大模型时间线

200 个发布节点40 家机构 / 团队

架构起点 · Transformer(2017)

年度节点数量

发布记录

厂商 / 团队
机构按 AA 综合指数排序

共 200 个节点

2026

多模态与智能体85 个节点

同日推出 Astra 和 Sol。Astra 面向复杂推理与专业工作,Sol 侧重日常编程和低延迟工具调用。

模型发布闭源多模态
资料来源
相关发布 1
  • GPT-6.2 Sol

    面向日常编程与工具调用,侧重缩短完成任务的时间、降低推理成本。

支持原生 8K 图像生成,可通过文字和参考图控制排版、编辑画面或生成系列图。

模型发布闭源多模态图像生成
资料来源

微软的新一代编程模型接入 GitHub Copilot,分别面向跨文件开发和低延迟代码修改。

模型发布闭源多模态
资料来源

Qwen4-Max

阿里巴巴

千问旗舰正式开放 API,结合原生视觉理解、百万 token 上下文与多步工具执行。

模型发布闭源多模态
资料来源
相关发布 1
  • Qwen4-Max-Preview

    千问新一代旗舰多模态预览,支持图像、视频理解和复杂工具调用。

面向日常编程与工具执行,提供四档推理力度和统一百万 token 上下文。

模型发布闭源多模态
资料来源

开放权重的图像生成与编辑模型,支持约 1600 万像素输出及最多 16 张参考图。

模型发布开源多模态图像生成
资料来源

GR00T 2

NVIDIA

联合预测未来视频与机器人动作,支持机械臂、灵巧手和人形机器人。

官方公告闭源多模态机器人动作
资料来源

Seedream 5.5

字节跳动

加强连续图像编辑,支持直接生成带透明或半透明背景的 RGBA 图像。

模型发布闭源多模态图像生成
资料来源

原生视频生成延长至 15 秒,改进多轮编辑与参考一致性,并正式开放生产服务。

模型发布闭源多模态视频生成
资料来源
相关发布 1
  • Gemini Omni 1.1 Flash

    Omni 1.1 Flash 加入场景延展、首尾帧控制与 360p 草稿生成,并支持最高 4K 升采样输出。

面向安全研究的专用模型,用于发现漏洞、在授权环境中复现问题及验证修复。

模型发布闭源多模态
资料来源

Inkling 2 Small

Thinking Machines

第二代混合专家模型结合视觉理解、编程与长程任务,支持通过 Tinker 微调。

模型发布开源多模态
资料来源

正式版新增视觉理解与电脑操作,支持命令行和图形界面的多步骤任务。

模型发布闭源多模态
资料来源
相关发布 2
  • 混元 Hy4 Preview

    开放新一代旗舰预览模型,扩展长上下文与复杂工作任务能力。

  • 混元 Hy4 flash

    腾讯混元的低成本多模态型号,提供百万 token 上下文,已接入元宝、WorkBuddy 和腾讯云。

美团原生多模态 MoE 模型,将视觉理解与长流程编程、工具调用结合。

模型发布开源多模态
资料来源

在 MiniMax H3 上后训练,以六步采样生成带音频的视频,并开放参考条件适配器。

模型发布开源多模态视频生成
资料来源

面向复杂编程、长程智能体任务与网络防御的多模态模型,先向受信合作伙伴开放。

官方公告闭源多模态
资料来源

以自然语言指令控制转写方式,将多语言转写、说话人标注与语音翻译整合到开放权重模型。

权重开放开源多模态
资料来源

Genie 4

Google

将实时可交互世界模拟与原生音频结合,支持键盘操作和文字指令改变场景。

预览发布闭源多模态世界模拟
资料来源

LFM3

Liquid AI

面向端侧部署的约 2B 参数模型家族,以同一混合架构覆盖文本、视觉、音频与决策任务。

权重开放开源多模态
资料来源
相关发布 1
  • LFM2.5-24B-A2B

    面向端侧智能体的开放推理模型,以混合架构和稀疏专家支持本地工具调用。

MAI Image 2.7

Microsoft

从图像编辑预览扩展到文生图,提供标准版与 Flash 版。

预览发布闭源多模态图像生成
资料来源

Kimi K3.1 Pro

月之暗面

强化编程、空间推理和长程任务能力,提供百万级上下文与标准、高速两种服务版本。

模型发布开源多模态
资料来源

将构图规划与图像渲染分为两阶段,面向设计中的文字、布局和视觉层次生成图像。

模型发布闭源文本图像生成
资料来源

将文字描述或已有图像转为可编辑 SVG,面向标志、字体图形与插画设计。

模型发布闭源多模态图像生成
资料来源

