时间戳级编辑。

开放全模态生成系统，可输出最长 15 秒、最高 2K、24fps 的原生立体声视频。

Opus 新一代旗舰，采用 1M 默认上下文与自适应思考，面向长程 Agent、科研和企业工作。

当前默认版本，重点提升审美、图像质量、个性化理解并减少低质量结果。

早期访问视频型号，单次生成最长 20 秒的有声视频，支持图像和视频参考、关键帧与续写。

为大规模自动化与子 Agent 设计的 3.5 系列低延迟规格。

相比 3.5 Flash 提高 token 效率与编码、Agent 规划能力，并减少输出冗长。

以 4.5K token 输入、10px 小字、多语言与复杂版面强化“可直接使用”的图像内容。

2.8T 参数开放 MoE，采用 KDA 与 Attention Residuals，支持原生视觉和 1M 上下文。

面向编码、Agent 和知识工作的高速旗舰，在 Grok Build 与 API 提供。

强化工具、计算机操作、编码和多模态理解，并以 1M 上下文开放 Meta Model API 预览。

面向专业设计的信息可视化、像素级交互编辑、真实质感和多语言生成旗舰。

可调用搜索与代码工具、自我迭代，并支持单图和多图参考的 Agent 化图片模型。

Muse 家族的视频生成预览，强调视觉保真、时间一致性与原生音频；尚未正式开放。

Hy3 正式版以真实产品反馈继续提升 Agent、编码和输出稳定性。

Sonnet 新一代模型，以 1M 默认上下文、自动思考和更强 Agent 能力缩小与 Opus 的差距。

Nano Banana 家族最快、成本最低的高吞吐图像型号。

由 Sol、Terra、Luna 三个长期能力层组成的模型系列，覆盖旗舰、均衡与高性价比定位。

Seed 当前主线，强化长程通用 Agent、端到端编码和科学计算工作流。

把上下文扩展到 1M，并针对大型代码库、长文档和项目级 Agent 工作优化。

改进图生视频的运动、物理和音频表现，在 Imagine API 正式可用。

Kimi 面向编码与智能体任务的开放模型，改进长程编码、指令遵循与推理效率。

基于 Gemma 4 的实验性文本扩散模型，以块级并行生成探索更低延迟。

以保守安全配置通用发布的 Mythos 级模型，面向软件工程、研究与复杂知识工作。

Ray 当前型号，面向更完整的创意控制和 API 生产工作流。

面向笔记本的统一无编码器多模态型号，补齐 E4B 与 26B 之间的档位。

微软从头训练的高效编码模型，进入 GitHub Copilot；不是其他模型的蒸馏版本。

微软面向复杂推理的模型，在 Microsoft Foundry 进入公开预览。

MiniMax 当前开放旗舰：1M 上下文、原生图像视频理解以及编码和计算机操作。

面向真实 Agent 的高效率视觉语言 Flash 模型，约 198B 总参数、约 11B 激活、256K 上下文，支持图像理解与工具编排。

在 Opus 4.7 基础上改进 Agent 判断、工具效率、计算机操作和长会话协作。

MAI 的统一图像生成与编辑型号，强化文字渲染、局部编辑和身份一致性。

Google 3.5 代首个公开模型，将前沿智能与低延迟行动定位合并到 Flash 层。

从 ERNIE 5.0 子模型结构继续训练，降低参数与训练开销，并加强推理、Agent 和创意写作。

Gemini 3 系列的低延迟、高吞吐和低成本规格。

GPT-5.5 的日常快速层，改进准确性、简洁度与个性化上下文使用。

Gemini 原生视频生成与对话式编辑的初代模型，模型卡于 2026 年 5 月首次公开，6 月开放 API 预览。

Step-Audio-R1 的音频推理研究更新，官方于 2026-04-29 发布技术报告和配套评测基准。

阶跃星辰面向实时交互的图像生成与编辑服务，官方仓库记录其于 2026-04-29 上线。

