国内外知名大模型（截止2026年5月15日）

2026-05-18 03:02:34 · llm

----- 国外部分 -----

经过了两年的发展，国内外AI大模型的差距在不断缩小，但整体国外仍有一个身位的领先优势，尤其是通用模型。Google，OpenAI，Anthropic这三家公司除了性能交替领先，更重要的是行业趋势目前仍然一直由这几家公司把握。

国外的大模型大多数都需要架梯翻墙才能访问，而且由于生成的内容相对自由，国内企业使用起来可能会要注意合规风险。

闭源组

通用类

OpenAI 于 2026 年 4 月 23 日推出的通用模型， 将重心从对话交互转向“自主智能体”，通过原生多模态架构实现对文本、图像、音频及视频的深度处理，并在 Codex 中支持高达 400K 的超长上下文窗口。在技术表现上，该模型具备自主规划与自我纠错能力，能跨工具循环执行复杂任务，其在 Expert-SWE 基准测试中展现出解决人类需耗时 20 小时处理工程问题的能力，并在 Terminal-Bench 2.0 和 FrontierMath 等高难度领域显著超越 GPT-5.4。为了满足不同工作场景，它细分为追求逻辑速度的 GPT-5.5 Thinking 和应对极苛刻任务的高精度 GPT-5.5 Pro，同时提供响应速度提升 1.5 倍的快速模式，并在部署前通过了严苛的网络安全与生物风险红队测试。

5月5日推出GPT-5.5 Instant，已取代5.3 Instant成为ChatGPT的默认模型，该版本显著减少幻觉、处理难题更出色、任务能力更强，语言更精练、语气更自然，且能更好地集成用户的个人数据为用户服务。

Google Deepmind研发的大模型。2026年4月份发布了Gemin 3.1 Flash，包含 Gemini 3.1 Flash-Lite（轻量级文本/多模态模型）和 Gemini 3.1 Flash Live（原生实时语音对话模型）。

Gemini 3.1 Flash-Lite 是 Gemini 3 家族中速度最快、性价比最高的模型，由 Gemini 3 Pro 通过蒸馏技术压缩而成。其首 Token 响应时间比 2.5 Flash 快 2.5 倍，输出速度提升 45%，价格约为前代价格的一半。模型支持"思考等级"动态调节功能，可从 Minimal 到 High 四档切换推理深度，灵活平衡延迟与逻辑准确度，适用于从高并发内容审核到复杂 UI 生成的多种场景。

Gemini 3.1 Flash Live 则是专为实时语音交互打造的端到端原生音频模型，它摒弃了传统的"语音识别-文本推理-语音合成"串联架构，实现音频直接输入、音频直接输出。模型能感知说话人的语气、语速、情绪色彩等声学细节，支持 90 多种语言的实时多模态对话，并具备更强的背景噪声过滤能力、更长的对话上下文记忆（是前代的 2 倍），且支持在对话中动态触发外部工具。

Anthropic研发的大模型。在Opus 4.6 和 4.6 thinking 连续在LMSYS霸榜两个多月后，2026年4月发布 Opus 4.7 巩固领先优势。新模型在高级软件工程任务上实现显著提升，SWE-bench Pro和Verified分别达到64.3%与87.6%，能够独立处理此前需人工监督的复杂长时编程任务。视觉能力大幅增强，支持最高2576像素长边的高分辨率图像输入，是前代模型的3倍以上，在化学结构识别和技术图表解析上表现更佳。模型具备更严格的指令遵循能力和自我验证机制，可跨会话利用文件系统记忆积累上下文。安全性方面集成Project Glasswing防护框架，自动拦截高风险网络攻击请求。

2月发布 Sonnet 4.6，支持 1M token 的上下文窗口，在编程、Computer Use、长上下文推理、智能体规划、知识工作和设计等能力上实现了全面升级。其中模型在编程任务中幻觉和降智行为相对于Opus 4.5更少，在Computer Use任务中完成度达到了72.5%，是一年半之前该功能刚推出时的5倍。

2025年10月发布Haiku 4.5，在保持与Claude Sonnet 4相近性能的同时，实现了超过2倍的响应速度和仅为1/3的运营成本；

封号最猛也是唯一家公开反华的模型厂，倡议大家在有平替的前提下尽量不要为它家充值。

一龙马斯克旗下的xAI研发的大模型，采用最新版本闭源早期版本开源的策略，其中v3.0版本已经开源。2025年11月发布最新版本v4.1。在LMSYS当了一天的老大就被友商Gemini超越。和4.0版本相比，4.1通过创新的智能体奖励模型训练方法，提升了模型的情商以及写作时“人味”，并大幅降低幻觉率。

法国Mistral AI发布的闭源大模型。2025年5月发布Mistral 3 Medium。除了便宜，没有更多量化的公开指标。2024年7月发布了Mistral Large 2，拥有128K 上下文，参数123B，详见《Large Enough》——Mistral Large 2简介。尽管作为欧洲独苗，MistralAI最近不太参与通用模型的竞争，专注于小模型和一些细分领域的小创新，但业内人士应该还记得Mixtral 8x7B发布时对行业的贡献。

推理类

  • OpenAI

2026年4月发布推理模型 GPT-5.5 thinking。它是为需要快速逻辑拆解和深度思考的过程而设计的，其核心特征在于它不仅仅给出答案，而是优化了内部的“思考链路”。与以往模型可能存在的冗余解释不同，Thinking 版本更倾向于直接切中要害，提供经过逻辑提炼后的简洁回答，减少了用户的阅读负担。它能够迅速识别复杂问题中的核心变量，并在后台完成 CoT 的构建。它最适合用于头脑风暴、策略规划、代码架构的初步设计，以及那些需要严谨逻辑但追求即时反馈的决策辅助场景。

4月发布专业推理模型GPT-5.5 Pro。模型旗舰版本，代表了目前大模型所能达到的最高智能水平。它是为了应对那些“不容有失”且对人类而言极具挑战性的任务而打造的。Pro 版本专门针对 FrontierMath（前沿数学）和 Expert-SWE（专家级软件工程）等基准测试进行了极限调优。在处理需要数小时甚至数十小时才能解决的复杂工程问题时，它拥有比 Thinking 版本更高的成功率和更低的幻觉率。Pro 版本在推理时会投入更多的计算资源，响应延迟相对较高，这种延迟被视为确保高质量输出的必要权衡。在面对多步骤、长程的自主代理任务时，Pro 版本的“自我纠错”机制更为顽健，能够更有效地识别并修复在跨工具协作中产生的微小偏差。

