Z-Image Turbo Controlnet Union：阿里开源多条件控制 ControlNet 模型，低显存高效支持精准图像生成与编辑
Z-Image Turbo Controlnet Union是阿里通义实验室开源的ControlNet扩展模型，基于Z-Image系列单流扩散架构，6B参数实现 photorealistic 渲染，支持Canny、HED、姿态等多模态...
MOSS-Speech：复旦大学开源的端到端语音大模型，无文本引导实现自然语音交互
MOSS-Speech是由复旦大学邱锡鹏教授领衔的OpenMOSS团队（国内知名AI开源团队，曾推出MOSS大模型系列）研发的原生语音到语音（Speech-to-Speech, S2S）开源大模型，旨在打破...
Z-Image：阿里通义开源的轻量级AI图像生成与编辑模型，支持亚秒级推理与中英双语精准渲染
Z-Image是阿里巴巴通义实验室开源的轻量级图像生成基础模型，以6B参数实现接近20B级商业模型的视觉质量，包含Turbo（高效推理）、Base（基础微调）、Edit（图像编辑）三个变...
Depth Anything 3：字节跳动开源的全场景任意视图3D几何重建模型
Depth Anything 3是字节跳动Seed团队开源的3D视觉基础模型，旨在从任意数量、任意视角的视觉输入中恢复空间一致的三维几何结构。该模型采用“单Transformer主干+Depth-Ray统...
HunyuanOCR：腾讯混元开源的轻量高效多模态OCR大模型，全场景多语种图文智能解析
HunyuanOCR是腾讯混元开源的端到端OCR专家模型，基于混元原生多模态架构构建，仅1B参数便实现了业界多项SOTA性能。该工具覆盖文字检测识别、复杂文档解析、开放字段信息抽取...
Ruyi：CreateAI推出的开源图像转视频大模型，支持768分辨率与多维度视频控制
Ruyi是Ruyi-Models项目的核心图像到视频（Image-to-Video, i2v）生成模型，由CreateAI团队开发并开源，旨在为用户提供“低门槛、高性能、高自由度”的视频生成解决方案。不...
MiMo-Embodied：小米开源的7B跨具身视觉语言模型，打通自动驾驶与具身AI双领域推理
MiMo-Embodied是小米公司具身智能团队推出的一款开源跨具身视觉语言模型（Vision-Language Model, VLM），于2025年正式发布。作为全球首个整合自动驾驶与具身AI两大关键领域...
VibeThinker-1.5B：微博开源的1.5B小参数量高性价比强推理模型
VibeThinker-1.5B是一款仅1.5B参数的开源小参数量密集型模型，核心突破在于通过“频谱到信号原理”和两阶段多样性探索蒸馏+强化学习优化，打破了“小模型缺乏强推理能力”的...
Bee：清华大学联合腾讯混元推出的全开源多模态大语言模型
Bee是由清华大学与腾讯混元团队联合研发的全开源多模态大语言模型（MLLMs）全栈解决方案，项目通过三大核心产出——1500万条双级思维链（CoT）增强的高质量SFT数据集Honey-...
UniWorld-V2：基于 DiffusionNFT 与 MLLMs 的开源 AI 图像编辑模型
UniWorld-V2 是一款开源的AI图像编辑模型，专注于提升扩散模型的复杂编辑能力。该项目通过创新的 DiffusionNFT 技术和基于预训练多模态大模型（MLLMs）的无训练奖励模型，实...
Ouro：开源预训练循环语言模型（Looped LLM），小参数量匹敌大模型性能
Ouro 是多机构联合研发的开源循环语言模型系列，核心创新在于将“推理能力”融入预训练阶段，而非依赖传统大语言模型（LLM）的 post-training 显式文本生成。该系列包含 Ou...
LongCat-Flash-Omni：美团开源的5600亿参数全模态大模型，支持低延迟音视频实时交互
LongCat-Flash-Omni是美团LongCat团队开发的开源全模态大模型，总参数规模达5600亿，基于LongCat-Flash的shortcut-connected混合专家（MoE）架构打造。该模型融合文本、音频...
Kimi Linear：Moonshot AI 推出的开源高效注意力模型架构
Kimi Linear是由Moonshot AI开源的混合线性注意力架构，核心基于Kimi Delta Attention（KDA）机制，通过优化门控机制和混合架构设计，在长上下文任务中实现了内存效率与性能...
Qwen3-VL：Qwen 系列推出的强大多模态 AI 模型，打通视觉与语言的智能融合
Qwen3-VL 是 Qwen 系列开源的强大多模态视觉 - 语言模型，支持图像 / 视频理解、文本交互、视觉代理等全场景任务，具备长上下文处理、空间感知、跨语言 OCR 等核心能力，提...
LiveCC：开源实时视频解说大模型，融合流式语音转录与多模态理解
LiveCC 是一款开源实时视频解说大语言模型（Video LLM），旨在通过融合视频视觉信息与流式语音转录（ASR）文本，实现对视频内容的实时理解与动态解说。该项目提供从数据生产...