你要的AI大模型，都在这里

为多模态Agent应用提供核心引擎，Qwen3-Omni-30B-A3B。Qwen3-Omni-30B-A3B是千问的端侧全模态模型，以极低推理成本支持文本、图像和音频处理。

Shieldstral是Mistral AI于2026年8月4日正式发布的3B参数开放权重多模态安全分类器，代表了内容审核领域的一次范式重构。与传统依赖固定风险标签的安全模型不同，Shieldstral支持在推理阶段通过自然语言输入自定义审核规则，使同一模型可适配不同业务场景。

豆包大模型SeedRealtime于2026年8月5日发布，是字节跳动推出的原生音视频全双工大模型，采用统一端到端架构融合音频、视频与文本，实现边看、边听、边说的实时交互体验，已在豆包App全量上线。

Gemini Robotics ER 2是Google DeepMind于2026年7月30日发布公开预览的具身推理Embodied Reasoning模型，专为机器人应用场景设计。该模型提供两个端点：gemini-robotics-er-2-preview和gemini-robotics-er-2-streaming-preview，分别面向标准推理和实时流式场景。

Gemini 3.6 Flash是Google DeepMind于2026年7月21日正式发布的稳定版Gemini API模型，隶属Gemini 3.6系列。该模型在Gemini 3.5 Flash基础上迭代，重点强化代码生成、多模态理解与知识工作三大能力

2026年WAIC上MiniMax首发M3.1升级版本MiniMax-M3.1，428B总参数激活23B的MoE架构搭配自研MSA稀疏注意力，1M上下文适配工业制造与供应链协同等复杂商业场景。

通义千问Qwen3.8-Max于2026年8月3日正式发布，总参数2.4万亿、激活95B的MoE旗舰模型，支持视觉理解和1M上下文，编程与专业办公能力大幅提升

Kimi-VL是月之暗面2025年4月发布的首款开源多模态模型，16B参数MoE架构激活3B，专为图像理解与文本生成结合任务设计，在轻量级视觉任务中具备高性价比。

Mistral AI Robostral Navigate是2026年7月8日发布的8B具身导航模型，仅需单个RGB摄像头即可实现全自主导航，在R2R-CE未见场景成功率76.6%，超越多传感器方案。

Muse Spark 1.1是Meta超级智能实验室于2026年7月9日正式发布的多模态推理模型，定位为面向智能体任务的前沿模型。该模型在工具调用、计算机操作、编程和多模态理解方面实现重大提升，是Meta在AI Agent赛道的重要布局。

通义千问Qwen3.5-Omni-Plus是2026年3月发布的旗舰级原生全模态大模型，支持图片、视频、语音、文字全模态输入输出，256K上下文，113种语言，在215项第三方评测中取得SOTA。

通义千问Qwen3.5-Omni-Plus-Realtime是全模态大模型的实时版本，支持端到端语音对话，无需分别调用ASR和TTS，适合实时交互场景。

面壁智能ModelBest MiniCPM-V是多模态视觉语言模型，具备图文理解与图像描述生成能力，可应用于智能客服、内容审核和多模态搜索等场景。

Yi-VL 6B是零一万物的多模态轻量版本，以6B参数实现图文理解能力，适合需要视觉功能的资源受限型应用。

Qwen-Omni是通义千问的新一代多模态统一模型，支持文本、图像和音频的联合理解与生成，是多模态AI应用的理想基座。

Qwen-VL是通义千问的多模态版本，融合了视觉理解能力，在OCR、视觉问答和图像描述生成上表现稳定。

混元VL融合视觉理解能力，支持图像描述和视觉问答，是腾讯云多模态AI服务的核心视觉语言模型。

Spark-VL是星火的多模态视觉语言模型，支持图像理解和视觉问答，适合智能表单处理和多模态客服场景。

ERNIE-ViL是百度早期的视觉语言模型探索，在图文检索和视觉定位任务上奠定了百度多模态研究的技术基础。

ERNIE 4.5-VL-28B是百度的多模态视觉语言模型，以28B参数实现了优秀的图文理解和视觉问答能力，适合智能文档处理场景。

GLM-4V是智谱的多模态视觉语言模型，支持图像理解和视觉问答，在智能文档分析和多模态搜索场景中表现成熟。

SenseNova是商汤新一代多模态基座大模型，统一了文本、图像和视频的理解与生成能力，为复杂的多模态AI应用提供统一底座。

SenseVision是商汤的计算机视觉核心模型，在目标检测、图像分割和人脸识别等CV基础任务上处于行业领先水平。

华为盘古多模态大模型融合文本与图像理解能力，支持图文检索、视觉问答和跨模态内容生成，为企业级AI应用提供统一的多模态交互入口。