Google Gemini 2.5
Gemini 2.5 是 Google 于 2025 年 3 月 25 日发布的思考型（thinking）模型家族，首发为 Gemini 2.5 Pro Experimental。它基于增强的基座模型与改进的后训练打造，会在回答前先进行推理。发布时以显著优势登顶 LMArena 排行榜，在 SWE-bench Verified 上取得 63.8%（自定义 agent 设置），在 Humanity's Last Exam 无工具使用条件下取得 18.8%，并在 GPQA 和 AIME 2025 上领先。系列原生支持文本、音频、图像、视频及完整代码仓库的多模态输入，提供 1M token 上下文窗口（2M 稍后开放），适合复杂编码、数学、科学任务以及长上下文分析。
2025年3月25日 NVIDIA Llama 3.1 Nemotron Nano 8B V1
Llama 3.1 Nemotron Nano 8B V1 是 NVIDIA 基于 Meta Llama-3.1-8B-Instruct 经多阶段 post-training（SFT 加 RLOO、Online RPO 强化学习）得到的 8B 开源推理模型。通过 detailed thinking on/off 系统提示可在 reasoning 与普通对话两种模式间切换，官方 benchmark 显示开启 reasoning 后 MATH500 从 36.6% 升至 95.4%，AIME25 从 0% 升至 47.1%，MBPP 从 66.1% 升至 84.6%。模型支持最长 128K 上下文，可装入单张 RTX GPU 本地运行，适合 AI Agent、聊天机器人、RAG 及指令跟随等单卡与高频推理场景。
2025年3月18日 NVIDIA Llama-3.3 Nemotron Super 49B v1
Llama-3.3 Nemotron Super 49B v1 是 NVIDIA 基于 Meta Llama-3.3-70B-Instruct、通过 Neural Architecture Search（NAS）与 knowledge distillation 得到的 49B 开源 reasoning 模型。其架构对部分 attention 块做跳过或替换并按块调整 FFN 比例，显存占用显著降低，单张 H100 80GB GPU 即可部署，context 长度达 128K token。模型通过 system prompt 切换 reasoning ON/OFF 模式，并经 SFT 与 RLOO、Online RPO 强化学习的多阶段 post-training，强化 math、code、RAG 与 tool calling 能力。官方 benchmark 显示：reasoning ON 时 MATH500 得分 96.6、AIME25 得分 58.4；reasoning OFF 时 Arena-Hard 得分 88.3、IFEval 得分 89.21。采用 NVIDIA Open Model License，可商用，适合 AI agent、聊天机器人与 RAG 应用。
2025年3月18日 Mistral AI Mistral Small 3.1 24B Base
Mistral Small 3.1 24B Base 是 Mistral AI 以 Apache 2.0 许可证发布的 Mistral Small 3.1 系列预训练基座模型。模型为 24B 参数的多模态（multimodal）架构，具备视觉理解能力、128K token 上下文窗口和 131k 词表的 Tekken tokenizer，支持数十种语言。与 Instruct 版不同，该版本未做指令后训练，不能开箱直接当对话模型使用，官方定位是供社区进行 fine-tuning，构建法律、医疗、技术支持等领域的专家模型，或作为 reasoning 模型的基座。官方 pretrain 评测中，其 MMLU 得分 81.01%、MMLU Pro 得分 56.03%、GPQA Main 得分 37.50%、MMMU 得分 59.27%，在多数榜单上领先 Gemma 3 27B PT。模型可在单张 RTX 4090 或 32GB 内存的 Mac 上运行，官方推荐使用 vLLM 推理。
2025年3月17日 Mistral AI Mistral Small 3.1 24B Instruct