DeepSeek V4 的高能力预览型号，采用 1.6T 总参数、49B 激活参数的 MoE 与 1M 上下文。

V4 的高效率预览型号，284B 总参数、13B 激活参数，支持 1M 上下文。

腾讯重建训练基础设施后的首个 Hy3 预览，采用快慢思考融合与稀疏 MoE。

面向复杂知识工作、计算机操作、编码和科研的 1M 上下文前沿模型。

原生全模态理解、1M 上下文和 Agent 执行并重的 MiMo 当前通用型号。

MiMo-V2.5 的高强度 Agent 规格，强化长程推理、编码和复杂任务效率。

Qwen3.6 的 27B Dense 规格，面向本地部署与通用多模态 Agent。

面向 2K 生产素材、复杂排版、多语言文字和高保真编辑的当前旗舰。

K2.5 的后续开放模型，全面提升长程编码、通用 Agent、视觉理解与 Agent Swarm。

重点提升高难软件工程、长程一致性、高分辨率视觉与自我验证。

Qwen3.6 的高效率 MoE 规格，以 3B 激活参数覆盖多模态、编码与工具任务。

面向经审核防御者的 GPT-5.4 网络安全型号，针对合法漏洞研究与二进制逆向工作降低拒绝边界；正按官方公告计划退役。

提供原生 2K HD，标准生成约 4—5 倍提速，并改善文字和细节保持。

Muse 家族首个原生多模态推理模型，支持工具、视觉思维链和多 Agent 编排。

面向长程任务的 GLM-5 更新，可在单次任务中持续自主执行数小时。

将有声文生、首尾帧、视频续写、多参考和指令编辑整合到 1080p 云端系列。

Gemma 4 的高质量 Dense 旗舰，面向本地推理、编码和 Agent 工作流。

每步仅激活 3.8B 参数的 Gemma 4 MoE，强调本地速度与智能密度。

万相图像型号，覆盖组图、多图参考、交互编辑和最高 4K 输出。

第二代 MAI 图片模型，改善写实细节和文字渲染，首先在 Playground 及部分客户 API 提供。

强化 Agent 团队、自我演进和端到端软件生产力。

万亿参数、42B 激活的 1M 上下文 Agent 旗舰。

把文本、视觉和语音感知与工具、GUI 操作统一到同一 Agent 基座。

面向编码和子 Agent 的高速小模型，支持文本、图像、工具与 400K 上下文。

GPT-5.4 系列最小规格，面向高吞吐抽取、排序和简单编码子任务。

把 GPT-5.3-Codex 的编码能力与通用推理、工具和专业文档工作合并到统一前沿模型。

面向日常对话的 GPT-5.3 更新，重点减少无必要拒绝、提高搜索准确性和表达流畅度。

以 Flash 价格和速度提供 0.5K—4K 生成、思考和图像搜索落地。

Gemini 3 Pro 的后续预览版本，并提供更偏向自定义工具的独立端点。

Sonnet 4.5 的全面升级，覆盖编码、计算机操作、长上下文、Agent 规划与设计。

Qwen3.5 首发旗舰，将 Qwen3-Next 的混合架构扩展为原生多模态 Agent 模型。

系统提升多模态理解、基础推理与真实生产环境的 Agent 表现。

把深度思考和实时搜索带入轻量图像生成与编辑。

扩大到 744B 总参数并引入 DSA，定位从“写代码”转向复杂系统工程。

为实时交互式编码设计的小型高速 Codex 研究预览。

面向编码、工具与办公生产力的高效率更新。

统一文本、图片、音频、视频参考和编辑，支持 15 秒多镜头双声道输出。

统一生成与编辑，支持 1K token 复杂指令、原生 2K 和更真实的细节。

将编码 Agent 扩展到研究、工具使用和完整计算机任务的 Codex 模型。

首次为 Opus 提供 1M 上下文测试，并强化长程 Agent、代码审查和自适应思考。

包括 Video、Omni 和 Image 的多规格发布组；各型号的输入输出与限制以独立服务为准。