在 FLUX 3 基础上进行后训练与推理优化,提供文本、图像和关键帧驱动的视频生成。

模型发布闭源多模态视频生成
资料来源

Mercury 3

Inception

以扩散方式生成文本的语言模型,将上下文扩展至百万级,并支持推理、工具调用和结构化输出。

模型发布闭源文本
资料来源

FLUX 3 Image Klein

Black Forest Labs

开放图像生成与编辑模型,支持多图参考、边界框布局控制和本地部署。

权重开放开源多模态图像生成
资料来源

Meta 开放 Muse Spark 的独立权重版本,支持多模态理解、编程与长程工具任务。

权重开放开源多模态
资料来源

NVIDIA 同日开放服务器与本地部署两类多模态智能体模型,提供权重、训练资料与推理支持。

权重开放开源多模态
资料来源

Krea 3

Krea

以原生 2K 图像编辑与多图参考,保持人物、产品和文字在修改中的一致性。

模型发布闭源多模态图像生成
资料来源

Meta 新一代多模态模型面向长程编程、计算机操作与专业任务,支持跨会话记忆和子任务分派。

预览发布闭源多模态
资料来源
相关发布 1
  • Muse Ember

    面向工具调用、编码子任务和文档处理的低成本多模态模型。

Haiku 系列首次支持可调推理力度,面向高频任务、编程及子智能体调用。

模型发布闭源多模态
资料来源

多模态旗舰结合指令遵循、推理与智能体任务能力,后续开放百万 token 上下文权重。

预览发布开源多模态
资料来源

Beam 1.0

Reflection

Reflection 首款模型面向编程、推理与长程智能体任务,随后以 Apache 2.0 开放权重。

官方公告开源文本
资料来源

面向复杂编程、知识工作与网络防御的新一代多模态模型,支持长程推理与工具任务。

官方公告闭源多模态
资料来源

Kling 4.0

快手

可灵 4.0 将单次视频生成延长至 30 秒,加强多素材参考、关键帧控制与音画一致性。

预览发布闭源多模态视频生成
资料来源

Ling-3.1-flash

蚂蚁百灵

蚂蚁百灵发布混合推理模型,面向编程、工具调用与多步骤智能体任务。

模型发布开源文本
资料来源

升级编程、计算机操作与专业任务能力,并支持在单次请求中分派子任务。

模型发布闭源多模态
资料来源
相关发布 1
  • GPT-6.1 Terra

    面向视觉推理、计算机操作与日常编程任务,以较低价格提供百万级上下文。

Claude 5.5 家族的第二个型号,面向编程、文档处理和办公任务。

模型发布闭源多模态
资料来源

新一代 Opus 面向复杂知识工作、编程与需要审慎判断的任务。

模型发布闭源多模态
资料来源

GPT-6 系列的两个型号,分别面向不同速度与成本需求。

模型发布闭源多模态
资料来源
相关发布 1

升级编程和知识工作,改善复杂任务的自我验证与上下文管理。

模型发布闭源多模态
资料来源
相关发布 1
  • Grok 4.6

    加强长程智能体、互动应用和视觉工作中的持续执行能力。

Step 5 Preview

阶跃星辰

面向长程软件工程、知识工作与金融研究的旗舰预览模型。

预览发布开源多模态
资料来源

Qwen3.8-Omni-Flash

阿里巴巴

统一处理文本、图像、音频和视频,扩展多模态工作流程。

模型发布闭源多模态
资料来源

新架构加入原生视觉理解,同时改进推理效率与智能体任务能力。

模型发布开源多模态
资料来源

GPT-6 Astra

OpenAI里程碑

将推理、计算机使用和专业工作能力结合,面向更完整的复杂任务。

模型发布闭源多模态
资料来源

提升长程编程与专业推理,同期发布受限提供的 Cyber 版本。

模型发布闭源多模态
资料来源
相关发布 1
  • Gemini 3.7 Flash

    继续增强编程、知识工作与网页开发中的多步骤任务处理。

结合原生视觉与线性、稀疏注意力,面向代码、浏览器和图形界面任务。

模型发布开源多模态
资料来源

GLM-5.3

智谱

强化复杂编程与长期任务执行。

模型发布开源文本
资料来源

Wan 3.0

阿里巴巴

统一视频生成与编辑,单次生成最长 30 秒,并可引用文档和网页内容。

预览发布闭源多模态视频生成
资料来源
相关发布 1
  • Wan 2.7 Video

    整合视频生成、参考和自然语言编辑,支持多模态素材与多镜头一致性。

Qwen3.8-Max

阿里巴巴

推出原生视觉语言旗舰,支持百万 token 上下文。

模型发布开源多模态
资料来源
相关发布 3