Mistral Small 3.1 24B Instruct 是 Mistral AI 以 Apache 2.0 协议开源的 24B 参数多模态模型，在 Small 3 基础上加入 vision 图像理解，上下文窗口扩展到 128k token，文本性能不受影响，推理速度约每秒 150 token，量化后可在单张 RTX 4090 或 32GB 内存的 Mac 上本地运行。官方 benchmark 显示其在 MMLU、DocVQA、RULER 等文本、视觉、多语言与长上下文评测中与 Gemma 3 27B、GPT-4o mini 相当或更优。适合低延迟对话助手、agent 工作流中的 function calling、文档核验与视觉质检等图像理解任务、领域微调以及敏感数据的本地推理。模型可在 Hugging Face 下载，也可通过 La Plateforme 与 Google Cloud Vertex AI 使用，NVIDIA NIM 与 Azure AI Foundry 支持稍后开放。
2025年3月17日 Google Gemini Robotics
Gemini Robotics 是 Google DeepMind 于 2025 年 3 月发布的 VLA（vision-language-action）机器人基础模型，基于 Gemini 2.0，把物理动作作为新的输出模态，可直接控制机械臂和人形机器人。它具备 dexterity，能完成折纸、把零食装进 Ziploc 密封袋等多步骤灵巧任务；可理解日常对话式的多语言指令，并在物体移位或滑落时持续观察环境、重新规划。模型可适配多种 embodiment，包括 ALOHA 2 双臂平台、Franka 机械臂和 Apollo 人形机器人；官方技术报告称其在综合 generalization benchmark 上的表现较其他先进 VLA 模型翻倍以上。Google DeepMind 正与 Apptronik 合作研发下一代人形机器人。
2025年3月12日 Google Gemini Robotics-ER
Gemini Robotics-ER（Embodied Reasoning，具身推理）是 Google DeepMind 基于 Gemini 2.0 面向机器人开发者推出的视觉语言模型。它在 Gemini 之上强化了空间理解（spatial understanding），大幅提升指向（pointing）与 3D 检测能力，并将空间推理与代码生成结合，可端到端完成感知、状态估计、空间理解、规划与代码生成等环节，例如从一张图片推断两指抓取方案。据官方博客，其在端到端设置下的成功率约为 Gemini 2.0 的 2 至 3 倍。该模型面向 Agile Robots、Agility Robots、Boston Dynamics、Enchanted Tools 等信任测试方开放，并与直接输出动作的 VLA 模型 Gemini Robotics 形成互补，Google DeepMind 同时与 Apptronik 合作开发新一代 Apollo 人形机器人。
2025年3月12日 Google Gemma 3
Gemma 3 是 Google DeepMind 推出的轻量开源模型系列，基于 Gemini 2.0 的研究打造，提供 1B、4B、12B、27B 四种规格。4B 以上版本支持图像输入，为多模态模型，context window 达 128K token（1B 版本为 32K），预训练覆盖 140 多种语言。官方介绍称 27B 版本在 LMArena 人类偏好评测中位居开源模型前列，仅需一块 NVIDIA H100 即可运行，官方量化版本可部署在手机、笔记本和工作站上，并有 NVIDIA、AMD ROCm 与 gemma.cpp 支持。权重已通过 Google AI Studio、Hugging Face、Kaggle 和 Ollama 开放获取，支持 function calling 与结构化输出，同系还发布了基于 Gemma 3 的 4B 图像安全分类器 ShieldGemma 2。
2025年3月12日 Hunyuan hunyuan-video-super-resolution
hunyuan-video-super-resolution 是腾讯混元视频生成体系的超分辨率（super resolution）变体，作为生成管线的后处理增强环节，把已生成视频 upscale 到 1080p resolution。官方介绍其采用少步数的 super-resolution 网络，在提升清晰度的同时校正畸变，细化画面细节与整体质感，并在官方 HunyuanVideo 推理管线中默认开启。适合需要对生成视频做高清化交付的场景，例如短视频制作、广告素材输出和后期精修。
2025年3月7日 Hunyuan hunyuan-video-voiceover