  • Gemini

Google Deepmind发布的推理模型，2026年2月份发布了 Gemin 3.1 Pro，在基于代码的动画、复杂系统综合能力、交互式设计、创意编程等各维度能力提升。

2025年11月发布 Gemin 3 Deep Think_。_在推理、多模态理解和智能体能力上实现了质的飞跃。Gemini 3 Pro在几乎所有主要的 AI 基准测试中都显著优于 2.5 Pro；Gemini 3 Deep Think 作为全新的增强推理模式，在高难度测试中表现卓越，并在 ARC-AGI-2 上取得了 45.1% 的突破性成绩。详见《如何评价谷歌在2025年11月18日凌晨发布的gemini3.0pro模型？》

  • Claude

Anthropic发布的推理模型，2026年4月发布Claude Opus 4.7 Adaptive Thinking。通过自适应思维，Claude 能够自主判断何时需要进行深度推理。

  • Grok

xAI发布的推理模型，2025年11月发布Grok 4.1 Thinking。

  • Magistral

Mistral发布的推理模型，2025年9月发布了的Magistral Medium v1.2，增加了多模态支持，提升了模型本身和工具使用时的智能。整体性能在第二梯队，主要优点是快。

图像类

  • Google Deepmind

Gemini 3.1 Flash Image(Nano Banana 2)：Nano Banana 2 - Gemini AI 圖像生成器和相片編輯器

2026年2月Google Deepmind更新的Gemini原生的图像生成能力。模型依托 Gemini 的广泛世界知识和实时网络搜索能力，能够更准确地还原特定主题，并支持将笔记转化为图表、生成数据可视化信息图等复杂任务。在文本渲染方面，Nano Banana 2 实现了显著升级，可在图像中生成清晰可读的文字，并支持多语言翻译和本地化，满足营销物料和全球化内容创作需求。创作控制层面，模型可在单个工作流中保持最多五个角色的形象一致性和最多14个物体的保真度，同时严格遵循复杂的多层指令，支持从512像素到4K的多种分辨率以及包括4:1、1:4、8:1、1:8在内的多种宽高比。

Gemini 3 Pro Image(Nano Banana Pro)：https://blog.google/technology/ai/nano-banana-pro/

2025年11月Google Deepmind更新的Gemini原生的图像生成能力。相比于前一个版本更擅长二创的Nano Banana，Pro版本基于Gemini 3强大的推理能力和世界知识，文生图的能力也显著加强，多语言文本的渲染大幅升级；二创时支持参考多达14张图像，并保持多达5个人物的一致性和相似度，以及更加精细化的图片局部编辑。详见《如何评价谷歌发布新一代图像生成模型 Nano Banana Pro，有哪些亮点？》

Imagen 4：https://deepmind.google/models/imagen/

Google Deepmind 2025年5月发布的AI图像生成模型。在LMSYS竞技场T2I子榜上Image 3长期霸榜，Imagen 4生图质量比3高，速度比3快，很可能扩大领先优势。

  • OpenAI

GPT-Image 2：Introducing ChatGPT Images 2.0 | OpenAI

OpenAI 2026年4月发布的 GPT 原生图像生成模型。模型基于 GPT-5.4 骨干网络构建，原生集成了“推理模式”（Thinking Mode），在绘图前能进行逻辑构思、实时检索互联网信息并对输出结果进行自我核验，从而在处理诸如“1969年伍德斯托克音乐节”等具备复杂背景知识的指令时展现出极高的世界知识准确度。

在生产力表现上，它彻底攻克了文字幻觉，支持多语种（包括中日韩、印地及孟加拉语）的精准排版与微小 UI 元素的结构化生成，并能输出带透明通道的贴图或 4K 超清的分辨率，比例跨度从 3:1 延伸至 1:3。其突破性的“一致性锚定”技术支持单次连发 8 张角色与风格高度统一的图像，配合无需遮罩的自然语言局部编辑与多图参考合成功能，使该模型在 Image Arena 排行榜上以超过 240 分的断层优势领先。

通过提供 Instant 与 Thinking 双重模式，GPT-Image-2.0 已从艺术创意工具演进为能够直接交付商用海报、交互原型及长篇绘本的专业级视觉生产系统。

DALL·E 3: https://openai.com/dall-e-3

OpenAI研发的AI图像生成器。

Midjourney研究实验室开发的生图模型，可以实现文字生图和图生图。2025年3月发布v7.0。和Stable Diffusion一起出道的生图元老，但是更新太过缓慢，听闻主程已离职，不知是否要退出历史年舞台了。

Black Forest Labs 2025年11月发布的生图模型，建立在潜在流匹配（latent flow matching）架构之上，并将图像生成与编辑功能结合在单一架构中。旗舰模型 FLUX.2 [pro] 在图像生成质量、在指令遵循和视觉保真度方面可以匹配SOTA模型，同时以更快的速度和更低的成本生成图像。自定义模型 FLUX.2 [flex] 支持控制模型参数，例如生成步数（steps）和引导系数（guidance scale），赋予开发者对质量、指令遵循及生成速度的完全控制权。详见《如何评价最新发布的FLUX 2？》。

视频类

Google Deepmind在2025年10月发布的AI视频生成模型。相比5月份发布的3.0版本，音频生成、指令遵循、视频真实感这几个维度都有显著增强的同时_，新增“插入”工具，_可在视频中添加新元素并自动匹配光影。

Runway在2025年12月发布的AI视频生成模型，保持了 Gen-4 的速度和效率，在不牺牲性能的前提下提供了突破性的质量，但在视频生成时，因果倒置、物体消失、场景成功率过高等局限性依然存在。Gen系列在视频生成模型的队伍中掉队了，本来打算要移除，看它还活着就先留着吧。

Glen Pika在2025年11月发布的AI视频生成产品，支持文生视频、图生视频和视频生视频。

Luma Labs在2025年9月发布的电影级视频生成产品，增加了CoT推理生成功能，使用专业ACES2065-1 EXR标准生成真正的高动态范围视频，支持10位、12位和16位格式，可以生成时长约10秒。

