GLM-4.6
GLM-4.6 是智谱于 2025 年 9 月 30 日发布的语言模型,面向编程、推理和智能体任务。官方国内文档列出的总参数量为 355B、激活参数量为 32B。(docs.z.ai) 支持文本输入和文本输出,上下文窗口为 200K tokens,最大输出为 128K tokens。 支持深度思考、流式输出、函数调用、结构化输出、上下文缓存及 MCP 工具集成。 适用于代码生成与修改、前端开发、工…
模型发布档案
聚合模型发布动态,按发布时间浏览,发现值得关注的新模型。
GLM-4.6 是智谱于 2025 年 9 月 30 日发布的语言模型,面向编程、推理和智能体任务。官方国内文档列出的总参数量为 355B、激活参数量为 32B。(docs.z.ai) 支持文本输入和文本输出,上下文窗口为 200K tokens,最大输出为 128K tokens。 支持深度思考、流式输出、函数调用、结构化输出、上下文缓存及 MCP 工具集成。 适用于代码生成与修改、前端开发、工…
Claude Sonnet 4.5 是 Anthropic 的通用人工智能模型,重点面向编程、复杂智能体和计算机操作任务,于 2025 年 9 月 29 日发布。Claude API 别名为 claude-sonnet-4-5,对应的固定版本 ID 为 claude-sonnet-4-5-20250929。(anthropic.com) 支持文本和图像输入、文本输出,以及扩展思考;可用于代码编写与…
DeepSeek-V3.2-Exp 于 2025 年 9 月 29 日发布,是基于 DeepSeek-V3.1-Terminus 的实验性大语言模型,旨在探索长文本训练和推理的效率优化。(deepseek.com) 模型引入 DeepSeek Sparse Attention(DSA)细粒度稀疏注意力机制。官方称,其在几乎不影响输出质量的情况下提升了长文本训练和推理效率;在多个领域的公开基准测试中…
Gemini Robotics-ER 1.5 是面向机器人具身推理的预览版视觉语言模型(VLM),用于理解物理环境、规划任务并协调工具,可充当机器人系统的高层推理模块。它不同于直接输出机器人运动指令的 Gemini Robotics 1.5 视觉语言动作模型(VLA)。(deepmind.google) 理解自然语言指令和视觉场景,对物体位置、状态及可操作性进行推理,生成二维指向点;可结合机器人传…
Gemini Robotics 1.5 是 Google DeepMind 面向机器人物理任务的视觉—语言—动作(VLA)模型,可将视觉信息和自然语言指令转化为机器人运动指令。它不同于同时发布的具身推理模型 Gemini Robotics-ER 1.5。(deepmind.google) **感知与动作执行:**结合视觉观察、文本指令和机器人本体感知信息生成动作,用于物体操作和多步骤任务。 **行…
Google 于 2025 年 9 月 25 日发布的 Gemini 2.5 Flash-Lite 预览版本,面向注重成本效率、速度和高吞吐量的多模态任务。发布公告称,这一预览版并不计划直接升级为新的稳定版本。(developers.googleblog.com) 接受文本、图像、视频、音频和 PDF 输入,输出文本;输入上限为 1,048,576 token,输出上限为 65,536 token…
Gemini 2.5 Flash 的 2025 年 9 月预览版本,面向兼顾响应速度、推理能力和成本效率的应用。Google 将其定位于大规模处理、低延迟高吞吐任务以及智能体场景。(web.archive.org) 支持处理文本、图像、视频和音频输入,并支持思考能力;可用于需要推理的批量任务。 官方称该版本改进了智能体工具使用,适合复杂、多步骤应用;在 SWE-bench Verified 上,官…
腾讯混元面向角色扮演的文本对话模型,于 2025-09-24 上线。(cloud.tencent.com) 官方称,该模型针对角色对话数据进行了强化训练,旨在更稳定地维持角色设定、减少脱离角色的情况,并保持多轮对话的上下文连贯性。适用场景包括 AI 数字分身、角色扮演和情感陪聊。(cloud.tencent.com) 官方模型概述列出的最大输入为 28k tokens,最大输出为 4k…
DeepSeek-V3.1-Terminus 是 DeepSeek-V3.1 的更新版本,于 2025 年 9 月 22 日发布,面向通用文本生成及智能体任务。发布时官方 App、网页、小程序和 API 均更新至该版本。(deepseek.com) 支持思考和非思考两种模式;发布时 deepseek-chat 对应非思考模式,deepseek-reasoner 对应思考模式,API 上下文长度为…