hunyuan-video-voiceover 是腾讯混元视频生成系列的配音（voiceover）变体标识，常见于 API 聚合平台。其能力对应混元视频官方发布的音频驱动功能：输入文本可由多种音色自动朗读，或上传真人语音，让画面中的人物精准对口型，自然开口说话或演唱，并呈现贴合语气的表情，实现语音与画面语义对齐。模型融合图像、文本、音频与姿态多路输入，对生成视频做多维控制，适用于虚拟主播、短视频口播、数字人播报与影视配音等场景。
2025年3月7日 Ideogram 2a
Ideogram 2a 是 Ideogram 于 2025 年 2 月发布的文生图模型，定位为发布时旗下速度最快、成本最低的版本。它针对 graphic design 和摄影类图像优化，延续了 Ideogram 擅长的 text rendering 能力，官方称可在约 10 秒内生成带文字的精美设计与照片级图像，2a Turbo 更快至约 5 秒，同时网页端与 API 的图片价格下降 50%。API 中对应 V_2A 与 V_2A_TURBO 两个版本，适合海报、营销素材与广告排版等高频生成场景。
2025年2月27日 OpenAI GPT-4.5
GPT-4.5 是 OpenAI 于 2025 年 2 月 27 日以研究预览（research preview）形式发布的旗舰对话模型（曾用代号 Orion），也是通过扩大无监督学习而非推理链提升能力的最后一个非推理旗舰。它的世界知识更广、EQ 更高、对话更自然，幻觉率（hallucination）在 SimpleQA 上明显降低；官方 benchmark 数字包括 GPQA（科学）71.4%、MMMLU（多语言）85.1%、MMMU 74.4%、SWE-Bench Verified 38.0%。在 ChatGPT 中支持 web search、文件与图片上传和 canvas；在 API 中支持 function calling、Structured Outputs、streaming 与图片输入，上下文窗口 128,000 token，每百万 token 输入/输出定价 75/150 美元。适合写作辅助、创意工作、agentic 规划与多步编程工作流；API 版 gpt-4.5-preview 现已弃用，官方建议多数场景改用 gpt-4.1 或 o3。
2025年2月27日 Qwen Wan2.1-I2V-Turbo
通义万相 Wan2.1 系列 image-to-video 的快速档模型。输入首帧图片加 prompt，即可生成无声 MP4 视频，输出固定 30fps，支持 480P 与 720P 两档分辨率，时长可选 3、4 或 5 秒，适合营销短片段、效果预览和需要快速迭代的创作场景。Wan2.1 是开源视频基础模型系列，覆盖文生视频、图生视频与视频编辑任务，也是首批能在视频中生成中英文文字的视频模型。
2025年2月27日 Anthropic Alexa+
Alexa+ 是 Amazon 于 2025 年 2 月 26 日发布的新一代 voice assistant。根据 Anthropic 的公告，经由 Amazon Bedrock 调用的 Claude 模型为 Alexa+ 提供部分能力，双方团队为此紧密协作超过一年，Alexa+ 还采用了 Anthropic 的安全能力，包括对 jailbreak 攻击的更强抵抗。Alexa+ 支持自然对话与个性化服务，并能以 agentic 方式完成订位、生鲜采购、票务提醒、日程管理等任务，更广泛地区将稍后开放。
2025年2月26日 Anthropic Claude 3.7 Sonnet
Claude 3.7 Sonnet 是 Anthropic 于 2025 年 2 月 24 日发布的大语言模型，官方称其为当时最智能的模型，也是市场上首个 hybrid reasoning（混合推理）模型。同一模型可在即时回答与 extended thinking 之间切换：开启后模型先逐步推理并输出可见的思考链，API 开发者还能通过 thinking budget 控制推理深度，输出上限为 128K token。官方 benchmark 中，它在 SWE-bench Verified 上借助高算力 scaffold 取得 70.3%，无 scaffold 为 63.7%，在 TAU-bench 上达到当时最优，且相比前代减少 45% 的不必要拒绝。定价延续每百万 input token 3 美元、output token 15 美元（含 thinking token）。模型面向全部 Claude 套餐开放，可通过 Claude Developer Platform、Amazon Bedrock 和 Google Cloud Vertex AI 调用，并同步推出命令行编码工具 Claude Code（研究预览版）。官方将其定位为编码与前端开发的强项，也适合需要逐步推理的复杂业务任务。