Stablility AI发布的AI视频生成模型，以两个图像到视频模型的形式发布，能够以每秒 3 到 30 帧的可定制帧速率生成 14 帧和 25 帧，生成视频时长2-5秒。需下载代码布署本机使用，对电脑硬件配置有一定的要求。

Midjourney研究实验室开发的视频生成模型，2025年6月发布v1.0。采用图像转视频（I2V）的工作流程，支持用户上传外部图像并进行动画处理。掉队的先驱者。

音乐类

Google Deepmind 2026年2月发布的音乐模型，生成音乐时长30秒，支持文本、图片和视频多种输入方式。系统会根据提示词自动生成歌词；用户获得了更强的创作控制权，可以精细调整音乐风格、人声和节奏等元素；模型能够创作出更加真实且音乐复杂度更高的曲目。

Suno AI 2025年9月发布的音乐模型。相对于v4.0，完成了音质升级，达到了录音室级别；还能像专业工作站一样，拆解歌曲的鼓点、合成器、人声等 12 个分轨，随意替换、重组；对音乐风格也有更强的掌控力。

音频类

Stablility AI发布的AI音频生成模型。

OpenAI研发的AI音频生成模型。

Google Deepmind 2024年6月研发的音频生成大模型，可以根据源视频和文字prompt给源视频配上合适的BGM。详见Generating audio for video——Google V2A简介

世界类

Google DeepMind 于 2025 年 8 月发布的世界模型。该模型能够以 720p 分辨率和 24 帧/秒的速率实时渲染可探索的虚拟环境，模型会根据输入即时生成对应的画面，并将可交互时长从前代的 10 到 20 秒扩展到了数分钟。Genie 3 具备约一分钟的视觉记忆能力，这意味着当用户离开某个场景后再返回时，环境中的物体状态会保持一致。此外，Genie 3 支持可提示的世界事件功能，用户可以在探索过程中通过文本指令实时修改环境。模型并未使用硬编码的物理引擎，而是通过观察大量视频数据自发学会了模拟流体、光影、碰撞等物理规律，能够呈现出水波涟漪、风吹树叶和物体阴影等自然现象。

Marble：World Labs 于 2025 年 11 月正式推出的首款商用 3D 世界生成模型。用户只需提供单张图片、一段短视频或文字描述，模型即可生成高保真、持久的 3D 虚拟环境；Marble 生成的是可下载、可持久存在的 3D 场景，这显著减少了场景变形和不一致性问题；用户可以先手动构建空间框架，再由 AI 自动补充视觉细节；支持"场景扩展"功能，可在场景边缘自动生成更多环境内容；对于超大规模空间，还可使用"作曲家模式"将多个独立生成的世界拼接在一起。

RTFM：World Labs 于 2025 年 10 月发布的实时生成式世界模型。模型仅需单张 NVIDIA H100 GPU 即可实现实时推理，以交互帧率渲染 4K 画面；采用"空间记忆"技术（Posed Frames as Spatial Memory）和上下文切换机制（context juggling），确保生成的 3D 世界不会因用户离开或视角转换而消失，支持长时间探索后的场景一致性；能够自主学习和渲染反射、阴影、光泽表面、镜头光晕等复杂物理效果。

开源组

通用类

  • Mistral

Mistral Large 3：https://docs.mistral.ai/models/mistral-large-3-25-12

法国的大模型公司 MistralAI 于2025年12月份发布并开源的通用模型，采用稀疏 MoE 架构，参数量为 675B（A41B），支持 256K 上下文。根据官网介绍，性能位于开源模型梯队前列（官网比较对象为DeepSeek-V3.1和Kimi-K2）。

Ministral 3：https://mistral.ai/news/mistral-3

Mistral AI于2025年12月发布并开源的端侧模型，提供三种参数规模：3B、8B 和 14B。每个变体都有多模态能力，且实现了开源模型中的最佳性价比（官网比较对象为Qwen3和Gemma3）。

Google Deepmind 2026年4月发布的开源小语言模型，架构设计注重计算与内存效率，支持在个人硬件上进行高效部署和微调。该系列提供多个规模版本，从适合边缘设备运行的E2B和E4B，到面向高性能计算的26B和31B参数版本。在智能体能力方面，模型实现了性能突破，原生支持函数调用，使开发者能够构建具备规划、应用导航和任务执行能力的自主智能体。在多模态处理上，模型展现出强大的音频和视觉理解能力，同时在语言支持方面覆盖140种语言，不仅能完成翻译任务，更能深入理解不同文化语境。

微软发布的大语言模型，2024年12月发布了v4.0，截止目前只发布了14B参数的版本，虽然架构和phi-3类似但通过改进的数据质量、优化的训练课程以及创新的后期训练方案，展现出相较其参数规模的卓越表现，详见《Phi-4技术报告》。

推理类

OpenAI于2025年8月发布的开源推理模型，MoE架构，有120B（A5.1B）和20B（A3.6B）两个版本，性能分别于o4-mini和o3-mini相当。

  • Phi

微软2025年5月发布的推理模型Phi-reasoning系列，包括加强版plus，和效率版mini。参数量和通用版本一致为14B。

  • Magistral

Mistral发布的推理模型，2025年9月发布了并开源了24B参数的Magistral Small v1.2版本，增加了多模态支持，提升了模型本身和工具使用时的智能。

Meta超级智能实验室2026年4月发布的首款模型，设计小巧快速但擅长科学、数学与健康等复杂推理。其突出特点是强大的多模态感知能力，可识别图像、理解图表，支持通过提示直接生成网站或小游戏。模型能并行启动多个子代理协同处理任务，并深度整合社交内容与购物场景。Muse Spark现已在Meta AI应用中上线，未来将通过API开放并计划开源。小扎实在不行你还是去搞元宇宙吧，同样是没啥成果，毕竟那个亏钱慢一点。

图像类

2025年11月由Black Forrest Lab发布，参数量32B，衍生自 FLUX.2 基础模型。号称是当今可用的最强大的开放权重图像生成和编辑模型，在单个检查点中结合了文本到图像合成和带有多个输入图像的图像编辑功能。

由CompVis、Stability AI 和 LAION 的研究人员创建文本到图像潜在扩散模型，需下载代码布署本机使用，对电脑硬件配置有一定的要求，目前更新到了3.5版本。

----- 国内部分 -----

国内的大语言模型一开始都是为了想在这个市场中分一杯羹赶鸭子上架陆续上线的，不过在经历了一年多的发展后，和国外领先团队的差距在不断缩小，尤其是在音乐、生图、生视频和推理模型这几个细分领域大有赶超之势。