面向高速推理、编码与 Agent 工作流的稀疏 MoE 模型，196B 总参数、每 token 激活 11B，并支持 256K 上下文。

Grok Imagine 的原生视频与音频生成 API，支持视频创作与编辑。

在 K2 上继续预训练的原生多模态模型，加入视觉编码和最多 100 个子 Agent 的 Agent Swarm。

把 Ray3 提升到原生 1080p，并显著降低延迟和成本。

HunyuanImage 3.0 的指令版本，加入推理增强、图像编辑和多图融合，与原始文生图模型分开记录。

面向消费级 GPU 的亚秒级生成与编辑型号。

Step 3 系列的紧凑多模态开放模型，约 10B 规模，强调视觉感知、复杂推理和人类指令对齐。

Step-Audio-R1 的开放权重更新，官方仓库于 2026-01-14 发布推理代码与权重。

NextStep-1 的后训练升级版，官方于 2025-12-24 发布并开放预训练与后训练权重。

继续提升真实编码任务、工具调用和 Agent 稳定性。

GLM-4.6 后续开放模型，继续提升编码、推理和 Agent 任务。

基于 GPT-5.2 优化的长程软件工程模型，强化大型代码变更、Windows 与上下文压缩。

面向搜索、代码、GUI 与复杂工作流的通用 Agent 模型。

Gemini 3 的低延迟预览型号，强化视觉空间推理与 Agent 编码。

以混合滑窗注意力和 MTP 提升长上下文编码与 Agent 推理速度。

重点提升局部编辑、细节保持、文字表现并把生成速度提高约四倍。

加入联合声画生成、多语言对白、镜头控制与更完整的叙事表达。

面向专业知识工作与长程 Agent 的 GPT-5 系列升级，提供 Instant、Thinking 与 Pro 层级。

通过文本或图像生成最长 10 秒的有声视频，支持对白、音乐与环境音。

统一非思考与思考模式的通用模型，加入稀疏注意力并面向日常 Agent 任务。

V3.2 的高推理版本，面向数学、竞赛编程和更长思考任务。

面向高保真电影感、复杂时序指令和专业 HDR 输出的 Runway 当前旗舰。

统一参考图与视频编辑的可灵视频型号，支持文本、图像和视频提示以及镜头续写。

面向音频原生推理的模型，使用 Modality-Grounded Reasoning Distillation，让测试时计算扩展真正作用于声学信息。

第二代 32B 开放权重开发型号，支持多参考图编辑、精确色彩和更强真实感；Max、Pro 与 Flex 是独立服务型号，不作为别名。

引入 effort 控制并提升编码、Agent、计算机操作和多 Agent 协调。

基于 Gemini 3 Pro 的专业图像型号，强化推理、真实知识、多语言文字与 4K 控制。

轻量化的 8.3B 视频模型，兼顾文生与图生视频，降低本地部署门槛。

面向真实工具调用与深度研究的 2M 上下文快速 Agent 模型，提供思考和非思考版本。

Gemini 3 首个 Pro 预览型号，面向复杂推理、编码、工具和多模态任务。

以大规模强化学习改善真实对话中的风格、意图理解、协作感和事实准确性。

面向 API 的自适应推理更新，在简单任务上减少思考延迟，并加入 apply_patch 与 shell 工具。

百度统一多模态基础模型，联合建模文本、图像、音频和视频，2025 年 11 月首次公布。

在 K2 基础上训练的 Thinking Agent，原生支持边思考边调用工具。

提升肢体动作、微表情、风格化与运动指令响应，并加入低成本 Fast 版。

统一图像生成与提示式编辑，以原生 4MP 分辨率生成写实画面，首次以公共 Beta 提供。

把 MiniMax 主线转向高效编码和 Agent 执行。

低延迟 Haiku 型号，以更低成本提供接近早期 Sonnet 4 的编码与计算机操作能力。

强化叙事控制、参考一致性和编辑，并扩展到 1080p、4K 与竖屏输出。