  • Qwen3.7-Max

    继续升级智能体编程、办公任务与长程执行能力。

  • Qwen3.8-Flash

    面向高并发多模态应用,兼顾长上下文、编程与智能体处理。

  • Qwen3.8-Max-0902

    改进工程项目开发、多工具编排,以及图表推理和文档解析。

MiniMax H3

MiniMax

MiniMax H3 统一多模态参考与原生音画生成,并随后开放模型权重。

模型发布开源多模态视频生成
资料来源

Seedance 2.5

字节跳动

单次生成延长至 30 秒,并加强多素材参考、视频续写与定点编辑。

模型发布闭源多模态视频生成
资料来源

Claude Opus 5

Anthropic

升级软件工程、知识工作与计算机操作,强化复杂任务的执行能力。

模型发布闭源多模态
资料来源

Kimi K3

月之暗面

结合原生视觉、长上下文与复杂编程,推进 Kimi 旗舰模型能力。

模型发布开源多模态
资料来源

GPT-5.6

OpenAI

以 Sol、Terra、Luna 等型号覆盖不同任务,聚焦知识工作、设计与编码。

模型发布闭源多模态
资料来源

升级长程智能体任务与工具使用,并融入腾讯产品生态。

模型发布开源文本
资料来源

让 Sonnet 更完整地规划任务、使用浏览器和终端,并持续执行。

模型发布闭源多模态
资料来源

Kimi K2.7 Code

月之暗面

专注长程编程、工具调用与更高效的思考。

模型发布开源多模态
资料来源
相关发布 1
  • Kimi K2.8 Preview

    升级 Kimi Code 中的编程与智能体能力,支持长上下文。

Claude Fable 5 / Mythos 5

Anthropic里程碑

推出面向高难度编码和知识工作的模型,两个型号采取不同访问范围。

模型发布闭源多模态
资料来源
相关发布 1

MiniMax-M3

MiniMax

引入稀疏注意力与原生图像、视频理解,扩展长上下文任务。

权重开放开源多模态
资料来源
相关发布 1
  • MiniMax M3.1 Flash

    面向编程、电脑操作和多步骤任务的多模态推理模型,提供百万级上下文与可调思考深度。

推出面向长程编程和远程智能体任务的模型公开预览。

预览发布开源多模态
资料来源
相关发布 1
  • Mistral Medium 3

    面向企业多模态和编程应用,兼顾能力、成本与部署选择。

Gemini Omni 首个型号结合多模态输入与视频生成,支持通过连续对话修改视频。

模型发布闭源多模态视频生成
资料来源

DeepSeek-V4 Preview

DeepSeek里程碑

推出 Pro 与 Flash 两条路线,支持百万 token 上下文并开放模型权重。

预览发布开源文本
资料来源
相关发布 1

GPT-5.5

OpenAI

增强跨软件、跨工具的任务完成能力,围绕编程和知识工作迭代。

模型发布闭源多模态
资料来源

Muse Spark

Meta里程碑

Meta 推出 Muse 家族首个模型,结合原生多模态、推理与工具使用。

模型发布闭源多模态
资料来源
相关发布 2
  • Muse Spark 1.1

    加强编程、计算机操作和多模态理解,并配合 Meta Model API 预览。

  • Muse Spark 1.3

    改善长程智能体任务与编程,增强同一会话中的持续协作。

Gemma 4

Google

升级开放模型的推理与智能体能力,并采用 Apache 2.0 许可。

权重开放开源多模态
资料来源

MiMo 家族扩展旗舰推理和全模态能力。

模型发布闭源多模态
资料来源
相关发布 1
  • MiMo-V2.5 / Pro

    升级复杂任务处理,兼顾智能体能力与推理效率。

在同一模型中整合推理、视觉和编程,并允许调节思考力度。

权重开放开源多模态
资料来源

GPT-5.4

OpenAI

融合推理、编程与原生计算机操作,面向复杂专业工作。

模型发布闭源多模态
资料来源

升级核心推理能力,面向需要深入分析的科学、工程与复杂任务。

预览发布闭源多模态
资料来源

升级编程、视觉交互、规划与知识工作,扩展 Sonnet 的上下文能力。

模型发布闭源多模态
资料来源

Qwen3.5

阿里巴巴里程碑

原生多模态与智能体能力进一步融合,开放首个大型混合专家版本。

官方公告开源多模态
资料来源

Seed 2.0

字节跳动里程碑

字节跳动发布 Seed 2.0 系列,面向多模态理解与真实世界任务。