闭源组

通用类

字节跳动研发的大语言模型应用，2026年2月发布最新通用模型版本为Doubao-Seed-2.0，其中Lite版本适配通用生产场景，Mini版本专为高并发场景优化。Seed2.0 在视觉推理与感知上有着显著提升，并强化了对时间序列与运动感知的理解能力。模型还重点强化了指令遵循能力，在复杂 Agent 能力评估中达到业界第一梯队水平，能够处理复杂视觉输入并完成实时交互和应用生成。详见《字节跳动 Seed 2.0》。经过2025年不断进步，豆包系列整体性能已经稳坐国内第一梯队。

Qwen3.6-max-preview：大模型服务平台百炼控制台——Qwen3.6-Max

目前还是preview版本就不详细介绍了，详见官号的文章《Qwen3.6-Max-Preview来了！》

Qwen3.6-plus：大模型服务平台百炼控制台——Qwen3.6-plus

阿里千问团队2026年发布的通用模型。在Agent编程能力上实现突破性跃升，尤其在复杂代码仓库级问题求解与前端开发领域树立全新业界标杆，同时默认支持百万token超长上下文窗口。模型深度融合逻辑推理、海量记忆与精准工具执行能力，在代码修复、终端操作、长程规划及工具调用等任务中全面领先，正加速向具备高度自主性的超级智能体演进。多模态感知与推理能力显著增强，在复杂文档理解、视频推理、视觉编程及真实场景感知方面表现更为精准敏锐，为开发者提供稳定可靠的"氛围编程"体验。详见《Qwen3.6-Plus：走向现实世界智能体》

Qwen3.5-Omni：大模型服务平台百炼控制台——Qwen3.5-Omni

阿里千问团队2026年3月发布的All in One模型，采用 Thinker-Talker 双模块架构，且两者均升级为 Hybrid-Attention MoE 结构，提供 Plus、Flash、Light 三种尺寸。模型支持 256K 上下文，可处理超过 10 小时音频或 400 秒 720P 音视频输入，基于超过 1 亿小时的海量音视频数据完成原生端到端预训练。相比 Qwen3-Omni，3.5在多语言能力上显著增强，支持 113 种语种及方言的语音识别和 36 种语言的语音生成。实时交互方面，支持语义打断、自主 WebSearch 与 Function Call、端到端语音控制（音量/语速/情绪调节）及音色克隆功能。针对流式语音合成中的漏读、误读问题，提出 ARIA（自适应速率交错对齐）技术，在保证实时性的同时显著提升语音自然度与稳定性。详见《视听全才，言出码随！全模态Qwen3.5-Omni上线》

相对于只专注于模型性能的DeepSeek，Qwen更贴近应用，更全面。

GLM-5V-Turbo：https://docs.bigmodel.cn/cn/guide/models/vlm/glm-5v-turbo

智谱 AI 公司于2026年4月发布的 Agent 模型，深度适配"龙虾"（OpenClaw/AutoClaw）Agent场景，是智谱首个面向视觉编程的原生多模态Coding基座模型。技术层面采用新一代CogViT视觉编码器与推理友好的MTP架构，上下文窗口 200K token，最大输出128K，具备强大的长程规划与复杂任务执行能力。模型核心特点在于从预训练阶段即深度融合视觉与文本能力，能够直接理解设计稿、截图、网页界面及视频等多模态输入并生成可运行代码。

GLM-5-Turbo：https://docs.bigmodel.cn/cn/guide/models/text/glm-5-turbo。

智谱 AI 公司于2026年3月发布的 Agent 模型，参数量不详，上下文长度200K token。重点强化了工具调用、指令遵循、定时与持续性任务、高吞吐长链路执行四项核心能力。

月之暗面研发的大语言模型应用。曾经国内的长文档阅读之王，进入2025年后有些沉寂。

腾讯研发的大语言模型应用，前身为腾讯混元，目前最新语言模型版本为2025年12月发布的HY2.0。HY 2.0 基于 MoE 架构，总参数 406B（A32B），支持 256K 上下文窗口，在推理能力，代码与智能体，指令遵循等维度均实现了显著提升。2025年2月接入DeepSeek-R1后，下载量飚升，但后续的动作存在感都不强。

阶跃星辰研发的大语言模型应用。

百度文心团队2026年5月发布通用模型，和 Enrie-5.0 一样采用 超稀疏MoE架构，总参数量压缩至前作（约2.4T）的1/3（约 0.8T），激活参数减半（约 36B），预训练成本仅为业界同规模模型的 6% 左右。该模型采用 Once-for-All 弹性训练框架，通过弹性深度、弹性宽度和弹性稀疏度三个维度动态调控 Transformer 层、MoE 专家池规模及 Top-k 路由机制，在单次预训练中同时优化多规模子模型矩阵。后训练方面，模型构建了以多教师在线策略蒸馏为核心的四阶段管线，依次完成统一SFT、并行领域专家训练、OPD 能力融合与通用在线强化学习，有效避免了传统串行训练中的多目标冲突和跷跷板效应。

  • 小米MiMo

MiMo-V2.5-Pro：MiMo-V2.5-Pro | Xiaomi

小米MiMo团队2026年4月发布的Agent模型，是 MiMo团队目前的最强模型，能自主规划和执行复杂长周期任务。它在编程能力大幅提升的基础上，首次展现出像人类专家一样连续工作数小时、通过大量工具调用从零构建编译器或完整桌面软件等完整项目的能力，同时在超长上下文中保持高度连贯和精准的指令遵循，并以更低的 token 消耗实现了前沿级别的效率。

MiMo-V2.5：MiMo-V2.5 | Xiaomi

小米MiMo团队2026年4月发布的通用模型，原生支持长达 1M token 的上下文窗口，其核心特点是显著提升了自主行动能力（Agentic）与多模态（视觉/听觉）的原生融合理解，使其成为一个能同时“看懂、听懂并直接行动”的统一模型。拥有原生多模态理解与行动能力，顶级的自主行动能力，增强的感知与视觉推理能力。

推理类

  • 字节豆包

2026年2月发布推理模型Doubao-Seed-2.0 Pro，侧重提升了长链路推理能力与复杂任务稳定性，适配真实业务中的复杂场景，在视觉推理及感知、运动感知、指令遵循和真实世界任务几个维度处于业界第一梯队水平。详见《字节跳动 Seed 2.0》。

