技术方向
文字之外的能力：看懂图片、图文混合理解、音视频输入输出的模型与产品进展。
208 条精选近 30 天 183 条共收录 255 条
阶跃 StepFun 发布 Step 3.7 Flash 多模态模型，采用 198B 参数稀疏 MoE 架构，每 token 激活约 11B 参数，支持 256k 上下文与低中高三档可调推理强度，最高吞吐达 400 tokens/秒。
推荐理由：Step 3.7 Flash 以 198B 稀疏 MoE 视觉语言模型形态发布，配合 256k 上下文与 ClawEval-1.1 67.1 的领先成绩，为 agent 与工具调用场景提供了从云端 API 到本地 GGUF 的完整部署参考。
StepFun 发布 198B 参数稀疏 MoE 视觉语言模型 Step 3.7 Flash，每 token 激活约 11B 参数，吞吐量最高 400 tokens/s，支持 256k 上下文窗口与低/中/高三档推理强度。
推荐理由：原文说明了该 198B MoE 模型针对高频生产与智能体工作流的定位，以及通过三档推理强度平衡成本与速度的设计取舍。
Kimi K2.6 开源发布，定位原生多模态智能体模型，重点强化长程编码、代码驱动的界面设计与 Agent Swarm 多智能体编排能力。模型采用 MoE 架构，总参数 1T、激活参数 32B、上下文长度 256K，可横向扩展至 300 个子智能体执行 4000 步协同任务，并在单次自主运行中产出文档、网页、表格等端到端结果。
推荐理由：原文给出 K2.6 与 GPT-5.4、Claude Opus 4.6、Gemini 3.1 Pro 在 Agentic、编码、推理、视觉四类基准的多维对比，可作为开源前沿模型与闭源旗舰能力差距的一手参考。
Meta Superintelligence Labs 发布 Muse Spark 模型，原生多模态推理，支持工具调用、视觉思维链和多智能体编排。其 Contemplating 模式通过多智能体并行推理，在 Humanity's Last Exam 上达到 58%、FrontierScience Research 38%。
推荐理由：Muse Spark 在预训练效率和多智能体推理上给出了具体数字，可以与 Llama 4 Maverick 及同类推理模型横向比较。
Moonshot AI 发布开源原生多模态智能体模型 Kimi K2.5，基于 Kimi-K2-Base 用约 15T 视觉和文本混合 token 继续预训练，支持即时与思考双模式及 Agent Swarm 协同执行。
推荐理由：原文给出 1T/32B MoE 架构与 256K 上下文的多模态智能体能力，并附与 GPT-5.2、Claude 4.5 Opus、Gemini 3 Pro 的横评。
xAI 发布 Grok 新一代图像生成模型 Aurora，采用自回归混合专家架构，已在 X 平台向部分国家开放，一周内全量上线。Aurora 基于海量互联网样本训练，主打照片级真实感与文本指令遵循度，能精确渲染真实实体、文字、商标与人像。
推荐理由：原文给出了 Aurora 的自回归 MoE 架构、原生多模态图像输入与编辑能力，及其在 X 平台的分阶段上线节奏，便于与同代图像生成模型做横向对比。
xAI 发布 Grok-2 与 Grok-2 mini Beta，已在 𝕏 平台对 Premium 和 Premium+ 用户开放测试，企业 API 将于本月晚些时候上线。
推荐理由：原文给出 LMSYS Elo 排名与多项学术基准对比，读者可直接看到 Grok-2 与 GPT-4 Turbo、Claude 3.5 Sonnet 的相对位置。
xAI 发布首个多模态模型 Grok-1.5V 预览版，可处理文档、图表、截图和照片等视觉信息，将向早期测试者和现有 Grok 用户开放。
推荐理由：横向对比了 GPT-4V、Claude 3、Gemini Pro 1.5 在多模态基准上的表现，并同步开源真实空间理解基准 RealWorldQA。