微软首个完全内部开发的文生图模型，先在 LMArena 展示，随后进入 Bing Image Creator。

提升物理一致性、可控性和多镜头状态保持，并原生生成对白与音效；Web 与 App 于 2026-04-26 停止服务，API 于 2026-09-24 关闭。

连接 GLM-4.5 与 GLM-4.7 的开放模型，扩展至 200K 上下文并改进编码与 Agent 能力。

强化长程编码、计算机操作与复杂 Agent，并同步推出 Claude Agent SDK。

基于 V3.1-Terminus 的实验版本，引入 DeepSeek Sparse Attention 以提高长上下文效率。

80B 总参数、13B 激活的原生多模态 MoE 图像生成模型。

超过 1T 参数的 Qwen3 旗舰，面向编码、Agent 与百万上下文专业任务。

V3.1 的改进版本，重点改善语言一致性、工具调用与 Agent 表现。

统一思考与非思考模式的高效率 Grok 4 变体，支持 2M 上下文与实时搜索。

加入视觉推理、自我评估、原生 HDR EXR 和草稿到 4K 的创作流程。

以 80B 总参数、3B 激活参数探索混合线性注意力和超稀疏 MoE 的架构预览。

统一文生图和通用编辑，以视觉语言模型注入世界知识，并支持最高 4K。

微软首个端到端训练的基础模型，通过 LMArena 开始公共测试，是后续 MAI 模型的早期产品节点。

把 Gemini 2.5 Flash 的知识和多轮对话用于快速图像生成与编辑。

统一思考与非思考模式的混合推理模型，将 API 上下文扩展到 128K。

由 20B Qwen-Image 扩展的图像编辑模型，支持语义、外观和中英文文字修改。

基于连续图像 token 的 14B 自回归图像生成与编辑模型，探索不依赖离散 VQ 的图像建模路线。

GPT-5 将快速回答、深度推理与自动路由整合为统一系统，并在 API 提供主模型、mini 与 nano 三种规格。

GPT-5 的低成本规格，面向需要兼顾推理质量、吞吐与价格的任务。

GPT-5 最小规格，面向分类、抽取、排序和轻量子任务。

117B 总参数、每 token 激活 5.1B 的开放推理模型，面向本地定制与工具工作流。

较小的开放推理型号，总参数 21B、每 token 激活 3.6B，面向低延迟与本地部署。

Opus 4 的产品升级，改进编码与 Agent 任务，并在 Claude、API 及云合作伙伴提供。

20B MMDiT 图像基础模型，重点解决中英文复杂文字渲染。

StepFun 的多模态推理基础模型，采用 MoE 与 MFA/AFD 系统协同设计，321B 总参数、38B 激活。

355B 总参数、32B 激活的混合推理 MoE，统一推理、编码和 Agent 能力。

把双专家 MoE 引入视频扩散，并开放 720p 文生、图生、语音驱动和角色动画型号。

端到端音频理解与语音对话模型组，覆盖音频语义、韵律信息、工具调用和多模态检索。

面向 Agent 编码的 MoE，480B 总参数、35B 激活；原生 256K 上下文，可通过外推扩展到 1M。

1T 总参数、32B 激活的开放 MoE，重点面向 Agent 工具调用与编码。

在 Grok 3 Reasoning 基础上大幅扩大强化学习，并原生集成工具、网页与 X 搜索。

ERNIE 4.5 开放系列的文本 MoE，300B 总参数、47B 激活，使用 Apache 2.0 许可证。

ERNIE 4.5 开放系列的视觉语言 MoE，424B 总参数、47B 激活，可理解图片与视频并输出文本。

以 MatFormer 和 Per-Layer Embeddings 把全模态理解压缩到移动设备。

引入自适应思考，将文本与视觉能力统一到 230B MoE 基座。

从单张图片生成 5 秒视频，可延长至 21 秒并支持首尾帧、循环和高低运动模式。

