新 AI 模型

Nova Pro

Nova Pro 是 Amazon Nova 家族中面向多模态理解的中档模型，通过 Amazon Bedrock 提供。它支持文本、图像和视频输入，上下文窗口达 300K token，官方定位为准确度、速度与成本兼顾的均衡之选。据 AWS 发布公告，它在 TextVQA（视觉问答）和 VATEX（视频理解）benchmark 上达到 state-of-the-art 水平，擅长 RAG、function calling 以及调用 API 和工具的 agentic 工作流，支持 200 多种语言。适合文档与视频分析、代码库处理和构建 agent 应用，也可作为教师模型用于蒸馏定制 Nova Micro 或 Lite 变体。

v4

Suno v4 是 Suno 于 2024 年 11 月发布的 AI 音乐生成模型，beta 阶段面向 Pro 和 Premier 用户开放。相比早期版本，它带来更干净的音频、更清晰的人声（vocals）和更锐利的歌词发音，歌曲结构也更有动态变化。该版本引入 Remaster 功能，可将旧模型生成的曲目升级到 v4 音质，同时新增 ReMi 歌词辅助模型，并为 Covers 与 Personas 提供 v4 升级。适合创作者打磨 demo、翻新旧作，以及在不同曲目间保持一致的风格。

Pixtral Large

Pixtral Large 是 Mistral AI 推出的 124B 开放权重 multimodal 模型，基于 Mistral Large 2 构建，由 123B multimodal decoder 和 1B 参数 vision encoder 组成。它在理解文档、图表和自然图像的同时保留了 Mistral Large 2 的文本能力，支持 128K 上下文窗口，至少可容纳 30 张高分辨率图像。官方评测显示其在 MathVista 上取得 69.4% 的成绩，并在 MathVista、DocVQA、VQAv2 上达到 state-of-the-art，ChartQA 与 DocVQA 超过 GPT-4o 和 Gemini-1.5 Pro，MM-MT-Bench 上优于 Claude 3.5 Sonnet（new）、Gemini-1.5 Pro 与 GPT-4o（latest）。模型以 Mistral Research License 提供研究与教育用途，商用需商业许可，可通过 le Chat、API（pixtral-large-latest）和 HuggingFace 权重下载使用，适合文档解析、图表分析、多语言 OCR 等场景。

Claude 3.5 Haiku

Claude 3.5 Haiku 是 Anthropic 于 2024 年 10 月 22 日发布的 Claude 3.5 家族高速高性价比模型，同年 11 月 4 日起在 Anthropic API、Amazon Bedrock 和 Google Cloud Vertex AI 上线。它保持前代 Claude 3 Haiku 的速度档位，同时在多项 intelligence benchmark 上超越更大的 Claude 3 Opus，SWE-bench Verified 得分 40.6%，指令遵循更准、tool use 更可靠、latency 更低。模型提供 200K token 上下文窗口，定价为每百万输入 token 0.8 美元、输出 4 美元，适合面向用户的产品、专用 sub-agent 任务、基于购买记录与价格库存等大规模数据的个性化体验，以及对响应速度要求高的编码补全等场景。

Ministral 8B Instruct

Ministral 8B Instruct 是 Mistral AI 于 2024 年 10 月发布的 les Ministraux 系列中的 8B 指令微调模型，面向端侧（edge）与设备端推理场景。它采用 Dense Transformer 架构与 interleaved sliding-window attention，支持 128k 上下文窗口和 function calling，使用 131k 词表的 V3-Tekken tokenizer。官方 benchmark 显示其领先同尺寸指令模型（如 Llama 3.1 8B Instruct 与 Gemma 2 9B Instruct）：HumanEval pass@1 为 76.8，Math maj@1 为 54.5，Arena Hard 为 70.9。适用于隐私优先的本地推理、离线智能助手、端侧翻译，以及多步 agentic workflow 中的输入解析与任务路由，可通过 ministral-8b-latest API 调用，权重以 Mistral Research License 开放用于研究。

