新 AI 模型

Wan2.1-I2V-Plus

Wan2.1-I2V-Plus 是阿里通义万相 Wan2.1 系列的 image-to-video 模型，通过阿里云百炼 API 提供服务。它以首帧图片加 prompt 为输入生成无声视频，固定输出 720P、5 秒、30fps 的 MP4（H.264）规格。作为 Wan2.1 图生视频产品线中的质量档，与提供 480P/720P、3 到 5 秒可选的 Turbo 快速档互补，适合对画质与运动连贯性要求较高的短视频制作、营销素材和电商内容生成场景。

Finetuning

Finetuning 是 Black Forest Labs 面向 FLUX.1 [pro] 推出的定制微调服务：上传少量图片 dataset，即可训练出一个掌握特定主体、人物角色或风格的专属 finetuned 模型，同时保留基础模型的通用能力。官方说明仅需 1 到 5 张示例图即可开始训练，产出的模型可在整个 FLUX 模型套件（含 FLUX1.1 [pro] 与 FLUX Tools）中直接使用，支持最高 4 百万像素的分辨率，无需额外适配。在 BFL 的用户测试中，其结果有 68.9% 的比例优于基于 FLUX.1 [dev] 的其他 finetuning 服务。它还能与 FLUX.1 Fill [pro] 结合实现个性化 inpainting，与 FLUX.1 Depth [pro] 结合进行结构可控生成，适用于品牌风格统一、style consistency、character consistency、营销素材与故事插画等场景。

DeepSeek-V3.1

DeepSeek-V3.1 是 DeepSeek 推出的 hybrid 推理模型，同一套权重通过 chat template 即可在 thinking 与 non-thinking 两种模式间切换，兼顾深度推理与直接回答。经针对工具调用的 post-training，其在 agent 任务与编码方面提升明显，在 SWE-bench Verified 上取得 66.0 分、Terminal-bench 上取得 31.3 分，thinking 模式给出答案所需时间也比 DeepSeek-R1-0528 更短。模型以 deepseek-chat 与 deepseek-reasoner 两种端点对外服务，均支持 128K 上下文，适合 agent 工作流、代码生成与长上下文推理等场景。

Wan2.1-T2V-Plus

Wan2.1-T2V-Plus 是阿里云百炼上通义万相 Wan2.1 系列的文生视频（text-to-video）质量优先档模型。输入文本 prompt 即可生成 5 秒、720P、30fps 的无声 MP4 视频（H.264 编码）。相比 Turbo 快速档，它更侧重画质与稳定性，适合营销短片、创意视频等对最终成片质量有要求的 prompt 驱动场景。

Wan2.1-T2V-Turbo

Wan2.1-T2V-Turbo 是阿里通义万相 Wan2.1 系列文生视频（text-to-video）的低价 Turbo 档，在阿里云百炼上以 wan2.1-t2v-turbo（新加坡）和 wanx2.1-t2v-turbo（北京）提供。输入 prompt 即可生成 5 秒无声 MP4 视频，固定 30fps，支持 480P 与 720P 两档分辨率；北京地域计费约 0.24 元/秒，明显低于质量档 wan2.1-t2v-plus 的 0.70 元/秒（后者仅 720P）。适合社交媒体短片、批量草稿等对成本敏感、需要高频产出的场景。

DeepSeek-V3

DeepSeek-V3 是 DeepSeek 于 2024 年 12 月开源的旗舰 MoE（Mixture-of-Experts）大语言模型，总参数 671B，每 token 激活约 37B，预训练数据量 14.8T token。架构上采用 Multi-head Latent Attention（MLA）、DeepSeekMoE、无辅助损失的负载均衡策略、Multi-Token Prediction（MTP）与 FP8 混合精度训练，官方仓库称全部训练约使用 278.8 万 H800 GPU 小时。官方 benchmark 显示其对话版本 MMLU 88.5、MATH-500 90.2、AIME 2024 39.2，表现对标 GPT-4o 与 Claude 3.5 Sonnet，上下文长度 128K。该模型通过 deepseek-chat API 提供，代码采用 MIT 许可、权重允许商用，适合通用对话、代码生成、数学推理以及对成本敏感的大规模部署场景。

Imagen 3

Imagen 3 是 Google 的第三代 text-to-image 模型。2024 年 12 月的更新让它在 ImageFX 上向 100 多个国家和地区开放。官方称这一版本生成的图像更明亮、构图更好，能更准确地呈现从写实主义到动漫等多种艺术风格，对 prompt 的响应更忠实，细节与纹理更丰富。在人工评审的对比测试中，其输出质量达到同期领先图像生成模型的水平。该模型还支撑 Google Labs 的 Whisk 实验，并通过 Vertex AI 服务企业创意工作流。