2025年2月24日 Hunyuan hunyuan-video-aries-i2v
HunyuanVideo-I2V 是腾讯混元基于 HunyuanVideo 扩展的开源 image-to-video 视频生成框架，输入一张参考图加一段文本 prompt，即可生成最高 720P、129 帧（约 5 秒）的视频。它采用 token replace 技术，由预训练 MLLM 文本编码器把参考图编码为语义 token，与 video latent token 拼接后做 full-attention 计算，提升图像、文本与生成动态之间的语义对齐和画面保真度；支持 stable 稳定模式与高动态模式切换（通过 flow-shift 参数），首帧与输入图保持视觉一致。官方还提供 LoRA 训练代码用于定制特效，并支持基于 xDiT 的多 GPU 并行推理，8 卡可将 720P 生成耗时降到约 337.58 秒（5.64 倍加速）。适合静态图动态化、营销短视频、社交内容创作和特效原型验证等场景，720P 推理约需 60GB 显存。
2025年2月23日 Hunyuan hunyuan-video-portrait
HunyuanPortrait 是腾讯混元开源的 diffusion 架构 portrait animation 框架：以单张人像照片作为 identity reference，以一段 driving video 作为动作参考，把视频中的表情与头姿编码为隐式控制信号，经 attention adapter 注入稳定的 Stable Video Diffusion 骨干网络，实现身份与运动解耦，生成细节丰富、时序一致且风格可塑的肖像动画。官方示例涵盖 portrait singing、portrait acting 与夸张表情驱动；官方称其在可控性与一致性上优于现有方法，代码与权重已开源供学术用途，可在单张 24 GB GPU 上运行。
2025年2月23日 FLUX FLUX 1.1 [pro] Ultra
FLUX 1.1 pro Ultra 是 Black Forest Labs 推出的 FLUX 1.1 pro 高分辨率版本，通过官方 API 提供。它最高支持 4MP（4 百万像素）生成，分辨率达到标准版 FLUX 1.1 pro 的四倍，同时把生成时间保持在每张约 10 秒。官方 performance benchmarks 显示其速度比同类高分辨率方案快 2.5 倍以上，且不牺牲 prompt adherence。适合需要大尺寸、高细节输出的场景，例如广告视觉、印刷排版和写实摄影类内容。
2025年2月5日 FLUX FLUX.1 Canny [pro]
FLUX.1 Canny Pro 是 Black Forest Labs FLUX.1 Tools 系列中 Canny 边缘控制模型的 pro 版本，面向结构引导的图像生成。它从输入图像提取 Canny edge map 作为结构引导，与文本提示词配合，在保留原始轮廓与构图的前提下重新生成图像内容，官方称这种方式对图像 retexture（重新贴图）特别有效，适合风格替换、材质更换以及需要保持版式结构的受控编辑。在官方 benchmark 评估中，FLUX.1 Canny Pro 在同类 Canny 结构引导模型中排名第一，领先于开源的 dev 版本及其 Hugging Face 上的 LoRA 版本。
2025年2月5日 FLUX FLUX.1 Depth [pro]
FLUX.1 Depth 的专业版，属于 Black Forest Labs 的 FLUX.1 Tools 系列。模型从输入图像中提取 depth map，以其作为 structure guidance，结合文本提示词重新生成图像，在保持核心构图与空间结构不变的前提下实现文本引导的编辑。这种结构条件控制方式尤其适合 retexturing 场景，例如在保留布局的同时更换材质或视觉风格。官方公告称 FLUX.1 Depth 在这类任务上优于 Midjourney ReTexture 等专有模型，pro 版的输出多样性高于 dev 版。该模型曾通过 BFL API 及 fal.ai、Replicate 等合作平台提供，目前在 BFL API 中已停止支持，开放权重仍保留供参考。
2025年2月5日 