以原生 1080p、复杂动作和物理表现推进海螺视频主线。

以线性和 Softmax 混合注意力实现 1M 上下文的开放推理模型。

以原生多镜头叙事、1080p 和复杂动作稳定性建立 Seedance 主线。

12B 开放权重上下文编辑型号，支持多轮修改、角色一致性和局部控制。

可灵 2.1 系列在 2025 年 5 月底发布，提供 Standard、High Quality 和 Master 档位；各档位不共用一套未披露参数。

Claude 4 家族旗舰，重点提升长程编码、复杂 Agent 与持续数小时的任务执行。

Claude 4 的均衡能力层，改进编码、推理、指令遵循和并行工具调用。

Imagen 4 基础服务型号，支持最高 2K、多种画幅，并改进细节、拼写和排版；不再把 Ultra 与 Fast 当作同义别名。

首次为 Veo 加入原生对白、环境声和音效生成。

Kimi 开放平台的思考模型预览，是独立 API 型号，不等同于 K1.5 研究模型或 K2 Thinking。

小米首个开放推理模型，以 7B 规模探索预训练到强化学习的完整路线。

Qwen3 旗舰 MoE，将 thinking 与 non-thinking 模式放入同一开放模型。

阶跃星辰的开放图像编辑模型，支持自然语言指令下的对象增删、背景修改、动作变化与风格迁移。

Firefly 第四代图像模型，提升真实感与细节，正式集成进创意工作流。

与 Image 4 同期推出的高细节档位，面向复杂场景与精细画面。

把 GPT-4o 原生图像能力带到 API，兼顾知识、风格遵循与文字生成。

兼顾速度、成本与可控思考的混合推理模型，4 月预览后于 6 月正式可用。

结合视觉推理与工具使用的推理模型，在 ChatGPT 和 API 发布。

以效率为重点的小型推理模型，支持视觉与工具调用。

第二代可灵视频模型，改进运动、语义响应与多模态创作控制。

重点改进编码、指令遵循和长上下文，API 支持最多一百万 token。

GPT-4.1 的小型多模态档位，兼顾速度、成本与长上下文。

GPT-4.1 的最低延迟档位，面向分类、补全等高频任务。

阶跃星辰的轻量视觉推理模型，支持图像文本输入和文本输出，官方页面于 2025-04-08 发布。

17B 激活参数、16 专家的多模态 MoE，支持文本与图像输入及最长 10M 上下文。

400B 总参数、128 专家的 Llama 4 高能力开放型号。

加入默认个性化、Omni Reference、十倍速草稿模式和对话式创作。

原生 2K 文生图型号，改善小字、复杂排版和人物细节；官方资料将产品上线记为 2025 年 4 月。

强化跨场景主体、地点与风格一致性，并提供更直接的镜头控制。

使用 Thinker-Talker 架构理解文本、图像、音频和视频，并流式生成文本与语音。

Google 将“thinking”直接内置到通用 Gemini 代际，并重点提升复杂推理与编码。

基于 Step-Video-T2V 的图像到视频与运动控制模型，开放推理代码和权重。

ERNIE 4.5 的托管多模态产品模型；与 6 月开放的具体权重档位分别记录，不混用其参数。

文心的深度思考模型分支，与 ERNIE 4.5 同期发布，侧重推理和工具使用。

加入图像输入、128K 上下文和 140 多种语言支持。

原生中英双语文生图研究模型，重点改善文字渲染和中文语义；此日期为技术资料公开日期。

通过强化学习提升复杂推理的 32B 开放模型，是千问家族中的推理分支。

混元视频的图生视频分支，用参考图像与提示控制生成。

扩大无监督学习规模的研究预览，着重知识、自然对话和创意写作，而非推理时长的扩展。

开放 1.3B、14B 文生和图生视频权重，并覆盖 VACE 通用视频编辑。

在同一模型内提供即时回答和可控的 extended thinking，并同步发布 Claude Code。