FLUX 1.1 [pro]

FLUX 1.1 pro 是 Black Forest Labs 于 2024 年 10 月上线 BFL API 的升级版旗舰文生图模型。官方发布文称，它在图像质量、prompt adherence 与输出多样性上较前代提升，生成速度为初版 FLUX.1 pro 基线的六倍，为更新后版本的约三倍。该模型曾以 blueberry 代号参与 Artificial Analysis 文生图竞技场评测，当时位居排行榜 ELO 总分第一；原生支持最高 2k 的超高清快速生成，该高清档位稍后在 API 开放，定价为每张 4 美分，也可通过 Together.ai、Replicate、fal.ai 与 Freepik 调用，适合需要快速、高质量 API 出图的生产场景。

FLUX.1 [dev]

FLUX.1 [dev] 是 Black Forest Labs 的开放权重文生图模型，基于 12B 参数的 rectified flow transformer 架构，并通过 guidance distillation 训练，使采样更高效。官方模型卡称其输出质量仅次于 API 版的 FLUX.1 [pro]，prompt 跟随能力与闭源方案相当。权重以 FLUX.1 [dev] Non-Commercial License 发布在 Hugging Face，可用于科研、个人创作与微调实验；如需在商业场景部署该模型，则要向 Black Forest Labs 另行获取授权。

FLUX.1 [pro]

FLUX.1 pro 是 Black Forest Labs FLUX.1 文生图系列中的旗舰闭源版本，不开放权重，仅通过官方 BFL API 以及 Replicate、fal.ai、Together.ai 等合作平台提供。官方将其定位为系列中 prompt adherence、视觉质量、图像细节与输出多样性最佳的版本，并支持分辨率选择、内容审核等 API 级控制。2024 年 10 月前后，该模型随 BFL API 正式商用，定价为每张 5 美分，并更新为速度提升一倍而输出保持不变。它适合对 prompt 遵循度和商用画质要求较高的生产场景，例如营销素材、产品视觉与设计工作流。后续由 FLUX1.1 pro 接替，在图像质量、prompt adherence 与输出多样性上进一步提升。

Llama 3.1 Nemotron 70B Instruct

Llama 3.1 Nemotron 70B Instruct 是 NVIDIA 基于 Llama 3.1 70B Instruct 后训练的 70B 模型，通过 RLHF（REINFORCE 算法）、Nemotron 70B Reward 奖励模型和 HelpSteer2-Preference 数据提升回答的有用性。官方模型卡显示其 Arena Hard 85.0、AlpacaEval 2 LC 57.6、GPT-4-Turbo MT-Bench 8.98，截至 2024 年 10 月 1 日在三个自动对齐 benchmark 上均排名第一，超过 GPT-4o 和 Claude 3.5 Sonnet，Chatbot Arena Elo 为 1267。模型支持最长 128k 输入 token，采用 NVIDIA Open Model License，适合通用指令跟随与对话场景；官方注明未针对数学等专门领域调优。

Llama 3.2 11B Instruct

Llama 3.2 11B Instruct（Llama 3.2-Vision 11B）是 Meta 于 2024 年 9 月 25 日发布的开源 instruction-tuned 多模态模型，参数量 11B（官方标注 10.6B）。它以 Llama 3.1 文本模型为基础，通过单独训练的 vision adapter（cross-attention 层）将图像编码表示接入 LLM，接受文本加图像输入、输出文本，上下文长度 128K token。模型面向视觉识别、image reasoning、图像描述与带图的对话助手，适用场景包括 VQA、DocVQA、图表与示意图理解、visual grounding 等。官方 benchmark 显示 11B 版 DocVQA 88.4（ANLS）、ChartQA 83.4、AI2 Diagram 91.1、VQAv2 75.2、MMMU 50.7（CoT），Meta 称该系列在常见行业 benchmark 上优于多数开源与闭源多模态模型。图像加文本输入仅支持英语，文本任务支持 8 种官方语言，适合文档解析、图像问答助手与合成数据生成等应用，遵循 Llama 3.2 Community License。