模型发布闭源多模态
资料来源

GLM-5

智谱里程碑

面向复杂系统工程和长时间智能体任务,继续扩展模型规模与训练。

官方公告开源文本
资料来源
相关发布 2
  • GLM-5.1

    改进长程软件工程与规划执行。

  • GLM-5.2

    面向 Coding Plan 用户开放,增强长程编程与项目级任务能力。

围绕实际编程、搜索、办公与工具调用任务加强强化学习。

模型发布开源文本
资料来源
相关发布 1
  • MiniMax-M2.7

    增强软件工程、专业工作与多智能体协作,探索模型参与自身迭代。

Seedance 2.0

字节跳动

支持文字、图片、视频和音频参考,将多模态输入用于视频生成与编辑。

官方公告闭源多模态视频生成
资料来源

加强复杂代码库分析与长程智能体任务,预览百万 token 上下文。

模型发布闭源多模态
资料来源
相关发布 2
  • Claude Opus 4.7

    改善高难度软件工程与视觉理解,加强长任务中的自我检查。

  • Claude Opus 4.8

    继续改进工具使用、复杂任务判断和协作体验。

将编程和通用推理进一步结合,处理研究、工具调用与复杂执行任务。

模型发布闭源多模态
资料来源
相关发布 1
  • GPT-5.3-Codex-Spark

    面向快速交互编程的小型模型,以研究预览形式提供。

可灵 3.0 将原生音画生成、多镜头叙事和主体一致性纳入同一代视频模型。

预览发布闭源多模态视频生成
资料来源

Step 3.5 Flash

阶跃星辰

以稀疏混合专家架构兼顾推理速度与智能体能力。

权重开放开源文本
资料来源
相关发布 1
  • Step 3.7 Flash

    继续增强高效推理和真实任务中的智能体执行能力。

Kimi K2.5

月之暗面里程碑

将视觉、编码与智能体协作结合,探索更复杂的多模态任务。

权重开放开源多模态
资料来源

2025

推理模型与工具调用51 个节点

GLM-4.7

智谱

增强编程与长上下文中的任务执行。

模型发布开源文本
资料来源
相关发布 1

将 Gemini 3 的推理能力扩展到更快、更高效的 Flash 档位。

模型发布闭源多模态
资料来源

小米开放面向推理、编程与智能体任务的高效语言模型。

权重开放开源文本
资料来源

Seedance 1.5 Pro

字节跳动

引入原生音视频联合生成,支持对白、音乐、音效与画面同步。

模型发布闭源多模态视频生成
资料来源

NVIDIA 发布 Nemotron 3 家族,并率先开放 Nano 模型。

权重开放开源文本
资料来源
相关发布 1
  • Nemotron 3 Super

    采用混合专家架构与长上下文,面向多智能体协作和复杂任务。

GPT-5.2

OpenAI

围绕专业知识工作、长上下文理解、编码和工具使用持续改进。

模型发布闭源多模态
资料来源

Mistral 3

Mistral

发布 Mistral Large 3 和多种小型模型,扩大开放多模态模型选择。

权重开放开源多模态
资料来源

继续迭代思考和非思考模式,同时提供侧重高强度推理的 Speciale 版本。

模型发布开源文本
资料来源

Kling O1

快手

可灵 O1 将视频生成与编辑纳入统一多模态模型,支持参考素材与自然语言控制。

模型发布闭源多模态视频生成
资料来源

Runway Gen-4.5 改进复杂运动、物理一致性与提示遵循。

模型发布闭源多模态视频生成
资料来源

强化编程、计算机操作和长程任务,扩展 Opus 的日常工作能力。

模型发布闭源多模态
资料来源

Gemini 3 Pro

Google里程碑

新一代 Gemini 聚焦推理、多模态理解与智能体开发。

预览发布闭源多模态
资料来源

Kimi K2 Thinking

月之暗面

边思考、边使用工具,推进长链路搜索、编码与复杂问题求解。

权重开放开源文本
资料来源

MiniMax-M2

MiniMax

开放面向编程与智能体的模型,重点优化工具调用和长链任务。

权重开放开源文本
资料来源
相关发布 1
  • MiniMax-M2.1

    加强多种编程语言、办公场景与真实复杂任务中的能力。

面向低延迟场景的小型模型,加强编程与计算机操作能力。

模型发布闭源多模态
资料来源

Sora 2

OpenAI

Sora 2 增加同步对白与音效生成,并改进动作、物理一致性及镜头控制。

模型发布闭源多模态视频生成
资料来源