  • 通义千问

2026年1月发布推理模型 Qwen3-Max-Thinking， 在事实知识、复杂推理、指令遵循、人类偏好对齐以及智能体能力维度实现显著提升，性能可媲美 GPT-5.2-Thinking、Claude-Opus-4.5 和 Gemini 3 Pro 等顶尖模型。并引入自适应工具调用能力（可按需调用搜索引擎和代码解释器）和测试时扩展技术（Test-Time Scaling）。详见《Qwen3-Max-Thinking：会想能干，比强更强！》

  • 阶跃AI

2025年4月发布多模态推理模型step-r1-v-mini。

  • 文心一言

2025年4月发布推理模型X1 Turbo；9月发布了X1.1，上下文长度64K，其余参数不详。

  • 腾讯混元

腾讯混元团队2025年12月发布HY2.0 Think，基于 MoE 架构，总参数 406B（A32B）。

2025年3月推出的推理模型 Hunyuan-T1，由于元宝集成了DeepSeek-R1，导致T1长期生存在R1的阴影之下没有存在感。

视频类

字节Seed 2026年2月发布的视频生成模型。新增的“全能参考”能力和增强的编辑能力让视频作品在视听真实感、创作可控性和工业适配性三个维度实现了显著提升，在文生视频、图生视频、多模态视频三个维度都达到行业SOTA水平。在跟随了kling和veo一年多之后，Seedance 2.0成为行业最强。

  • 可灵AI

可灵-视频3.0 Omni：可灵 AI - 新一代 AI 创意生产力平台

2025年2月发布的全模态视频生成大模型，升级自可灵视频 O1。新模型基于深度集成的统一模型训练框架，在多模态原生交互上实现了显著进阶。在实现 15 秒长视频生成的突破基础上，提供了更灵活的分镜控制及更精确的语义响应能力。和同时发布的3.0版本相比，Omni模型更侧重多模态元素一致性控制深度融合。

可灵视频 3.0：可灵 AI - 新一代 AI 创意生产力平台

2026年2月发布的视频生成大模型，升级自可灵视频 2.6。相对于同时发布的3.0 Omni，可灵视频3.0更侧重于专业视频生成与叙事控制，提供长达15秒的视频生成能力，强调智能分镜和自定义分镜功能，适合需要精细控制镜头语言和叙事节奏的专业创作场景。

2025年与Google Veo 系列并列行业top 2地位，2026年Seedance有反超之势。

MiniMax在2025年10月底推出的视频生成模型。和6月发布并更名为Hailuo的版本02相比，2.3版本身体动态和面部表情更逼真传神，对物理世界的理解更深刻，对用户指令的遵循更透彻，并增加了AI视觉特效（VFX）和生成模式选择。

智谱AI推出的视频生成模型，默认生成视频时长为6秒钟，支持视频风格、情感氛围、运镜方式这些进阶参数。

阿里通义万相团队2026年4月发布的视频生成系列模型，包含文生视频(t2v)、图生视频(i2v)、参考生视频(r2v)和视频编辑(videoedit)四大专业模型。该模型支持文本、图像、视频、音频全模态输入，全系列支持720P和1080P分辨率输出，视频时长可在2~15秒内任意指定。用户可通过自然语言指令对视频进行增删元素、替换物体、切换季节与环境风格，以及调整角色行为、台词、表情和拍摄参数。模型支持最多5个主体的多模态参考生成，

  • (ATH)HappyHorse 1.0：短暂荣登AA榜榜首的视频生成黑马，目前还没官方宣传物料流出，先占坑。

音乐类

Minimax在2026年4月底推出的端到端音乐生成模型。其核心升级体现在四个真实场景的应用突破：国风音乐能够呈现二胡揉弦、笛子气口等细腻的演奏呼吸感，实现层次化编排；史诗风格的中低频得到专门优化，贝斯和鼓点具备足够的下潜深度与咬合紧密度；在 lo-fi、独立民谣等风格中，人声和旋律允许适度的"不精准"，形成恰到好处的律动呼吸感；新增的 Cover 功能可精准提取上传歌曲的旋律骨架，在保留原曲辨识度的前提下自由切换风格、编曲甚至替换歌词。

此外，2.6 版本将首包延迟压缩至 20 秒以内，显著改善了创作等待体验；指令控制层面强化了对 BPM、调性、段落结构和情绪走向的精确执行能力；中低频的系统性优化也使 House、Trap、Drum & Bass 等依赖低频驱动的风格直接受益。面向开发者，MiniMax 还同步开源了三个 Music Skill。

昆仑万维发布的音乐生成模型，2025年7月发布V7。支持MusicCoT，区别于音乐生成模型常见的next token prediction生成方式，Mureka V7先搭音乐框架，再填充内容。在Song Quality Evaluation中的考分高过Suno v4.5。

音频类

阶跃AI在2026年4月发布的 Contextual TTS模型，其核心特点在于通过理解语境，让AI“演”文本，而非简单“念”文本。模型实现了双档语境控制，通过全局语境定调整段基调，再用文中语境在句子中精调，实现复杂情绪的细腻演绎；零样本音色复刻，只需3秒参考音频即可复刻音色，且复刻后的声音依然支持灵活的语境控制，不受固定音库限制；高品质声音表达，在韵律、节奏等维度全面提升，有效改善“AI味”，人声品质更接近真人。

Minimax在2025年10月底升级的文转语音模型。相比8月发布的Speech 2.5，Speech 2.6的延时更低，端到端延迟降至250ms以下；支持特殊格式文本解析，URL、EMail、电话号码、日期不需要预处理也能正常表述；引入“Fluent LoRA”技术，解决不完美音源声音克隆的需求难点。

通义团队在2025年9月发布的文本转语音模型，拥有领先的中文和英文稳定性，17种表现力丰富的声音 × 10 种语言，在中文、英文、意大利语、法语方面达到 SOTA水平，其中中文支持超过9种方言。

图像类

  • 可灵 AI

可灵图片3.0 Omni：Next-Gen AI Video & AI Image Generator

可灵AI 2026年2月发布的图像生成模型。升级自可灵图片O1。新模型致力于强化电影级叙事视觉表达，通过对文生图与图生图生成能力的深度优化，使其精准适配影视类图像创作需求。3.0 Omni模型的四大核心优势包括结构化叙事表达强化、图像系列模式与批量优化功能、原生 2K/4K 超高清输出、提真实感与细节一致性提升。

