新 AI 模型

FLUX.1 Fill [pro]

FLUX.1 Fill [pro] 是 Black Forest Labs FLUX.1 Tools 系列中的 inpainting 与 outpainting 模型。它接收原图、文本描述和 binary mask 三项输入,可对指定区域做局部补绘,也能把画面扩展到原始边界之外,编辑结果与周围像素自然衔接。官方公开 benchmark 显示其补绘质量优于 Ideogram 2.0 及开源的 FLUX-Controlnet-Inpainting 等方法,是该评测中表现最好的 inpainting 模型。该模型通过 BFL API 提供,适合商品图修饰、物体移除、画布扩展等图像编辑场景。

Gemini 2.0 Flash

Gemini 2.0 Flash 是 Google 的主力多模态模型，2024 年 12 月以实验版首次亮相，2025 年 2 月 5 日通过 Gemini API 在 Google AI Studio 和 Vertex AI 正式全量开放，并同步推向 Gemini 应用用户。它支持文本、图片、视频和音频输入，提供 1M token 上下文窗口，图片生成与 text-to-speech 稍后开放；还能原生调用 Google Search、code execution 和用户自定义函数完成 tool use。官方将其定位为低延迟、高效率的模型，适合高并发、高频次的大规模任务，并称其在多项 benchmark 上以两倍速度超越 1.5 Pro，适用于生产级对话、摘要和 agent 工作流。

Gemini 2.0 Flash-Lite

Gemini 2.0 Flash-Lite 是 Google Gemini 2.0 家族中成本效率最高的轻量多模态模型，2025 年 2 月 5 日以公测形式通过 Google AI Studio 和 Vertex AI 的 Gemini API 开放。官方表示其质量优于 1.5 Flash，同时保持相同的速度和价格，在多数 benchmark 上超过 1.5 Flash，并具备与 2.0 Flash 一致的 1M token 上下文窗口和多模态输入。它面向高频、直接的任务，例如分类、摘要与信息抽取，官方举例称在 AI Studio 付费档为约 4 万张不同照片生成一行说明文字的花费不足 1 美元。

Gemini 2.0 Pro Experimental

Gemini 2.0 Pro Experimental 是 Google 于 2025 年 2 月 5 日发布的实验版模型，官方称其为当时 Gemini 系列中 coding 能力与复杂 prompt 处理最强的版本，world knowledge 和 reasoning 也优于此前所有已发布模型。它提供 2M token 上下文窗口，支持原生 tool use（Google Search 与 code execution），发布时为多模态输入、文本输出。模型通过 Google AI Studio、Vertex AI 以及 Gemini App（面向 Gemini Advanced 用户）提供，适合代码生成、长文档分析和需要联网检索的推理任务。

Phi 4 Mini

Phi 4 Mini 是 Microsoft 于 2025 年 2 月发布的 Phi-4 家族开源小模型，参数量 3.8B，采用 MIT 协议。它支持 128K token 上下文、200K 词表以及 function calling，官方 benchmark 显示 MMLU 67.3、GSM8K 88.6、MATH 64.0，推理表现在多项评测上接近体量两倍的模型。适合数学、编码与推理类任务，也可部署在 Windows、iPhone、Android 及 IoT 等端侧和边缘设备上。

Phi-4-multimodal-instruct

Phi-4-multimodal-instruct 是微软 2025 年 2 月发布的 5.6B 参数开源 multimodal 模型，采用 MIT 许可证。它以单一神经网络同时处理文本、图像和音频输入，支持 128K token 上下文，覆盖 speech recognition、speech translation、speech summarization、OCR、图表与文档理解以及 function calling。官方 benchmark 成绩包括 MMMU 55.1、DocVQA 93.2、ChartQA 81.4，并以 6.14% WER 位列 OpenASR 榜首、超过 WhisperV3，适合边缘设备和低延迟场景部署。