xAI 的推理 Agent 代际，以 Think 与 DeepSearch 模式扩展复杂任务能力。

阶跃星辰的开放文生视频模型组，包含 Step-Video-T2V 与面向更快生成的 Turbo 版本。

以低延迟多模态模型为基础，引入原生工具调用和 Flash Thinking 实验路线。

面向科学、数学和编码的小型文本推理模型，可选择推理强度；不支持视觉输入。

Qwen2.5 的视觉语言发布组，覆盖 3B、7B 与 72B，面向图像、文档和视频理解。

以大规模强化学习塑造推理能力，并开放模型权重与蒸馏版本。

Moonshot 的多模态推理模型研究，重点探索长上下文强化学习与推理扩展。

Luma 第二代大规模视频模型，强化自然动作、物理与镜头表达。

采用 Lightning Attention 的混合 MoE，456B 总参数、45.9B 激活；训练上下文为 1M，并可外推至 4M。

Moonshot V1 的视觉预览分支，支持图像输入，与纯文本 V1 档位分别记录。

671B 总参数、37B 激活参数的 MoE 模型，继续扩大高效训练与开放发布路线。

以更强物理、摄影语言和最高 4K 研究输出推进 Google 视频主线。

Sora 首个正式产品版本，支持最长 20 秒、1080p 以及扩展、混合和故事板。

用 70B 规模接近 Llama 3.1 405B 的指令能力，显著降低部署成本。

o1 的正式版本，在 ChatGPT 中提供更强的推理，并加入图像理解。

腾讯开放的首代混元视频模型，超过 13B 参数，同时公开权重与推理代码。

改进文本响应、运动与画质的重要版本；官方回顾将首发时间记为 2024 年 12 月。

Qwen2.5 的代码分支代表型号，32.5B 总参数，提供 Base 与 Instruct 权重。

腾讯首个大规模开放 MoE，389B 总参数、52B 激活参数。

Claude 3 Haiku 的后续高速型号，重点提升编码、指令遵循和工具使用。

8.1B 参数的 Stable Diffusion 3.5 基础大模型，面向高质量、提示遵循和专业定制。

Llama 3.2 的 11B 与 90B 视觉型号，支持图像理解；轻量纯文本型号是另一分支。

Llama 3.2 的轻量纯文本型号，适合移动与边缘设备，不等同于该代 11B/90B 视觉模型。

Qwen2.5 的最大通用 Dense 档位，改进编码、数学与结构化输出；72B 不使用 Apache 2.0 许可。

OpenAI 首批面向复杂问题的推理预览模型，在回答前投入更多思考计算。

与 o1-preview 同期发布的轻量推理型号，侧重编码与数学。

Adobe 的文生与图生视频模型，2024 年展示、2025 年 2 月公测，并于 4 月正式可用。

整合 DeepSeek-V2-0628 与 Coder-V2-0724 的通用与编码能力，形成统一聊天模型。

MiniMax 首个视频生成模型，支持 720p、25fps、最长 6 秒的文生与图生视频。

Google 高质量文生图主线的重要一代，提升细节、光照和提示遵循。

以 Beta 在 X 推出，提升聊天、编码和推理能力；产品中的图像生成由独立 FLUX 模型提供。

BFL 首代 12B 开放权重开发型号，采用非商业许可证；不再把 hosted Pro 与 Apache-2.0 的 Schnell 当作别名。

改善图像连贯性、细节和纹理，并加快生成；曾是 Midjourney 的默认模型。

Llama 首个 405B 开放旗舰，并把全系列上下文扩展到 128K。

面向低成本、低延迟调用的文本与视觉模型，发布时支持 128K 上下文和文本输出。

阶跃星辰的第二代通用模型，官方发布回顾确认其在 2024-07-04 以正式版进入 Step 系列矩阵。

Step 系列的视觉升级型号，官方发布回顾将其列为 2024-07-04 发布的多模态模型。