Wan2.5 文生视频预览模型,通过阿里云百炼提供推理服务。官方称其增强了指令遵循、运动表现和画面质感。(help.aliyun.com) 根据文本描述生成视频,支持生成与画面同步的声音;适合短视频创意、场景展示和内容制作等用途。 支持 480P、720P、1080P 分辨率及 5 秒、10 秒视频;官方视频生成文档列出的格式为 30 fps、MP4(H.264)。(help.aliyun.com…
Qwen3-Omni-Flash 是基于 Thinker–Talker 混合专家(MoE)架构的全模态模型。本 ID 指向 2025 年 9 月 15 日的快照版本,不应与名称带有 realtime 的独立模型混同。(help.aliyun.com) 接收文本、图像、音频和视频,输出文本或语音;支持函数调用,以及思考和非思考模式。 官方称其支持 119 种语言的文本交互和 20 种语言的语音交互,…
Qwen3-Omni-Flash 的实时全模态版本,基于 Thinker–Talker 混合专家(MoE)架构,面向实时多模态交互。官方公告列出的发布日期为 2025-09-17;模型 ID 中的 2025-09-15 是版本标识,不应与公告日期混同。(help.aliyun.com) 接收文本、音频、图片和视频输入,生成文本及语音;通过 Realtime API 的 WebSocket 接入。(…
混元生3D 3.0 是腾讯的3D内容生成模型。腾讯云于 2025-09-16 宣布混元生3D专业版上线,采用该模型生成更高精度和质量的3D模型。当前专业版接口可选择3.0或3.1;两者是不同模型版本。(cloud.tencent.com) 支持根据文本描述或二维图片生成3D模型;专业版还提供多视图、白模、草图和低面数模型生成等能力,并可选PBR材质。(cloud.tencent.com) 可用于3…
GPT-5-Codex 是 OpenAI 针对 Codex 及类似环境中的智能体编程任务优化的 GPT-5 版本,重点面向真实软件工程工作。(openai.com) 支持快速交互式代码修改,也可自主处理较长、复杂的软件工程任务,并辅助代码审查。发布时可在 Codex 云端任务、代码审查、CLI 和 IDE 扩展中使用。(openai.com) 支持文本输入和输出,以及图像输入;可结合截图处理前端或…
万相 2.2 系列的首尾帧生视频模型,侧重较快生成:根据首帧、尾帧图片及可选文本提示词,生成两张图片之间的过渡视频。官方称其优化了动态稳定性、生成成功率和指令遵循能力。(docs.bailian.console.aliyun.com) **输入与输出:**输入图片和文本,输出无声视频;可用提示词描述主体运动或镜头变化。 **用途:**适合制作指定起止画面的短视频过渡、画面衔接和动态片段。 **输出…
MiniMax Music 1.5 是 MiniMax 的音乐生成模型,可根据自然语言描述创作最长 4 分钟的歌曲。官方公告发布于 2025 年 9 月 11 日。(minimax.io) 通过文本描述控制歌曲的风格、情绪、场景和人声特征;高级模式可为前奏、主歌、副歌等段落编排歌词。 生成不同音色与唱腔的人声,以及多层次器乐编曲,包括部分中国传统和小众乐器。 生成具有前奏、主歌、副歌、桥段和尾奏等…
Qwen-Plus 的 2025 年 9 月 11 日快照版本,面向文本生成和推理任务。官方发布记录日期为 2025-09-11。(help.aliyun.com) 支持文本输入和文本输出,以及思考和非思考模式。相较 2025-07-28 快照,官方称其思考模式的指令遵循能力有所提升、总结回复更精简;非思考模式的中文理解和逻辑推理能力有所增强。 可用于文本理解、总结、问答、推理和代码相关任务。官方…
文心大模型X1.1是百度于2025年9月9日发布的深度思考模型,发布时已上线百度智能云千帆平台,面向企业客户和开发者。X1.1主要采用迭代式混合强化学习训练框架。(cloud.baidu.com) 支持深度推理问答、指令遵循、逻辑推理、数学、代码任务、智能体规划和工具调用。(cloud.baidu.com) 百度称,与文心X1相比,X1.1的事实性、指令遵循和智能体能力分别提升34.8%、12.5…
Qwen3-ASR-Flash 是基于大语言模型的多语种语音识别模型。该版本是 2025 年 9 月 8 日的快照,输入音频并输出识别文本。阿里云模型上架公告将其列于 2025 年 9 月 8 日。(help.aliyun.com) 模型可自动判断语种并进行语音转写;官方发布公告称其可识别 11 种语言,并面向复杂音频环境进行识别。适用于短录音、语音消息和口述内容转写等场景。(help.aliyu…
Kimi K2 的指令模型更新版,面向通用对话和智能体任务,重点加强编程能力。采用混合专家(MoE)架构,总参数约 1 万亿,每个 token 激活约 320 亿参数。(kimi.com) 强化智能体编程、前端代码生成和工具调用,可用于软件开发、代码助手和多步骤任务。 上下文窗口从上一版本的 128K 扩展至 256K tokens,适合长文本和长期任务。 发布时的官方 API 支持自动上下文缓存…