o3-mini

o3-mini 是 OpenAI 于 2025 年 1 月 31 日发布的高性价比小型推理模型，以接近 o1-mini 的成本和延迟提供出色的 STEM（科学、数学、编程）推理能力。它支持 low、medium、high 三档 reasoning effort，兼容 function calling、Structured Outputs、流式输出与 Batch API，拥有 200K token 上下文窗口和 100K 最大输出 token，定价为每百万输入 token 1.10 美元、输出 4.40 美元。官方评测显示：medium 档在 AIME 2024、GPQA Diamond 和 Codeforces 上追平 o1；high 档是 OpenAI 在 SWE-bench Verified 上表现最好的已发布模型（内部工具 scaffold 下 61%），并配合 Python 工具在 FrontierMath 上首次尝试即解决超过 32% 的研究级问题；A/B 测试中回复速度比 o1-mini 快 24%。适合代码助手、数学与科学问答、智能体等对成本和延迟敏感的技术场景。

Mistral Small 3 24B Base

Mistral Small 3 24B Base 是 Mistral AI 于 2025-01-30 以 Apache 2.0 协议发布的 24B 参数开源预训练基座，是 Mistral Small 3 系列的 Base 版本，未做指令后训练。模型配备 32k 上下文窗口、131k 词表的 Tekken tokenizer，支持英、法、德、中等数十种语言。官方模型卡显示，其 5-shot MMLU 为 80.73，MMLU Pro 为 54.37，GSM8K 为 80.73，MBPP pass@1 为 69.64，MATH 为 45.98，官方称其表现可与 Llama 3.3 70B 等三倍于自身规模的模型相竞争。该基座面向社区后续的 fine-tuning 与 post-training，适合用来构建领域专家模型或增强推理能力的变体；对应的 Instruct 版本同期发布。

Mistral Small 3 24B Instruct

Mistral Small 3 是 Mistral AI 于 2025 年 1 月 30 日发布的 24B 参数低延迟开源模型，采用 Apache 2.0 许可证，同时提供预训练与指令微调权重。官方数据显示其表现与 Llama 3.3 70B Instruct 相当，在相同硬件上速度快 3 倍以上，MMLU 准确率超过 81%，吞吐约 150 tokens/s。模型层数远少于同体量竞品，适合快速响应的对话助手、agent 工作流中的低延迟 function calling、领域知识微调以及本地推理（量化后可在单张 RTX 4090 或 32GB 内存的 MacBook 上运行），可作为 GPT4o-mini 等闭源模型的开源替代。

Qwen-Max

Qwen-Max 是阿里云百炼上的旗舰商用文本模型，定位为 Qwen 系列中通用能力最强的型号，可通过 Qwen Chat 与 API 使用。2025 年 1 月的快照 qwen-max-2025-01-25 对应官方发布的 Qwen2.5-Max，一个超大规模 MoE 模型，预训练数据超过 20 万亿 token，并经过 SFT 与 RLHF 后训练。官方评测显示，它在 Arena-Hard（89.4）、LiveBench（62.2）、LiveCodeBench（38.7）和 GPQA-Diamond（60.1）上领先 DeepSeek-V3，MMLU-Pro 得分 76.1，与 GPT-4o、Claude-3.5-Sonnet 表现相当。上下文长度 32,768 token（输入上限 30,720、输出上限 8,192），支持 Function Calling 与结构化输出，适合对输出质量要求高的复杂推理、编码、数学、多语言与 Agent 场景。

Qwen-Plus-2025-01-25

Qwen-Plus-2025-01-25 是阿里云百炼平台上 qwen-plus 均衡型商用文本模型的快照版本，属于 Qwen2.5 系列时期。官方模型列表将其定位为千问系列能力均衡的模型，效果与速度介于 qwen-Max 和 qwen-Turbo 之间，适合中等复杂任务。相比上一版 2025-0112 快照，该版本综合升级了中英文能力，代码、逻辑推理与多语言能力显著提升；回复风格面向人类偏好大幅调整，数学、逻辑推理、知识问答等客观类问题的回答更详实、格式更清晰，创作、JSON 格式遵循、角色扮演等专项能力也得到定向提升。该快照支持 function calling，官方说明预计维护至下一个快照上线前一个月。