Veo 2

Veo 2 是 Google DeepMind 于 2024 年 12 月发布的 text-to-video 视频生成模型，作为初代 Veo 的后继版本。它可在多种主题与风格下生成高质量视频，分辨率最高支持 4K，时长可延展至数分钟，对真实世界物理规律以及人物动作与表情的刻画更加准确。它能理解 prompt 中的镜头语言，例如指定镜头焦距、浅景深、低角度跟拍和特写等，并减少了多余手指或意外物体等常见伪影。Google 称其在由人类评审参与的头对头对比中取得了领先结果。模型通过 VideoFX、Vertex AI 与 YouTube 逐步开放，所有输出均带 SynthID 隐形水印，更多产品接入将在 2025 年内陆续跟进。

DeepSeek VL2

DeepSeek-VL2 是 DeepSeek MoE 视觉语言模型系列的标准档，每 token 激活约 4.5B、总参数约 27.5B。模型基于 DeepSeekMoE 架构与 Multi-head Latent Attention（MLA），采用动态分块（dynamic tiling）视觉编码策略处理高分辨率图像，支持视觉问答、OCR、文档/表格/图表理解、视觉定位（grounding）与图文交织对话，上下文长度为 4096，适用于文档解析、图表分析和多模态对话等场景。

DeepSeek VL2 Small

DeepSeek-VL2-Small 是 DeepSeek 于 2024 年 12 月 13 日发布的 DeepSeek-VL2 系列视觉语言模型中的中档版本，采用 MoE（Mixture-of-Experts）架构，总参数量 16.1B，每个 token 仅激活约 2.4B 参数，上下文长度 4096。据官方仓库说明，其能力覆盖视觉问答（VQA）、OCR、文档/表格/图表理解以及视觉定位（grounding），可通过特殊 token 输出目标物体的边界框，并支持多图与图文交错输入；官方称在激活参数量相近或更少的情况下，与现有开源模型相比具有竞争力。标准推理可能需要 80GB 显存，配合 chunk size 512 的增量预填充可在 40GB 显存内运行。代码采用 MIT 许可证，模型依据 DeepSeek Model License 支持商用，适合文档解析、图像问答与 grounding 类应用。

DeepSeek VL2 Tiny

DeepSeek-VL2-Tiny 是 DeepSeek-VL2 系列中最小的一档，属于 MoE（Mixture-of-Experts）视觉语言模型，总参数约 3.37B，每个 token 仅激活 1.0B 参数，单张 40GB 显存以内的 GPU 即可运行。它采用动态分块（dynamic tiling）视觉编码策略处理不同长宽比的高分辨率图像，语言侧基于 DeepSeekMoE 架构并通过 Multi-head Latent Attention 压缩 KV cache 以提升推理效率。模型在 4096 上下文长度内支持视觉问答、OCR、文档/表格/图表理解，以及通过特殊 token 输出边界框的 visual grounding。按 DeepSeek Model License 发布且支持商业使用，适合文档解析、图像问答、图文检索等对成本敏感的多模态应用。

Phi 4

Phi 4 是 Microsoft 于 2024 年 12 月 12 日发布、以 MIT 协议开源的 14B 参数小型语言模型，已在 Azure AI Foundry 和 Hugging Face 上开放。它是 dense decoder-only Transformer，在 9.8T token 数据上训练，支持 16K 上下文，大量使用教科书式合成数据并辅以精选的公开网络与学术数据。模型主打复杂推理，尤其是数学：在 Microsoft 官方 SimpleEval 对比中 GPQA 得分 56.1、MATH 得分 80.4，高于 GPT-4o（50.6 和 74.6）以及 Llama-3.3 70B 等更大的模型，在数学竞赛题上也优于 Gemini Pro 1.5。适合研究、推理密集型任务、低延迟场景以及内存或算力受限的部署，主要面向英文文本。

Gemini 2.0

Gemini 2.0 是 Google 于 2024 年 12 月 11 日发布的 Gemini 模型家族第二代，首发型号为 Gemini 2.0 Flash Experimental。该系列面向 agentic 时代设计：模型可原生调用 Google Search、代码执行和用户自定义函数等工具，能规划多步任务并遵循复杂指令；同时具备原生 multimodal 能力，支持图像、视频和音频输入，并可混合生成图文内容与可调节的多语言 text-to-speech 语音。官方称 2.0 Flash 是低延迟的主力型号，在多项关键 benchmark 上以两倍速度超过 1.5 Pro。该家族还配套 Project Astra、Project Mariner、Jules 等 agent 原型以及 Multimodal Live API，适合构建 agent 应用、实时多模态交互和产品内助手，正式版与更多型号稍后开放。