Gemma 2 的 27B 开放型号，提升推理质量并面向可访问的单加速器部署。

在 Sonnet 成本与速度层级上显著提升推理、视觉和编码，并于 2024 年 10 月再次升级。

Runway 的新一代视频基础模型，改善运动、细节和时间一致性；首次公告与后续产品开放分开记录。

从 DeepSeek-V2 中间检查点继续训练的代码 MoE，236B 总参数、21B 激活，支持 128K 上下文。

引入 MMDiT，并以 2B 参数面向消费级显卡。

Qwen2 最大的 Dense 规格，统一采用 GQA，并扩展到 27 种额外语言。

可灵视频生成的公开起点，最初通过申请提供测试，随后扩展到全球 Web 用户。

Gemini 1.5 的高效率层，以百万上下文覆盖高吞吐多模态任务。

Google 首代 Veo 视频模型，在 I/O 展示并向部分创作者提供 VideoFX 私有预览。

原生处理文本、视觉和音频的“omni”模型，显著降低多模态交互延迟。

以 Multi-head Latent Attention 与细粒度 MoE 降低训练和推理成本。

在 Firefly、Photoshop 与 InDesign 公测，提升图像质量、风格控制和创意探索。

代表 2024 年 4 月同时发布的 8B 与 70B 两个独立规格，不使用单一参数量概括整组模型。

Grok 首个视觉理解模型的预览公告，扩展到图片、图表与文档理解。

将上下文扩大至 128K，并强化数学和编码；公告时计划随后向早期测试者开放。

Grok-1 的原始预训练基础权重，314B MoE，每 token 激活约 25%；不等同于 Grok 聊天模型。

Claude 3 家族最快、成本最低的型号，面向高吞吐和低延迟工作负载。

Claude 3 家族的旗舰型号，将视觉输入与 200K 长上下文纳入统一模型。

Claude 3 的平衡能力层，在智能、速度和成本之间面向企业规模部署。

代表同时发布的 2B 与 7B 两个首代 Gemma 规格，不使用单一参数量概括整组模型。

以 MoE 架构把正式支持的上下文扩展到 2M token，并保持跨模态检索能力。

最初的 Sora 视频生成研究展示，探索以时空 patch 建模视频；当时尚非面向公众的生成服务。

Qwen1.5 的 72B 档位，改进多语言能力，并支持 32K 上下文。

Kimi 开放平台最早的正式模型系列，提供 8K、32K、128K 上下文规格，并支撑了 Kimi 智能助手与 API。

采用细粒度专家切分与共享专家隔离的 16.4B MoE，公开 Base 与 Chat 权重。

智谱在 2024 年推出的新一代基础模型，统一推进语言、推理、代码与工具调用能力。

显著提升长提示理解、画面一致性、知识和图像参考能力。

在 Vertex AI 向获准客户提供的图像生成型号，改善图像质量与文字渲染。

Gemini 首代旗舰，从训练起即面向文本、图像、音频与视频的原生多模态。

Gemini 首代面向大规模产品部署的 Pro 档位，首先进入 Bard。

阶跃星辰早期的原生多模态模型，官方回顾将其定位为 2023 年底发布的 Step 系列视觉起点。

DeepSeek 首个通用语言模型系列，提供 7B 与 67B 的 Base、Chat 版本；官方 V2 资料将 67B 基座称为 DeepSeek-V1。

把上下文扩展到 200K，并改进长文档理解，加入系统提示和工具使用 Beta。

以 128K 上下文进入开发者预览，扩展 GPT-4 的长文档处理能力。

最初驱动 Grok 对话产品的模型，以有限测试形式公开。后续开放的是未做对话微调的基础权重，另列节点。

DeepSeek 最早公开的代码模型系列，覆盖 1B–33B 规格，并针对项目级代码补全加入 Fill-in-the-Middle (FIM) 训练。