进一步强化编程与长任务执行,面向真实软件工程工作流。

模型发布闭源多模态
资料来源

Wan 2.5 Preview

阿里巴巴

在万相视频模型中引入原生音画同步,并将生成片段延长至 10 秒。

预览发布闭源多模态视频生成
资料来源
相关发布 1
  • Wan 2.6

    加入参考视频生成,以人物外观与声音为条件组织多镜头内容。

Qwen3-Next

阿里巴巴

采用混合注意力和高稀疏度设计,探索更高效的长上下文推理。

官方公告开源文本
资料来源

Seedream 4.0

字节跳动

将图像生成与编辑统一在同一模型中,支持多图参考、组图生成和最高 4K 输出。

模型发布闭源多模态图像生成
资料来源

统一思考与非思考模式,并优化代码、搜索和工具调用任务。

模型发布开源文本
资料来源

GPT-5

OpenAI里程碑

将快速回答与深入推理组织为统一体验,推进编程和复杂问题解决。

模型发布闭源多模态
资料来源
相关发布 1
  • GPT-5.1

    更新 Instant 与 Thinking,改善指令遵循、回答风格与自适应推理。

gpt-oss-120b / 20b

OpenAI里程碑

OpenAI 开放两种规模的推理模型权重,支持本地部署与工具使用。

权重开放开源文本
资料来源

Qwen-Image

阿里巴巴

开放 20B 图像生成模型,面向中英文文字渲染、复杂排版和多种视觉风格。

权重开放开源文本图像生成
资料来源

GLM-4.5

智谱里程碑

智谱将推理、编码与智能体能力整合进混合推理模型。

权重开放开源文本
资料来源
相关发布 1
  • GLM-4.6

    升级代码、推理与工具调用能力。

Wan 2.2

阿里巴巴

将专家混合架构用于视频生成,并开放可在消费级显卡运行的 5B 文图生视频模型。

权重开放开源多模态视频生成
资料来源

Qwen3-Coder

阿里巴巴

开放面向智能体编程的混合专家模型,强化工具调用与长程任务。

权重开放开源文本
资料来源

Kimi K2

月之暗面里程碑

月之暗面推出 K2,将编码与工具调用作为智能体能力的重要方向。

权重开放开源文本
资料来源

推出新一代推理模型,将工具使用与实时信息接入结合。

模型发布闭源多模态
资料来源
相关发布 1
  • Grok 4.5

    官方介绍面向编码、智能体任务和知识工作的新版 Grok。

FLUX.1 Kontext dev

Black Forest Labs

开放基于文字指令的图像编辑模型,支持连续修改与主体一致性保持。

权重开放开源多模态图像生成
资料来源

MiniMax-M1

MiniMax里程碑

以混合注意力探索高效推理与长上下文,公开 M1 技术研究。

论文公开开源文本
资料来源

Seedance 1.0

字节跳动

支持文生视频与图生视频,能够在一次生成中组织多个镜头并输出 1080p 视频。

模型发布闭源多模态视频生成
资料来源

Claude Opus 4 / Sonnet 4

Anthropic里程碑

强化编程、复杂推理和持续执行任务的能力,Claude Code 同期正式可用。

模型发布闭源多模态
资料来源
相关发布 1
  • Claude Opus 4.1

    改进编程、真实任务中的推理与智能体表现。

Imagen 4

Google

改善图像细节与文字排版,支持最高 2K 输出并进入 Gemini 与创作工具。

模型发布闭源文本图像生成
资料来源
相关发布 1
  • Imagen 3

    改进图像细节、长提示词遵循和文字渲染,通过 ImageFX 提供早期创作体验。

Veo 3

Google里程碑

Veo 3 在生成视频的同时原生生成对白、音效与环境声,进入 Gemini、Flow 与 Vertex AI。

模型发布闭源多模态视频生成
资料来源
相关发布 2
  • Veo 2

    Veo 2 更新运动、物理与镜头控制能力,通过 VideoFX 扩大受邀试用。

  • Veo 3.1

    Veo 3.1 更新音画生成与提示遵循,并加强参考图、首尾帧和视频延展控制。

Qwen3

阿里巴巴里程碑

在一个模型内切换思考与非思考模式,兼顾复杂推理和日常响应。

权重开放开源文本
资料来源

OpenAI o3 / o4-mini

OpenAI里程碑

将推理与工具调用连接起来,模型可以在思考过程中使用搜索、代码和图像。

模型发布闭源多模态
资料来源

Kling 2.0

快手

可灵第二代引入多模态视觉语言,将参考图像、视频片段与文字用于生成和编辑。