Llama 3.2 3B Instruct

Llama 3.2 3B Instruct 是 Meta 于 2024 年 9 月 25 日发布的指令微调文本模型，参数量约 3.21B，面向手机、笔记本等 on-device 与边缘设备场景。它支持 128K token 上下文，官方支持英语、德语、法语、西班牙语、印地语等 8 种语言，经 SFT、拒绝采样与 DPO 对齐，并使用 Llama 3.1 模型蒸馏，适用于助手式对话、知识检索与摘要改写等任务。官方 benchmark 显示 bf16 版 MMLU 63.4、IFEval 77.4、ARC-Challenge 78.6、GSM8K (CoT) 77.7；4-bit SpinQuant 量化版经 ExecuTorch 在 OnePlus 12 上解码速度达 19.7 tokens/sec。

Llama 3.2 90B Instruct

Llama 3.2 90B Instruct 是 Meta 于 2024 年 9 月 25 日发布的开源指令微调多模态模型，基于 Llama 3.1 文本模型，通过单独训练的 vision adapter（采用 cross-attention 层）实现图像理解，支持多语言文本加图像输入，上下文长度为 128K token。官方将其定位为面向 visual recognition、image reasoning、captioning 和图像问答的模型，适用场景涵盖 VQA、DocVQA、image captioning、image-text retrieval 和 visual grounding。官方 instruction-tuned 版 benchmark 结果包括 MMMU（CoT）60.3、ChartQA 85.5、DocVQA 90.1、MMLU（CoT）86.0。图文混合应用仅支持英文，纯文本任务支持英语、德语、法语、西班牙语、印地语等 8 种语言。

Mistral Small

Mistral Small v24.09 是 Mistral AI 在 2024 年 9 月发布的企业级小模型，作为 mistral-small-latest API 端点背后的 v24.02 升级版推出。它拥有 22B 参数，定位介于 Mistral NeMo 12B 与 Mistral Large 2 之间，适合翻译、摘要、情感分析等不需要完整通用大模型的任务。官方称其在人类对齐、推理与代码能力上较前代明显提升，benchmark 图表覆盖 GSM8K、MATH、HumanEval、HumanEval Plus、MT Bench、WildBench。价格降至每百万输入 token 0.2 美元、每百万输出 token 0.6 美元，较此前下降 80%；模型可通过 la Plateforme 及 Azure AI Studio、Amazon Bedrock、Google Vertex AI 等云平台使用，并以 Mistral Research License 允许非商业自部署（如 vLLM）。

Pixtral-12B

Pixtral-12B 是 Mistral AI 于 2024 年 9 月发布的首个开源多模态模型，采用 Apache 2.0 许可证。据官方发布页介绍，它由基于 Mistral Nemo 的 12B 参数多模态解码器和从头训练的 400M 参数视觉编码器组成，能以图像原生分辨率和原始宽高比输入，并在 128K token 上下文窗口中处理多张图像，覆盖文档、图表、示意图和自然图像。官方评测中它在 MMMU 推理 benchmark 上取得 52.5%，同时作为 Mistral Nemo 12B 的 drop-in replacement 保持了 instruction following、coding 和 math 等纯文本能力，适合文档问答、图表理解、多模态推理和图像生成代码等场景，可通过 La Plateforme、Le Chat 或 Hugging Face 权重使用。

o1

o1 是 OpenAI 于 2024-09-12 以 o1-preview 形式首发的推理模型系列，面向 ChatGPT 与可信 API 用户开放。该系列通过大规模 reinforcement learning 训练，作答前会生成长内部 chain-of-thought，学会识别并纠正自身错误、把困难步骤拆解为更简单的步骤、在方法失效时改换思路。官方 benchmark 数据：AIME 2024 pass@1 为 74%（cons@64 为 83%），Codeforces Elo 1673、位居第 89 百分位，GPQA-diamond 准确率超过人类博士水平，MMMU 为 78.2%。适用于数学、科学、编程等复杂推理任务，例如竞赛题与科研级问题。