DeepSeek R1 Distill Llama 70B

DeepSeek-R1-Distill-Llama-70B 是 DeepSeek R1 蒸馏系列中规模最大的模型，以 Llama-3.3-70B-Instruct 为基座，用 DeepSeek-R1 生成的推理样本做监督微调。模型以 chain-of-thought 方式作答，官方评测表中数学与编码 benchmark 成绩突出：AIME 2024 pass@1 为 70.0，MATH-500 为 94.5，GPQA Diamond 为 65.2，LiveCodeBench 为 57.5，Codeforces rating 为 1633。适合数学求解、竞赛级编程等依赖长推理链的场景，官方建议温度设为 0.5 到 0.7（推荐 0.6）且不使用 system prompt。

DeepSeek R1 Distill Llama 8B

DeepSeek R1 Distill Llama 8B 是 DeepSeek 于 2025 年 1 月随 DeepSeek-R1 一同开源的蒸馏小模型之一，以 Llama-3.1-8B 为基座，用 DeepSeek-R1 生成的推理样本做监督微调（SFT），让 8B 小模型也能产出较长的 chain-of-thought 推理过程。按官方蒸馏模型 benchmark，它在 AIME 2024 上取得 50.4 pass@1，MATH-500 达到 89.1，GPQA Diamond 为 49.0，LiveCodeBench 为 39.6，Codeforces rating 1205，数学成绩超过 GPT-4o-0513、Claude-3.5-Sonnet-1022 等更大的通用模型。官方建议推理时把 temperature 设在 0.6 左右、不添加 system prompt，可通过 vLLM 或 SGLang 部署。适合希望在单张消费级或小型云端 GPU 上获得较强数学、代码与推理能力的开发者。

DeepSeek R1 Distill Qwen 1.5B

DeepSeek-R1-Distill-Qwen-1.5B 是 DeepSeek-R1 发布时同步开源的蒸馏系列中最小的模型，以 Qwen2.5-Math-1.5B 为基座，用 DeepSeek-R1 生成的推理样本（Qwen 系列蒸馏款共 80 万条）做监督微调。官方评测中，它在 AIME 2024 上拿到 28.9 pass@1、MATH-500 上拿到 83.9，同一张表中两项数学 benchmark 都超过 GPT-4o-0513，另有 GPQA Diamond 33.8、LiveCodeBench 16.9、CodeForces 等级分 954。模型采用 MIT 许可证，可输出最长 32,768 token 的 chain-of-thought，1.5B 的体量能在笔记本、手机等端侧设备运行，适合端侧数学推理、轻量推理应用和 distill 技术研究。

DeepSeek R1 Distill Qwen 14B

DeepSeek-R1-Distill-Qwen-14B 是 DeepSeek 于 2025 年 1 月随 DeepSeek-R1 一同开源的 6 个蒸馏 dense 模型之一，以 Qwen2.5-14B 为基座，用 DeepSeek-R1 生成并整理的 80 万条样本做监督微调，把大模型的 chain-of-thought 推理能力迁移到 14B 规模。官方 benchmark 显示其 AIME 2024 pass@1 为 69.7、MATH-500 为 93.9，两项均超过 OpenAI o1-mini，另有 GPQA Diamond 59.1、LiveCodeBench 53.1 和 Codeforces rating 1481。权重采用 MIT 许可、支持商用，可像 Qwen 模型一样通过 vLLM 或 SGLang 部署，适合算力受限但需要较强数学与代码推理能力的本地或私有化场景。