模型发布闭源多模态视频生成
资料来源

GPT-4.1

OpenAI

面向 API 推出模型家族,着重改善编程、指令遵循与长上下文处理。

模型发布闭源多模态
资料来源

Llama 4

Meta里程碑

Scout 与 Maverick 开放权重,采用混合专家架构并支持原生多模态。

权重开放开源多模态
资料来源

Runway Gen-4 以参考图像维持角色、物体与场景的一致性,支持跨镜头创作。

模型发布闭源多模态视频生成
资料来源

Gemini 2.5 Pro

Google里程碑

将思考能力融入模型,推进复杂推理、编程和多模态理解。

预览发布闭源多模态
资料来源

GPT-4o 图像生成

OpenAI里程碑

将原生图像生成带入 ChatGPT,支持图中文字、多轮修改和参考图编辑。

模型发布闭源多模态图像生成
资料来源

混元 T1

腾讯

腾讯发布深度推理模型,结合混合架构与强化学习。

模型发布闭源文本
资料来源

Gemma 3

Google

将开放权重家族扩展到图像理解、多语言与更长上下文。

权重开放开源多模态
资料来源

GPT-4.5

OpenAI

继续探索预训练规模带来的收益,强调知识、自然对话与创造性任务。

预览发布闭源多模态
资料来源

Wan 2.1

阿里巴巴里程碑

开放视频生成权重与推理代码,提供 1.3B 和 14B 型号及文生、图生视频能力。

权重开放开源多模态视频生成
资料来源

Claude 3.7 Sonnet

Anthropic里程碑

在同一模型中结合快速回答与延伸思考,并同步预览 Claude Code。

模型发布闭源多模态
资料来源

xAI 发布技术介绍,将思考能力与 DeepSearch 等搜索体验结合。

官方公告闭源多模态
资料来源

推出面向数学、科学和编程的高效推理模型,支持可调思考力度。

模型发布闭源文本
资料来源

DeepSeek-R1

DeepSeek里程碑

发布推理模型与多个蒸馏版本,并提供可下载的模型权重。

权重开放开源文本
资料来源
相关发布 1
  • DeepSeek-R1-0528

    更新 R1 的推理能力,改进前端编程并支持结构化输出与工具调用。

2024

多模态、开放权重与推理29 个节点

DeepSeek-V3

DeepSeek里程碑

671B 参数的混合专家模型开放权重,以每次激活部分参数提高计算效率。

权重开放开源文本
资料来源

Phi-4

Microsoft

通过合成数据与训练改进,加强小型模型的数学和复杂推理能力。

模型发布开源文本
资料来源

Gemini 2.0 Flash

Google里程碑

发布实验版本,将多模态能力与原生工具使用结合,面向智能体场景。

预览发布闭源多模态
资料来源

Sora Turbo 作为更快的新版本上线 Sora.com,开始向 ChatGPT Plus 与 Pro 用户提供视频生成。

模型发布闭源多模态视频生成
资料来源

亚马逊发布 Nova 家族,覆盖文本与多模态理解的不同成本档位。

模型发布闭源多模态
资料来源
相关发布 1
  • Amazon Nova 2 Lite

    引入可调节的扩展思考,面向日常推理、代码和智能体任务。

腾讯开放视频生成模型及推理代码,提供文本条件的视频生成。

权重开放开源文本视频生成
资料来源
相关发布 1
  • HunyuanVideo 1.5

    以 8.3B 参数提供文生与图生视频,降低本地运行门槛。

同时扩展视觉语言模型和适合手机、边缘设备的小型文本模型。

权重开放开源多模态
资料来源

Qwen2.5

阿里巴巴

通用、代码与数学模型共同迭代,进一步改善知识、指令遵循和结构化输出。

权重开放开源文本
资料来源

OpenAI o1-preview

OpenAI里程碑

在给出答案前花更多时间思考,推理时计算成为新的能力增长方向。

预览发布闭源文本
资料来源
相关发布 1
  • OpenAI o1

    o1 正式版随 ChatGPT Pro 上线,加强推理并支持图像理解。

MiniMax 首次发布视频生成模型 Video-01,构成海螺视频模型的第一代。

模型发布闭源多模态视频生成
资料来源
相关发布 1
  • Hailuo 02

    海螺 02 引入噪声感知计算分配,提升物理运动、指令遵循与视频清晰度。

FLUX.1 dev / schnell

Black Forest Labs

开放 120 亿参数的文生图模型,提供面向质量的 dev 和少步生成的 schnell 两种权重。

权重开放开源文本图像生成
