多模态 AI AI

LongCat-2.5是美团针对扩展代理工作的托管多模式模型。它将图像理解与代码生成相结合，以完成复杂项目工作和解释视觉设计参考等任务。

该模型采用混合专家架构，总参数为 1.6 万亿个，每个代币约有 480 亿个活跃币种。官方 API 文档描述了大约一百万个令牌上下文，并为已建立的代理客户端提供了兼容的接口。

腾讯 Hy4 是腾讯长期运行代理任务旗舰模型的最终托管版本。它为早期预览版的文本功能添加了视觉理解，并支持软件和办公工作流程的工具使用。

该模型接受视觉和文本上下文，可以根据书面说明推理图表、屏幕截图和其他图像。兼容的应用程序将模型连接到命令行或图形工具，以便它可以规划和执行多步骤工作。

开发者可以通过腾讯云

Inkling 2 Small 是 Thinking Machines Lab 的多模式语言模型，用于一般辅助、编码和工具使用应用程序。它接受文本和图像并生成文本，上下文窗口最多可包含一百万个标记。

该模型采用混合专家架构，总参数为 5940 亿个，活跃参数约为 170 亿个。它支持可变推理工作，并且可以在 Tinker 上根据提

Ling-3.2-Flash 是蚂蚁集团托管的多模态模型，用于对文本、图像和视频进行推理。其模型概述描述了视觉理解、空间交互和长时间运行的代理工作流程中的应用。

该模型采用稀疏专家混合架构，总参数为 5600 亿个，活动参数约为 250 亿个。其原生多模式输入使其能够在一个请求中对视觉材料和书面简报进行推理。

SenseNova 6.8 Flash是商汤科技面向办公和内容创作的多模态代理模型。它支持跨越多个步骤或会话的任务，并可以提供交互式页面、演示文稿和设计工件等输出。

该模型将长上下文理解与支持的应用程序中的记忆和主动行为相结合。它可以参考早期的需求，注意到相关的更改并继续正在进行的工作流程，同时生成结构化或可视化的可交付成果。</

SenseNova-U1.5-8B-MoT 是用于图像理解、文本到图像生成和图像编辑的原生统一多模态模型。它旨在提高视觉质量、文本渲染、布局控制以及主题和未编辑区域的保留。

该模型建立在 NEO-unify 架构之上，改进了 patchify 层、数据质量、提示增强、任务制定和后期训练。它支持原生 4K 生成、本地和多参考编辑、对

Qwen3.8-27B 是一个密集的 270 亿参数视觉语言模型，适用于编码、专业工作、研究和长期代理任务。它可以理解文本和视觉输入，包括图像、文档、图表和视频。

该模型采用灵活的思维控制、原生多模态理解以及可扩展到 100 万个令牌的 262K 令牌上下文窗口。思维可以通过reasoning_effort进行调整，而preser

Inkling-Small 是 Thinking Machines Lab 推出的开放权重多模态专家混合模型。它旨在以更小的资源占用匹配更大 Inkling 模型的大部分能力，并提供可控的推理强度。

该模型面向推理、智能体任务、多模态、认知校准和安全。Thinking Machines 将其定位为一个可通过 Tinker 微调的紧

MiniMax H3 是一个通用型全模态生成模型，能够理解文本、图像、视频和音频之间的多模态上下文。它旨在超越单任务生成器，通过单一模型家族实现更丰富的跨模态推理与生成。

该模型可生成带原生立体声音频的视频，支持最高 2K 分辨率输出，并可生成最长 15 秒的片段。其设计将多模态上下文理解与生成结合起来，适用于声音、运动、视觉细节

FLUX 3 是 Black Forest Labs 的多模式模型系列，适用于图像、视频、音频和动作预测工作流程。它被定位为跨越多种模式的一个模型，强调现实细节、风格控制和生产用例。

模型页面重点介绍了 FLUX 3 Video 功能、草稿和正常模式、生产采用以及跨模式改进，其中每种模式相互帮助。它专为需要生成在不同类型媒体上保持

PerceptionDLM 是一种为高效并行区域感知优化的多模态扩散语言模型。它旨在解决自回归式多模态大模型按顺序描述多个图像区域、因而随着区域数量增加扩展性较差的问题。