Llama 3.3 70B Instruct

Llama 3.3 70B Instruct 是 Meta 于 2024 年 12 月 6 日发布的开源 instruction-tuned 文本模型，采用优化 transformer 架构并支持 GQA，提供 128K token 上下文窗口，官方支持英、德、法、意、葡、印地、西、泰 8 种语言，预训练使用超过 15T token。官方 model card 显示，它以 70B 体量在多个 benchmark 上达到 Llama 3.1 405B 级别：IFEval 92.1、MATH 77.0、GPQA Diamond 50.5、HumanEval 88.4、MMLU 86.0、MGSM 91.1。适用于 assistant-like 对话、多语言文本生成与代码任务，可依 Llama 3.3 Community License 用于商业和研究场景，是社区部署最广的开源模型之一。

GenCast

GenCast 是 Google DeepMind 推出的 AI 天气集合预报（ensemble forecast）模型，相关论文发表于 Nature。它是一个适配地球球面几何的 diffusion 模型，基于 ECMWF ERA5 存档的四十年历史天气数据，以 0.25° 分辨率训练，可生成未来 15 天的 50 条以上可能天气轨迹。在 2019 年数据上按气象变量与预报时效组合的 1320 项评测中，它在 97.2% 的指标上超过 ECMWF 业务系统 ENS，预报时效超过 36 小时时比例达 99.8%。单块 Google Cloud TPU v5 只需 8 分钟即可生成集合中的一个 15 天预报，且各成员可并行运行。它在极端高温、低温、大风预报以及热带气旋路径预测上持续优于 ENS，在风电功率预测实验中也更为准确。其代码与权重已开源，实时与历史预报数据稍后开放。适用于极端天气风险防范、可再生能源规划和灾害响应等场景。

Genie 2

Genie 2 是 Google DeepMind 推出的大规模 foundation world model，能从单张提示图片生成可用键盘和鼠标操控的可玩 3D interactive environment。该模型是在大规模视频数据上训练的 autoregressive latent diffusion 架构，可维持长达一分钟的一致性世界，能记住离开视野的场景元素，模拟水、烟雾、重力和反射等物理与光影效果，并支持 NPC 行为与复杂角色动画，涵盖第一人称、第三人称和等距视角。它主要面向 embodied agent 在多样化新环境中的训练与评估，也可将概念图快速转化为可玩的交互式环境用于原型验证。

hunyuan-image-expansions

hunyuan-image-expansions 是腾讯混元生图的扩图（outpainting/expansion）能力变体，通过腾讯云 ImageOutpainting 接口提供。该接口对输入图像按指定宽高比（支持 1:1、4:3、3:4、16:9、9:16，且需与原图比例不同）在原画面之外智能生成内容，实现画面的智能延展。输入图像单边需小于 5000px，支持 jpg、png、webp 等常见格式，结果以 base64 或临时 URL 返回。适用于电商素材、社交媒体配图、广告版式等需要改变画面比例或扩展构图的场景。

hunyuan-video-aries

HunyuanVideo 是腾讯开源的 text-to-video 视频生成基础模型，参数量超过 13B，是发布时规模最大的开源视频生成模型。它采用 Diffusion Transformer（DiT）双流到单流的混合架构，配合预训练 MLLM 文本编码器和 Causal 3D VAE，可生成 720P 分辨率、129 帧的多比例视频，并提供 prompt rewrite 模块提升指令遵循效果。官方评测基于 1,533 个 prompt、由 60 多名专业评审参与，其综合成绩排名第一，超过 Runway Gen-3 与 Luma 1.6 等闭源模型。开源权重使其适合创意视频制作、广告与短视频生产以及视频生成研究。

Nova Lite

Amazon Nova Lite 是 Amazon 在 AWS re:Invent 2024 上发布的 Nova 家族轻量级 multimodal 理解模型，仅在 Amazon Bedrock 上提供。官方将其定位为成本极低、处理速度快的模型，支持图像、视频和文本输入并生成文本输出，输入上限为 300K token，单次请求可分析多张图像或最长 30 分钟的视频。AWS 建议将其用于高频、价格敏感场景，例如实时客服交互、文档分析和 visual question answering，并可通过文本与多模态 fine-tuning 以及 model distillation 按用例优化质量与成本。

Nova Micro

Nova Micro 是 Amazon Nova 家族中体量最小的 text-only 模型，通过 Amazon Bedrock 提供。据 AWS 官方公告，它在 Nova 家族中 latency 最低且成本很低，拥有为速度和成本优化的 128K token context window。模型适合文本摘要、翻译、内容分类、交互式聊天、头脑风暴以及简单的数学推理和编码任务，并支持通过 fine-tuning 与 model distillation 在自有数据上定制。与多模态的 Lite、Pro、Premier 不同，Micro 面向对响应速度和价格最敏感的高频轻量文本任务。