o1-mini

o1-mini 是 OpenAI 于 2024 年 9 月 12 日与 o1-preview 同期推出的小型高性价比 reasoning 模型，预训练聚焦 STEM，再经与 o1 相同的高算力 reinforcement learning 流程训练。官方数据显示，它在 AIME 数学竞赛题上得分 70.0%，接近 o1 的 74.4%，远高于 o1-preview 的 44.6%；在 Codeforces 上达到 1650 Elo（约 86 百分位），而 API 价格比 o1-preview 低 80%。它在 GPQA 和 MATH-500 上优于 GPT-4o，reasoning 速度约为 o1-preview 的 3 到 5 倍。其世界知识较窄，非 STEM 事实性知识与 GPT-4o mini 相当，适合需要快速、低成本的数学与编程推理而非广泛知识问答的应用。

Hailuo 1.0

Hailuo 1.0 是 MiniMax 于 2024 年 8 月 31 日在海螺 AI 上线的首个 AI 原生视频生成模型，内部代号 video-01。它同时支持 text-to-video 与 image-to-video 两种生成方式，可输出 720p、25fps、最长 6 秒的视频。官方介绍称其具备高压缩率、出色的 prompt 响应能力和多样化风格，并带有电影感的镜头运动效果。适合短视频创作、分镜预览以及基于文本或参考图的创意生成等场景。

Hailuo 1.0-Director

Hailuo 1.0-Director 是 MiniMax 海螺视频 1.0 系列的导演模式变体。用户在 prompt 中用自然语言下达镜头指令，例如 pan、push in、zoom、follow 等，模型按指令执行运镜。MiniMax 官方公告称 Director 模型降低了运动随机性，并针对 prompt 遵循度做了微调，画面更贴近创作意图。它支持文生视频与图生视频，适合短片、广告、分镜预演等需要精确 camera control 的场景，可通过 hailuoai.video 与 MiniMax API 平台使用。

Hailuo 1.0-Live

Hailuo 1.0-Live（video-01-Live）是 MiniMax 海螺视频系列的 Live 变体，该系列首个 AI 原生视频生成模型 video-01 于 2024 年 8 月 31 日正式发布。基础模型支持 720p、25fps、最长 6 秒的高清视频生成，提供 text-to-video 与 image-to-video 两种模式，具备电影感运镜、较高的压缩效率、对 prompt 的良好响应，以及媲美电影质感的原生高分辨率与高帧率。MiniMax 官方将 Live 变体定位为让静态插画动起来、把静帧变成动态作品，适合动漫、漫画与插画创作者从单张图像生成富有表现力的角色动效，可通过 MiniMax 视频生态及 Freepik 等合作平台使用。

Phi-3.5-mini-instruct

Phi-3.5-mini-instruct 是 Microsoft 于 2024 年 8 月发布的 3.8B 参数开源指令模型（MIT 协议），是 Phi-3-mini 的升级版。它基于 dense decoder-only Transformer 架构，支持 128K token 上下文，官方称通过多语言训练增强了 23 种语言的 multilingual 能力，其中阿拉伯语、荷兰语、芬兰语、波兰语、泰语和乌克兰语相比上一代提升 25% 到 50%。官方模型卡报告 MMLU (5-shot) 69 分、GSM8K 86.2 分、HumanEval 62.8 分、Multilingual MMLU 55.4 分。适合内存和算力受限的端侧或边缘部署、低延迟场景，以及代码、数学、逻辑等 reasoning 任务和长文档摘要、文档 QA、信息检索；多语言知识密集任务建议搭配 RAG 使用。