资料来源

扩展编程、多语言与长上下文能力,提供大规模模型权重。

权重开放开源文本
资料来源

Llama 3.1

Meta里程碑

加入 405B 大型版本,将开放模型拓展到更长上下文、多语言与工具使用。

权重开放开源文本
资料来源
相关发布 1
  • Llama 3.3

    更新 70B 指令模型,提高多语言对话和部署效率。

提供成本更低的文本与视觉模型,扩展轻量应用的能力。

模型发布闭源多模态
资料来源

Gemma 2

Google

重设模型架构与推理效率,开放 9B 和 27B 两种规模。

权重开放开源文本
资料来源

Claude 3.5 Sonnet

Anthropic里程碑

提升编程和视觉理解能力,同期的 Artifacts 让内容生成变成可交互的工作空间。

模型发布闭源多模态
资料来源

Runway Gen-3 Alpha 采用新一代训练基础设施,强化视频运动、细节与时间控制。

官方公告闭源多模态视频生成
资料来源

Qwen2

阿里巴巴

覆盖多种参数规模,提升多语言、代码、数学和长上下文能力。

权重开放开源文本
资料来源

快手首次开放可灵视频生成模型测试,以 DiT 架构建模时空运动。

预览发布闭源多模态视频生成
资料来源

Veo

Google

Google DeepMind 发布首代 Veo,展示 1080p 视频生成,并向部分创作者开放 VideoFX 预览。

预览发布闭源多模态视频生成
资料来源

GPT-4o

OpenAI里程碑

「o」代表 omni。文本、视觉和音频能力走向统一,交互开始更加自然。

模型发布闭源多模态
资料来源

DeepSeek-V2

DeepSeek里程碑

结合混合专家与 MLA 注意力架构,围绕训练和推理效率推进模型设计。

权重开放开源文本
资料来源

Phi-3

Microsoft

微软推出适合本地部署的小型语言模型,强调数据质量与模型效率。

模型发布开源文本
资料来源

Llama 3

Meta里程碑

8B 与 70B 模型开放权重,继续提升开放模型的通用能力。

权重开放开源文本
资料来源

Claude 3

Anthropic里程碑

Opus、Sonnet、Haiku 组成新模型家族,并加入视觉理解能力。

模型发布闭源多模态
资料来源

Gemma

Google里程碑

Google 发布轻量开放权重模型,拓展研究者与本地开发者的选择。

权重开放开源文本
资料来源

Gemini 1.5

Google里程碑

长上下文成为焦点,Gemini 1.5 Pro 展示百万 token 级上下文处理。

预览发布闭源多模态
资料来源

Sora

OpenAI里程碑

OpenAI 首次公开 Sora 研究模型,可依据文本、图像或已有视频生成视频。

预览发布闭源多模态视频生成
资料来源

OLMo

Ai2

Ai2 开放语言模型权重、训练代码、数据与检查点,使模型训练和评估过程可供复现研究。

权重开放开源文本
资料来源

2023

主流模型系列20 个节点

Midjourney V6

Midjourney

增强长提示词理解、画面一致性与图像参考能力,扩展 Midjourney 的图像创作控制。

预览发布闭源多模态图像生成
资料来源

Mistral 正式介绍稀疏混合专家模型,推动开放模型的效率与能力。

官方公告开源文本
资料来源

Gemini 1.0

Google里程碑

Google 推出原生多模态模型家族,以 Ultra、Pro、Nano 覆盖不同场景。

模型发布闭源多模态
资料来源

扩展至 128K 上下文,并以开发者预览推进视觉与工具能力。

预览发布闭源多模态
资料来源

Grok

xAI

xAI 公布 Grok,结合 X 平台信息,向部分用户开放早期体验。

预览发布开源文本
资料来源

Mistral 7B

Mistral里程碑

高效的 7B 模型以 Apache 2.0 许可发布,展示小型模型的实用潜力。

权重开放开源文本
资料来源

DALL·E 3

OpenAI

通过更完整的训练图像描述改善提示词遵循,并接入 ChatGPT 的对话式图像创作。

预览发布闭源文本图像生成
资料来源

Qwen-7B

阿里巴巴里程碑

开放 7B 基础与对话模型权重,支持中文和英文任务。

权重开放开源文本
资料来源

SDXL 1.0

Stability AI

开放面向 1024 像素图像生成的基础模型与精修模型,支持多种宽高比和定制训练。

权重开放开源多模态图像生成
资料来源

Llama 2

Meta里程碑