该模型建立在 PerceptionDLM-Base 之上，结合视觉编码器和离散扩散语言模型骨干。高效并行提示将多个区域掩码打包进单个提示中，而结构化注意力掩码则

Wan Streamer v0.1 是一种原生流式、端到端的交互式基础模型，用于实时音视频交互。它能够在单个 Transformer 中完成听、看、思考、说话和生成同步视频响应，目标是实现全双工交互，而不是依赖分离的 ASR、LLM、TTS 和数字人模块流水线。

该模型将语言、音频和视频表示为由块因果注意力协调的交错输入和输出 t

MiniMax M3 是 MiniMaxAI 在 Hugging Face 上发布的多模态模型，面向图文到文本、智能体、编码、视频和对话等用例。模型卡将其标注为基于 Transformer 的 safetensors 发布版本，并带有自定义代码和 minimax_m3_vl 架构。

页面提供了 Transformers 的使用示例

Lance 是一种原生统一多模态模型，专为在一个紧凑的 3B 主动参数系统中理解、生成和编辑图像和视频而设计。它的重点是通过将特定于任务的模型设计与研究人员、开发人员或生产团队可以使用的输出相结合，使该工作流程更加实用。 Lance 没有提供通用演示，而是针对具体的能力差距，为用户提供一种更可控的方式来处理复杂的人工智能生成或人工智能分析的内容。

Step3-VL-10B 是一款紧凑而前沿的多模态智能模型，旨在重新定义效率与性能之间的平衡。仅拥有 100 亿参数，它在视觉感知、复杂推理和人类对齐方面取得了卓越的成果。该模型超越了同类模型，并能与更大的模型竞争，是该领域的重大突破。

Step3-VL-10B 的成功归功于其两大核心设计：高质量的多模态预训练和大规模多模态强化学习

JavisGPT是一个统一的多模态大型语言模型，专为联合音视频理解和生成任务而设计。它专注于同步发声视频场景，其中视觉流和音频轨道必须以时间对齐的方式一起被理解。系统架构将专用的音视频输入编码器与语言模型核心以及一个能够生成连贯、同步媒体输出的生成器连接起来。

通过整合独立的音频和视频输入，JavisGPT可以推理跨越这两种模态的复

Qwen3-Omni 是一款前沿的多语言全模态基础模型，旨在原生处理文本、图像、音频和视频等广泛的输入。它不仅能以文本形式提供实时流式响应，还能以自然语音提供响应，为用户带来交互式、多功能的 AI 体验。该模型采用了先进的架构升级，旨在提高性能和效率，在多个模态上实现了最先进的结果，同时不牺牲单模态的文本和图像能力。

Qwen3-O

Qwen3-VL是阿里巴巴云计算Qwen团队开发的最新多模态大型语言模型系列。它代表了迄今为止Qwen系列中最强大的视觉语言模型，在文本理解、视觉感知和推理能力方面进行了全面升级。该模型可以处理和理解包括图像、视频和文本在内的各种输入，使其在多模态AI应用中具有高度的通用性。它支持深入的空间和视频动态理解、增强的智能体交互能力以及扩展的上下文长度，能够

Gemini 3 是谷歌最先进的 AI 模型，旨在以非凡的深度和细微差别将任何想法变为现实。它整合了先前 Gemini 迭代的所有功能，增强了多模态理解能力，可以无缝解释文本、图像、视频、音频等。该模型擅长把握复杂查询背后的上下文和意图，提供富有洞察力、简洁的回答，超越肤浅的互动。Gemini 3 代表了人工智能推理、创造力和解决问题能力的一大飞跃，是

Uni-MoE-2.0-Omni 是一个基于强大的 Qwen2.5-7B 核心构建的先进全模态大型模型。它代表了对先前版本的重大重建和改进，融入了旨在增强多模态理解和生成能力的新架构和训练范式。该模型无缝集成了多种模态，如音频、语音、图像、文本和视频，能够对各种类型的输入数据进行全面的处理。

该模型引入了多项关键进步，包括统一的语音