第三代 ChatGLM 对话模型，强化工具调用与代码执行场景；此处为基础 8K 对话版本，非另行发布的 32K/128K 版本。

百度第四代文心基础模型，强化理解、生成、逻辑和记忆，并以邀请测试进入产品。

第二代 Firefly 图像模型，在 Web 应用公测，改善画质与创作控制。

腾讯混元面向企业公开的初代产品节点，通过腾讯云提供测试与 API 接入。

在 Llama 2 基础上继续训练的代码专用模型；34B 是最初发布的最大档位，70B 后续单独加入。

Qwen 开放模型路线的起点，重点覆盖中英双语、多语言与工具使用。

以基础模型加精炼器的两阶段管线把开放生成提升到原生 1024 分辨率。

第二代 Llama 的 70B 型号，以专属社区许可支持研究与商业使用。

显著扩展到 100K 上下文，并通过 API 与 claude.ai 面向更广泛用户开放。

第二代中英双语对话模型，使用多查询注意力并将上下文扩展至 32K。

PaLM 的后续家族，提升多语言、推理与代码能力，并驱动当时的 Bard 及多个 Google 产品。

Firefly 的首个图像模型，以文字生成图片和文字效果，开启 Adobe 的生成式创作产品路线。

文心一言的首次公开产品节点，向受邀用户开放体验，并接受企业 API 测试申请。

面向复杂专业任务的大型多模态模型；核心规模和训练细节未公开。

Anthropic 首个面向公众的 Claude 模型，以 Constitutional AI 训练路线为核心。

面向中英双语问答与对话优化的 62 亿参数开放模型，也是 ChatGLM 产品路线的公开起点。

面向消息式对话 API 的 GPT-3.5 型号，首个固定快照为 gpt-3.5-turbo-0301。

加强摄影式图像与提示贴合的历史版本，首发月份与成为默认版本的日期分别记录。

LLaMA 首代的 65B 型号，通过申请向研究者提供权重，最初仅限非商业研究。

通过文本或图像引导改变输入视频的风格和内容，此日期记录官方研究页的月份。

SD 2.0 的改进检查点，调整训练数据过滤，改善提示响应与构图。

ChatGPT 最初的对话模型，基于 GPT-3.5 微调并使用人类反馈训练，以免费研究预览向公众开放。

采用 OpenCLIP 文本编码器的新一代扩散模型，首发包含 512px 和 768px 图像档位。

采用新代码与架构的一代，改进细节、复杂场景及图像提示。

将高质量文生图权重带到本地 GPU，催生广泛的社区工具与微调生态。

GLM 家族早期的 130B 双语开放模型，基于 General Language Model 训练范式。

把冻结的大型语言编码器与级联扩散结合的文生图研究模型，此节点记录论文公开。

使用 Pathways 系统训练的 540B Dense 语言模型，展示规模化的多任务与少样本能力。

Midjourney 的早期默认图像模型，以抽象、绘画式风格为主；官方历史仅给出首发月份。

通过人类反馈强化学习对齐 GPT-3，让模型更好地遵循用户指令；此节点代表系列而非单一参数档位。

Google 面向开放式对话的语言模型研究路线，强调对话质量与主题延展。

175B 参数自回归模型，系统展示了无需微调的少样本与上下文学习。

将无监督语言建模展示为可迁移的通用任务学习，并采用分阶段权重发布。

以生成式预训练再进行任务微调的 Transformer，开启 GPT 模型路线。

GLM-5.3-Flash 的高速 API 服务变体，保留 Flash 系列的视觉理解、工具调用与 Agent 能力。

Grok Voice Transcribe 的首代语音转写 API 型号，正在被 2.0 替代。

旧版高质量图像 API 型号，SpaceXAI 已宣布于 2026-11-02 退役并重定向到 Image 2.0 的 low 质量档位。

阶跃星辰当前的语音产品组，覆盖 ASR、实时语音交互、语音生成、TTS 与音乐生成。