开放预训练与对话模型权重,并在专用许可下支持研究和商业使用。

权重开放开源文本
资料来源

Claude 2

Anthropic

增强编程与推理,支持长文档处理,并推出面向公众的 claude.ai 测试版。

模型发布闭源文本
资料来源

StarCoder

BigCode

BigCode 开放面向代码生成的模型、训练资料和评测工具,覆盖 80 多种编程语言。

权重开放开源文本
资料来源

LLaVA

LLaVA 团队里程碑

通过视觉指令微调连接图像编码器与语言模型,构建图文对话助手。

论文公开开源多模态
资料来源

Runway Gen-2

Runway里程碑

Runway Gen-2 增加纯文本生成视频,延续图像与视频参考控制。

官方公告闭源多模态视频生成
资料来源

清华 KEG 与智谱开放中英双语对话模型,支持量化后在消费级显卡上本地运行。

权重开放开源文本
资料来源

Claude

Anthropic里程碑

Anthropic 推出 Claude 与 Claude Instant,强调有帮助、诚实和安全的对话体验。

模型发布闭源文本
资料来源

GPT-4

OpenAI里程碑

改进文本任务表现,首次展示 GPT 系列的图像输入能力。

模型发布闭源多模态
资料来源

Stanford Alpaca

斯坦福大学里程碑

以合成指令数据微调 LLaMA,公开小型指令模型的训练方法。

官方公告开源文本
资料来源

LLaMA

Meta里程碑

Meta 发布基础语言模型研究,向研究社区提供申请访问的模型权重。

官方公告开源文本
资料来源

Runway Gen-1 以原始视频结构为约束,通过文字或图像参考改变视频外观。

论文公开闭源多模态视频生成
资料来源

2022

对话产品与扩散模型7 个节点

ChatGPT

OpenAI里程碑

基于 GPT-3.5 系列的对话产品开放研究预览,支持多轮问答。

产品上线闭源文本
资料来源

Stable Diffusion

Stability AI里程碑

公开文生图模型权重与推理代码,使潜空间扩散模型能够在本地运行和定制。

权重开放开源多模态图像生成
资料来源

BLOOM

BigScience里程碑

BigScience 协作发布 176B 多语言模型,开放权重与训练过程资料。

权重开放开源文本
资料来源

Imagen

Google里程碑

将冻结的大型文本编码器与级联扩散模型结合,研究语言理解对图像生成的作用。

论文公开闭源文本图像生成
资料来源

DALL·E 2

OpenAI里程碑

将 CLIP 图像表示与扩散生成结合,支持文本生成、局部重绘和图像变体。

预览发布闭源多模态图像生成
资料来源

PaLM

Google

Google 展示大规模 Pathways 语言模型,研究规模扩展下的推理与语言能力。

官方公告闭源文本
资料来源

InstructGPT

OpenAI里程碑

通过人类反馈强化学习改进指令遵循,使语言模型更好地响应用户意图。

官方公告闭源文本
资料来源

2021

代码与图像生成3 个节点

Codex

OpenAI里程碑

把自然语言转化为代码,语言模型开始成为开发者的编程助手。

预览发布闭源文本
资料来源

GPT-J-6B

EleutherAI

开放 60 亿参数的自回归语言模型,为早期可本地运行的通用语言模型提供研究基础。

权重开放开源文本
资料来源

DALL·E

OpenAI里程碑

以 120 亿参数的自回归模型根据自然语言生成图像,展示组合概念与图像补全能力。

官方公告闭源多模态图像生成
资料来源

2020

少样本学习1 个节点

GPT-3

OpenAI里程碑

1750 亿参数与少样本学习,让模型通过提示中的少量示例完成多种任务。

论文公开闭源文本
资料来源

2019

规模与迁移学习2 个节点

T5

Google里程碑

将不同语言任务统一成「文本到文本」,探索迁移学习的共同框架。

论文公开开源文本
资料来源

GPT-2

OpenAI里程碑

更大规模的语言模型展现出连贯文本生成与零样本任务能力。

模型发布开源文本
资料来源

2018

预训练研究2 个节点

BERT

Google里程碑

通过双向上下文学习语言表示,推动预训练模型在阅读理解等任务中的应用。

论文公开开源文本
资料来源

GPT-1

OpenAI里程碑

将无监督语言预训练与任务微调结合,研究预训练模型的跨任务迁移。

论文公开开源文本
资料来源

已显示全部 200 个节点

搜索全部时间线中的名称、机构或关键词。