可灵图片3.0：Next-Gen AI Video & AI Image Generator

可灵AI 2026年2月发布的图像生成模型，升级自可灵图片2.6。模型支持 10 张参考图像的特征融合与再创作，可一站式满足各类图像创作需求。其核心优势体现在特征保留、精确细节微调、风格受控准确、想象力卓越。

字节豆包2025年12月发布的图像生成模型。该版本针对中文场景深度优化，拥有强大的中文语义理解能力。能精准解析复杂提示词并准确执行替换元素、调整光影等高级指令。模型支持摄影写实、水彩手绘、C4D渲染等多风格表现，在材质质感、光影物理规律等细节呈现上尤为出色。

阿里通义万相团队2026年3月发布的图像生成模型。强化了虚拟形象捏脸功能，支持从骨相、眼眸到五官细微处的全方位定制；支持全新的“调色盘”功能，用户一键提取或输入参考图的各种颜色和占比，并可自由调控颜色的数量和占比，自定义配色方案；对超长文字、表格和复杂公式的渲染可达印刷级，支持 12 种语言，最高 3K token 的超长文字输入。

世界类

阿里巴巴token事业部2026年4月发布的世界模型，目前内测资格少量放出中，先占坑。

开源组

通用类

  • DeepSeek

DeepSeek-V4-Pro: DeepSeek-V4-Pro

深度求索团队2026年4月发布的旗舰混合推理模型，总参数 1.6T，每 token 激活 49B，上下文窗口 1M token，预训练使用超过 32T token 多样化高质量语料。采用混合注意力架构，引入压缩稀疏注意力（CSA）与重度压缩注意力（HCA），极大减少单 token 推理计算量和KV 缓存。采用了流形约束超连接（mHC）增强传统残差连接，提高信号跨层传播稳定性。Agent 能力也得到了大幅增强。整体性能位于开源模型SOTA，略逊于闭源模型SOTA。

DeepSeek-V4-Lite：DeepSeek-V4-Flash

深度求索团队2026年4月发布的混合推理模型，总参数约 284B，每token 激活 13B，上下文窗口 1M token。DeepSeek-V4-Flash 在世界知识储备方面稍逊 V4-Pro一筹，但展现出了接近的推理能力。而由于模型参数和激活更小，相较之下 V4-Flash 能够提供更加快捷、经济的 API 服务。在 Agent 测评中，V4-Flash 在简单任务上与 DeepSeek-V4-Pro 旗鼓相当，但在高难度任务上仍有差距。

  • Qwen

Qwen3.6-27B：https://huggingface.co/Qwen/Qwen3.6-27B

通义千问团队 2026年4月发布并开源的稠密多模态通用模型，参数为27B。模型在智能体编程方面达到旗舰级表现，在多项核心编程基准上全面超越了总参数量高达其15倍的前代旗舰模型。该模型原生支持图像、视频与文本处理，具备多模态思考与非思考双模式，同时在自然语言推理任务上展现出媲美数倍体量模型的实力。详见《Qwen3.6-27B开源：小小身材，超级码力》。

Qwen3.6-Flash：https://huggingface.co/Qwen/Qwen3.6-35B-A3B

通义千问团队 2026年4月发布并开源的通用模型，参数为35B-A3B，基础上下文窗口256K，可扩展至1M。原生支持多模态，以 3B 激活参数展现出远超其体量的感知与多模态推理能力；在智能体编程任务上表现突出，仅凭3B 激活参数就超越了27B 参数的稠密模型Qwen3.5-27B，并在智能体编程和推理任务上大幅超越其前代Qwen3.5-35B-A3B；详见《智能体编程“小钢炮”：Qwen3.6-35B-A3B开源！》

Qwen3.5：https://github.com/QwenLM/Qwen3.5

通义千问团队 2026年2月发布通用模型，参数为397B-A17B。模型通过在数 T 多模态 token 上进行早期融合训练，在推理、编程、智能体及视觉理解基准等维度全面超越 Qwen3 和 Qwen3-VL；采用门控 Delta 网络与稀疏 MoE 相结合的方案，在极低的延迟与成本开销下实现了高吞吐量的推理性能；支持的语言与方言种类已扩展至 201 种。详见《Qwen3.5：迈向原生多模态智能体》。

Qwen3-VL：https://github.com/QwenLM/Qwen3-VL

2025年9月发布多模态通用模型，参数量为235B-A22B，拥有视觉智能体操作图形界面、视觉编程、精确空间理解、超长上下文，超长视频理解等能力，详见《Qwen3-VL 技术报告》

Qwen3-Omni：https://github.com/QwenLM/Qwen3-Omni

2025年9月发布All in one模型Qwen3-Omni，参数量为30B-A3B，这是一个原生端到端全模态 AI，统一整合文本、图像、音频和视频于单一模型——无模态权衡。详见《原生全模态！Qwen3-Omni视频通话来咯》

Qwen3-Next：Qwen3-Next

9月发布全新架构的Qwen3-Next，参数量为80B-A3B，核心改进包括混合注意力机制、高稀疏度 MoE 结构、一系列训练稳定友好的优化，以及提升推理效率的MTP机制。其它的训练成本仅为Qwen3-32B的十分之一不到，在32k以上的上下文下的推理吞吐则是Qwen3-32B的十倍以上。详见《Qwen3-Next：迈向更极致的训练推理性价比》

  • GLM

GLM-5.1：https://huggingface.co/zai-org/GLM-5.1

智谱团队2026年3月发布并开源的混合推理模型_，_参数量为754B（A40B），上下文窗口200K。拥有8小时级持续工作能力，能够独立完成从规划、执行到迭代优化的完整闭环；适用于Agentic Coding、通用对话、创意写作、前端开发及Office生产力等多种场景。

GLM-4.6V：https://huggingface.co/zai-org/GLM-4.6V

智谱团队于2025年12月初发布并开源的多模态MoE混合推理模型，总参数和4.5V一致为106B（A12B），同时增加了一个 9B 的端侧模型 GLM-4.6V-Flash。模型上下文窗口扩展至 128K token，让模型可以胜任长上下文理解的任务。首次集成了原生的函数调用功能，让模型同时拥有多模态输入和多模态输出（交错图文、统计图表、图片渲染）的能力，能满足富文本内容理解创作、视觉网络搜索、前端开发和交互的应用场景需求。

