模型索引

OpenAI 发布的实时多模态模型，支持文本输入与输出、图像输入及音频输入与输出，面向实时语音交互和工具调用工作流。

Grok Imagine Image Quality 是 xAI 面向图像生成与编辑推出的高质量模式，API 型号为 grok-imagine-image-quality。它接受文本提示和参考图像，输出 1K 或 2K 图像，重点改善写实细节、文字渲染、提示词遵循和场景控制。xAI 未公开参数规模和模型架构。

DeepSeek V4-Pro 与 V4-Flash 同时支持 OpenAI ChatCompletions 与 Anthropic 接口；旧模型名在过渡期映射到 V4-Flash。

小米发布 V2.5 Pro，继续面向复杂 Agent 与编程任务并支持 100 万 token 上下文；模型权重于 6 月 29 日按 MIT 许可证开放。 参数规模：1T MoE（42B 激活）；开放方式：开源；主要架构：混合专家 Transformer（MoE）。

小米发布原生支持文本、图像、视频与音频理解的全模态 Agent 模型；模型权重于 6 月 29 日按 MIT 许可证开放。 参数规模：未公开；开放方式：开源；主要架构：自回归 Transformer。

OpenAI 发布面向智能体编码、知识工作和科学研究的 GPT-5.5；模型先在 ChatGPT 与 Codex 上线，并于次日进入 API，支持超过 100 万 token 上下文。

GPT Image 2 面向高质量图像生成与编辑，强化文字渲染、多语言支持、样式控制和真实世界知识表达。

Anthropic 正式发布 Claude Opus 4.7，重点提升高级软件工程、长周期智能体任务、高分辨率视觉理解与专业内容创作，并同步上线 Claude 全系产品和 API。

字节跳动 Seed 推出的原生全双工语音大模型，可在输出语音时持续接收和理解输入，并结合声学与语义信息控制对话节奏。

xAI 发布 Grok 4.20 并公开系统卡；原整理稿中的“Grok 4.2（2026-02-17）”没有可核验的官方发布记录，现按官方记录纠正。 参数规模：未公开；开放方式：闭源；主要架构：自回归 Transformer。

Claude Mythos Preview 被定位为通用前沿模型，重点展示识别、复现和修复关键软件漏洞的能力。

Gemma 4 是面向本地推理、复杂推理和 Agent 工作流的开放模型家族，采用 Apache 2.0 许可证。

小米通过 API 发布面向复杂 Agent 工作流的旗舰基座，支持 100 万 token 上下文与混合注意力。 参数规模：1T+ MoE（42B 激活）；开放方式：闭源；主要架构：混合专家 Transformer（MoE）。

小米通过 API 发布统一文本、视觉与语音感知及工具执行能力的全模态 Agent 基座，支持 256K 上下文。 参数规模：未公开；开放方式：闭源；主要架构：自回归 Transformer。

OpenAI 面向 ChatGPT、API 与 Codex 正式发布 GPT-5.4，将主线推理、编码、工具调用与文档、表格和演示文稿等专业工作能力整合进同一旗舰模型。

Gemini 3.1 Flash Image（Nano Banana 2）面向更高质量、更快的图像生成与编辑，并通过 Gemini API 和 Google AI Studio 提供。

OpenAI 面向实时语音应用提供的闭源多模态模型，支持文本、图像和音频输入，以及文本和音频输出。

OpenAI 的音频输入与输出模型，支持文本和音频输入输出，可通过 Chat Completions 与 Responses API 使用。

谷歌 3.1 代 Pro 版本更新，针对跨模态的长链条逻辑推理计算流程进行了二次优化。 参数规模：未知；开放方式：闭源；主要架构：自回归 Transformer。

Lyria 3 可根据文字或图片生成带人声的短音乐，并通过 SynthID 标记生成内容。