两个月再升级！HCompany推出2350亿参数Holo2-235B-A22B，刷新UI定位模型基准
距离首款Holo2模型发布仅两个月，HCompany便推出迄今最大规模的UI定位模型Holo2-235B-A22B Preview，一举在ScreenSpot-Pro基准测试中创下78.5%的新纪录...
排序
智谱AI开源GLM-OCR：0.9B参数拿下榜单第一，支持vLLM部署，一行命令就能用
智谱AI又放出一款实用开源模型——GLM-OCR，这是一款专为复杂文档理解打造的多模态OCR模型，不仅在权威基准测试中拿下综合第一，还做到了轻量高效、易部署，关键是完全开源，个人和企业都能免费使用。 ...
Apache 2.0 许可！Photoroom 推出轻量级 13 亿参数开源文生图模型 PRX
Photoroom 团队正式发布了其首个开源文生图模型 PRX (Photoroom Experimental)。这是一个拥有 13 亿参数、完全从头开始训练 的扩散变换器模型，并以宽松的 Apach...
阶跃星辰推出Step 3.5 Flash：196B MoE 开源旗舰，推理与智能体性能对标闭源顶级模型
Step 3.5 Flash 是阶跃星辰推出的开源旗舰语言推理模型，定位为当前最强大的开源基座之一，专为极致效率、深度推理、智能体（Agent）执行而生。 GitHub：https://github...
优必选开源具身智能大模型Thinker：小参数、高性能，专为工业人形机器人打造
过去一年，人形机器人在实验室环境中的“场景理解”与“任务规划”能力突飞猛进。然而，一旦进入真实的工业产线，它们便常常陷入“想得到但抓不准、算得出但跟不上”的困境。这背后，是长期存在的鸿沟：空间层面的度...
商汤开源 SenseNova-MARS：多模态自主推理模型登顶 MMSearch 榜单
商汤科技正式开源 SenseNova-MARS —— 一款支持动态视觉推理与图文搜索深度融合的多模态大模型（VLM）。该模型提供 8B 与 32B 双版本，在多模态搜索与推理核心基准 MMSearch...
模思智能推出 MOVA：开源同步音视频生成基座模型，打破“无声视频”困局
模思智能正式开源 MOVA（MOSS Video and Audio）——一款专注于原生同步生成视频与音频的基座模型。针对当前主流系统（如 Sora 2、Veo 3）普遍采用的“先画后音”级联流程，M...
通义千问开源 Qwen3-ASR 与 Qwen3-ForcedAligner：支持流式、多语言、高并发的语音识别与对齐工具
Qwen（通义千问）团队正式开源全新一代语音技术方案——Qwen3-ASR系列语音识别模型与Qwen3-ForcedAligner强制对齐模型。该系列包含Qwen3-ASR-1.7B、Qwen3-AS...
Gemini 3 Flash 引入智能体视觉：视觉推理+代码执行，答案基于视觉证据
谷歌正式为 Gemini 3 Flash 推出全新能力——智能体视觉，通过将视觉推理与代码执行深度结合，让AI从“静态一瞥”升级为“主动调查”，彻底改变图像理解方式。这项功能可使多数视觉基准测试质量提...
百度飞桨发布PaddleOCR-VL-1.5：0.9B轻量多模态模型，真实场景文档解析全面SOTA
百度飞桨近期完成 PaddleOCR 3.4.0 版本更新，正式推出新一代视觉语言模型 PaddleOCR-VL-1.5。这款面向真实场景的文档解析专用模型，仅0.9B参数量却实现资源高效与性能领先...
腾讯混元推出 HunyuanImage 3.0-Instruct：原生多模态图像编辑模型，支持精准编辑与多图融合
腾讯混元项目组正式开源 HunyuanImage 3.0-Instruct —— 一款专注于图像编辑的原生多模态大模型。该模型不仅能理解输入图像的语义内容，还能基于复杂指令进行推理，并生成高保真、高一...
LingBot-World：蚂蚁灵波开源交互式世界模拟器，支持高保真、长时序、可交互的虚拟环境生成
蚂蚁灵波科技正式开源 LingBot-World —— 一个基于视频生成技术构建的交互式世界模拟器。它不是简单的视频合成工具，而是一个能响应用户动作、维持物理逻辑、保持长期一致性的动态虚拟世界框架。项...