  • Kimi

Kimi-K2.6：https://huggingface.co/moonshotai/Kimi-K2.6

月之暗面团队2026年4月发布通用模型，参数量为 1T(A32B)，上下文窗口256K，是目前业界总参数量最大的开源模型。相对于K2.5，其通用 Agent 能力、代码生成与视觉理解等综合能力得到全面提升。该模型支持文本、图片与视频的多模态输入，提供思考（thinking）与非思考两种模式，适用于对话与 Agent 任务场景。API 层面新增了 thinking 参数用于控制思考模式的启用与禁用，并支持基于 base64 编码的图片和视频上传，同时兼容多模态工具调用，允许模型在 Agent 循环中返回视频片段等富媒体内容作为工具执行结果。技术报告详见《Kimi K2.5：视觉增强的智能体能力》。

  • MiniMax

Minimax M2.7：https://huggingface.co/MiniMaxAI/MiniMax-M2.7

MiniMax 2026年3月发布的Agent模型，参数量和不详。这是 MiniMax 首个深度参与自我迭代的模型，该模型能够自行构建复杂的 Agent Harness，通过 Agent Teams、复杂 Skills 和工具搜索等能力，完成高度复杂的生产力任务；M2.7 在软件工程领域展现出接近国际顶尖水平的真实工程交付能力；在专业办公场景中，模型对 Office 三件套具备高保真多轮编辑能力；在金融分析等专业领域，模型可自主阅读年报、交叉比对研报、构建预测模型并生成可直接进入工作流程；在互动娱乐场景中也进行了显著增强，具备优秀的身份保持能力和情商。

  • Enrie

Enrie 4.5：https://github.com/PaddlePaddle/ERNIE

2025年7月，文心4.5系列开源模型共10款，涵盖了激活参数规模分别为47B和3B的MoE模型（最大的模型总参数量为424B），以及0.3B的稠密参数模型。

  • MiMo

MiMo-V2-Flash：https://github.com/XiaomiMiMo/MiMo-V2-Flash/

小米MiMo团队2025年12月发布并开源的通用模型，MoE架构，参数量为 309B(A15B) 。模型采用了混合注意力架构，将滑动窗口注意力与全局注意力交替使用。在 27T token 上进行了多 token 预测（MTP）预训练，引入多教师在线策略蒸馏（MOPD）范式进行后训练，性能接近 Kimi-K2-Thinking 和 DeepSeek-V3.2。详见《小米 MiMo-V2-Flash 技术报告》。

  • Hunyuan

Hy3-preview：https://github.com/Tencent-Hunyuan/Hy3-preview

腾讯混元团队2026年4月在完成基础设施与训练范式重建后推出的首个“快慢融合 MoE”大模型，参数 295B（A21B）、上下文窗口256K。技术架构上采用 192 路专家与 top-8 路由机制，并配备 3.8B 参数的 MTP 层。模型能力上重点补强复杂推理、上下文/指令遵循、代码与智能体等“真能干活”的能力，并通过更贴近真实场景的评测与产品集成路线来追求“全面实用性”。

  • Step

Step3-VL：Compact Yet Frontier Multimodal Intelligence

阶跃AI 2026年1月发布的多模态通用模型，参数量 10B。模型在视觉感知、复杂推理和人类对齐方面表现卓越，官方介绍该模型为 10B 规模以下的SOTA模型，并能媲美甚至超越规模大 的开源模型（如 GLM-4.6V 106B-A12B、Qwen3-VL-Thinking 235B-A22B）以及顶级闭源旗舰模型（如 Gemini 2.5 Pro、Seed-1.5-VL）。阶跃团队表示，模型的成功归因于高质量多模态语料库的统一预训练（1.2T tokens）与规模化多模态强化学习（超过 1,400 次 RL 迭代），并引入Parallel Coordinated Reasoning (PaCoRe)实现并行视觉探索的证据聚合。

推理类

  • DeepSeek

DeepSeek-V4-Pro-Thinking：DeepSeek-V4-Pro

深度求索团队2026年4月发布的旗舰混合推理模型，总参数 1.6T，每 token 激活 49B，上下文窗口 1M token。支持“Think High/Think Max”两档思考模式，通过 reasoning_effort 控制思考强度。

DeepSeek-V4-Flash-Thinking：DeepSeek-V4-Flash

深度求索团队2026年4月发布的混合推理模型，总参数约 284B，每token 激活 13B，上下文窗口 1M token。支持“Think High/Think Max”两档思考模式，通过 reasoning_effort 控制思考强度。

DeepSeek-R1：https://github.com/deepseek-ai/DeepSeek-R1

深度求索2025年1月发布了R1正式版，5月28日做了一次小更新，LMSYS总榜前10名的常客。详见《DeepSeek-R1技术报告（全文）》。

  • Qwen

Qwen3.5-Thinking：https://github.com/QwenLM/Qwen3.5

通义千问团队2026年2月发布的推理模型，详见《Qwen3.5：迈向原生多模态智能体》。

Qwen3-Next-80B-A3B-Thinking：Qwen3-Next

通义千问团队2025年9月发布的推理模型，详见《Qwen3-Next：迈向更极致的训练推理性价比》。

Qwen3-VL-Thinking：https://github.com/QwenLM/Qwen3-VL

通义千问团队2025年9月发布的多模态推理模型，详见《千问家族最强视觉模型！Qwen3-VL来了》。

  • GLM

GLM-4.7(Thinking Mode)：https://huggingface.co/zai-org/GLM-4.7

智谱AI 2025年12月发布并开源的混合推理模型，显著提升了数学和推理能力，在 HLE（“人类最后的考试”）基准测试中获得 42.8% 的成绩，较 GLM-4.6 提升 41%，超过 GPT-5.1。

GLM-4.5V(Thinking Mode)：https://huggingface.co/zai-org/GLM-4.5V

智谱AI 2025年8月初发布并开源的多模态混合推理模型，参数106B(A12B)。

  • Seed

Seed-OSS：https://github.com/ByteDance-Seed/seed-oss

字节Seed 2025年8月发布并开源的推理模型，参数量36B，长达512K的上下文窗口。针对推理任务进行优化的同时保持均衡且优秀的通用能力，允许用户根据需要灵活调整推理长度，并且在智能体任务（如工具使用和问题解决）方面表现卓越。