DeepSeek R1 Distill Qwen 32B

DeepSeek-R1-Distill-Qwen-32B 是 DeepSeek 发布 R1 时同步开源的 6 个蒸馏稠密模型之一，以 Qwen2.5-32B 为基座，用 DeepSeek-R1 生成的 80 万条推理样本做监督微调，把长链 chain-of-thought 推理能力迁移到可本地部署的中等规模模型。官方 benchmark 显示其 AIME 2024 pass@1 为 72.6、MATH-500 为 94.3、GPQA Diamond 为 62.1、LiveCodeBench 为 57.2，四项均超过 OpenAI o1-mini，Codeforces rating 为 1691。权重支持商用，可通过 vLLM 或 SGLang 部署，官方建议 temperature 取 0.6 左右且不使用 system prompt，适合在单机环境承担数学、代码与通用推理任务。

DeepSeek R1 Distill Qwen 7B

DeepSeek-R1-Distill-Qwen-7B 是 DeepSeek 于 2025 年 1 月 20 日随 R1 系列开源的六款蒸馏模型之一，以 Qwen2.5-Math-7B 为基座，用 DeepSeek-R1 生成的 80 万条推理样本做监督微调而来。官方评测显示，这个 7B 模型在 AIME 2024 上拿到 55.5 pass@1、MATH-500 上拿到 92.8 pass@1，在这两项数学 benchmark 上超过 GPT-4o-0513，也超过体量大得多的开源模型 QwQ-32B-Preview，GPQA Diamond 与 LiveCodeBench 分别为 49.1 和 37.6。模型以 MIT 协议开源，可像普通 Qwen 模型一样在 vLLM 或 SGLang 中部署，官方建议 temperature 设在 0.6 左右且不使用 system prompt。它适合算力有限但需要 chain-of-thought 推理的数学、代码与教育类场景。

DeepSeek R1 Zero

DeepSeek R1 Zero 是 DeepSeek 首代推理模型发布中的研究型变体：直接在 DeepSeek-V3-Base 基座模型上施加大规模 reinforcement learning，不经过 supervised fine-tuning，也不使用 cold-start 数据。官方仓库称其为首个验证 LLM 推理能力可以仅凭 RL 激励的公开研究，训练中自然涌现出自我验证、反思和长 chain-of-thought 生成等行为。模型总参数 671B、激活 37B、上下文长度 128K，推理能力突出，但输出存在无限重复、可读性差和语言混杂等问题，更适合作为研究纯 RL 推理训练的实验对象；正式版 DeepSeek R1 通过冷启动数据与多阶段训练弥补了这些不足。

DeepSeek-R1

DeepSeek-R1 是 DeepSeek 于 2025-01-20 发布并开源（MIT 许可）的第一代推理模型。它基于 DeepSeek-V3-Base 的 MoE 架构，总参数 671B、每 token 激活约 37B，上下文长度 128K；在 R1-Zero 验证纯强化学习可激发 chain-of-thought 推理后，正式版采用两阶段 RL 加两阶段 SFT 的训练流程。官方 benchmark 显示其性能接近 OpenAI o1-1217：AIME 2024 得分 79.8、MATH-500 得分 97.3、Codeforces 百分位 96.3、MMLU 90.8、LiveCodeBench 65.9。模型通过 OpenAI 兼容 API 以 deepseek-reasoner 提供，并同步开源基于 Qwen 与 Llama 的 6 个 1.5B 到 70B 蒸馏模型，适合数学与竞赛编程、代码智能体以及推理蒸馏研究等场景。

Kimi-k1.5

Kimi-k1.5 是月之暗面于 2025 年 1 月发布的多模态推理模型，随官方技术报告《Kimi k1.5: Scaling Reinforcement Learning with LLMs》一同公开。它用 reinforcement learning 在文本与视觉数据上联合训练，将 RL 上下文窗口扩展到 128k，支持两种推理模式：long-CoT 模式在 AIME（77.5）、MATH 500（96.2）、Codeforces（94th percentile）和 MathVista（74.9）上对标 OpenAI o1；通过 long2short 方法得到的 short-CoT 模式在 AIME（60.8）、MATH 500（94.6）和 LiveCodeBench（47.3）上超过 GPT-4o 与 Claude Sonnet 3.5。整套训练不依赖 Monte Carlo tree search、value function 和 process reward model，适合数学、代码和图像推理等需要逐步推理的场景。