  • Hunyuan

Hunyuan-A13B-Thinking：https://github.com/Tencent-Hunyuan/Hunyuan-A13B

腾讯混元团队2025年6月推出的混合推理模型，总参数量80B，激活数量13B，拥有快/慢思考模式，集成了深度研究智能体。

  • Kimi

Kimi-K2.6-Thinking：https://huggingface.co/moonshotai/Kimi-K2.6

月之暗面团队2026年1月推出的推理模型，参数量 1T(A32B)，上下文窗口 256K 。详见通用模型介绍。

Kimi-VL-Thinking：https://github.com/MoonshotAI/Kimi-VL

月之暗面团队2025年3月推出多模态推理模型，MoE架构，参数量16B（激活3B），详见《Kimi-VL技术报告（全文）》。

  • Step

Step-3.5-flash：https://huggingface.co/collections/stepfun-ai/step-35-flash

阶跃 AI 2026年2月发布的推理模型，MoE架构，参数量196B（A11B），上下文长度为 256K。模型具备顶尖推理能力与快速可靠的执行能力。能够完成对复杂任务的分解、计划，可快速可靠地调用工具执行任务。

Step 3：https://huggingface.co/stepfun-ai/step3

阶跃 AI 2025年7月发布多模态推理模型，MoE架构，参数量 321B（A38B）。拥有强大的视觉感知和复杂推理能力，可准确完成跨领域的复杂知识理解、数学与视觉信息的交叉分析，以及日常生活中的各类视觉分析问题。

  • MiniMax

MiniMax-M2.1(Interleaved Thinking)：https://huggingface.co/MiniMaxAI/MiniMax-M2.1

MiniMax团队在2025年12月发布并开源的混合推理模型，参数量为230B（A10B）。和 M2 相比，新版模型编程语言能力、WebDev 与 AppDev、复合指令约束、Agent / 工具泛化能力显著加强，回复更简洁高效，对话和写作质量更高。

视频类

Hunyuan Video 1.5：https://github.com/Tencent-Hunyuan/HunyuanVideo-1.5

腾讯混元团队2025年11月发布的开源视频生成模型，参数量 8.3B，小于1.0版本时的 13B。采用的是 DiT 与 3D 因果 VAE 相结合的先进架构和多阶段、渐进式的训练策略，从整体上优化了运动连贯性、美学质量和对人类偏好的对齐，实现了专业级的内容生成。详见《Hunyuan Video 1.5 技术报告》。

Wan 2.2: https://github.com/Wan-Video/Wan2.2

阿里通义团队发布的开源视频生成模型，最新版是2025年7月发布的v2.2，这是一个基于先进Wan2.2-VAE构建的5B和14B参数模型。该模型支持720P分辨率、24fps的文本到视频和图像到视频生成，同时可在4090等消费级显卡上运行。这是目前可用的最快720P@24fps模型之一，能够同时满足工业界和学术界的需求。

图像类

  • Qwen

Z-Image：https://github.com/Tongyi-MAI/Z-Image

阿里通义团队2025年11月发布并开源的可扩展单流 DiT（S3-DiT）生图模型，6B参数，包含Turbo（蒸馏版本，适配16G消费级显存），Base（基准模型），Edit（基于基准模型专门针对图像编辑任务微调）三个变体。在阿里自己的Arena上测试，已达到开源界SOTA水准。

Qwen-Image：https://github.com/QwenLM/Qwen-Image

阿里通义团队2025年8月发布并开源的MMDiT图像基础模型，20B参数，在复杂文本渲染和精确图像编辑领域实现了重大突破，对中文文本的处理尤为出色。9月升级了多图编辑功能。

腾讯混元团队2025年9月发布的文本到图像生成模型 3.0 版本。这是开源界规模最大的生图MoE模型，包含 64 个专家，总参数量高达 80B，每 token 激活参数量为 13B。它突破了目前主流的基于DiT 的架构限制，采用了一种统一的自回归框架，这一设计实现了对文本和图像模态更直接、更一体化的建模；它还利用混元团队世界模型里丰富的世界知识，智能解读用户意图，能够自动为简短稀疏的提示词补充语境合理的细节。

  • GLM

GLM-Image：https://github.com/zai-org/GLM-Image

智谱AI团队2026年1月发布并开源的工业级离散自回归图像生成模型。其采用自回归模块与扩散解码器的混合架构，融合了 9B 参数的 GLM-4 与 7B 参数的单流 DiT。模型在文本渲染、知识密集型任务及复杂语义理解方面优势显著，支持文生图及多种图像编辑任务。通过 semantic-VQ 建模低频语义并由 diffusion 模块还原细节，结合解耦的强化学习策略，实现了艺术美学与精准信息表达的高度对齐。

CogView：https://github.com/zai-org/CogView4/

智谱AI团队发布并开源的DiT生图模型，2025年3月发布v4，参数量6B。模型具有较强的复杂语义对齐和指令跟随能力，支持任意长度的中英双语输入，能够生成在给定范围内的任意分辨率图像，同时具备较强的文字生成能力。

音频类

腾讯混元团队2025年8月发布并开源的音频生成模型，参数 3B ，是开源模型中参数最多、性能最强的视频音效生成模型。Foley采用包含双流MMDiT与单流音频DiT的多模态音频生成架构，在DAC的基础上设计了改进的DAC-VAE，在10万小时高质量多模态数据集上完成了训练，能理解视频画面并结合文字描述，自动平衡不同信息源生成层次丰富的复合音效。

音乐类

阶跃星辰与数字音乐平台 ACE Studio ，2025年5月联合发布的开源音乐大模型，参数量为3.5B，详见《开源音乐大模型 ACE-Step 上线》

世界类

腾迅混元团队2026年4月发布的面向世界生成和世界重建的多模态世界模型。它接受多种输入模态——文本、单视图图像、多视图图像和视频——并生成3D世界表示（网格 / 3D高斯点云）。世界生成能力（文生世界和图生世界）通过四阶段方法合成高保真、可导航的3D场景，世界重建（多视图图像生世界和视频生世界）由 WorldMirror 2.0 驱动，这是一个统一的前馈模型，能够在单次前向传播中同时预测深度、表面法线、相机参数、3D点云和3DGS属性。

（引用自：https://zhuanlan.zhihu.com/p/670574382）