8月5日，Liquid AI发布专为智能体工作流设计的26亿参数端侧模型LFM2.5-2.6B，可完全本地运行于手机等终端，提供低成本、低延迟与隐私保护方案。其基于34万亿词元预训练，词表容量128K，后训练融合监督微调、教师特化与多领域策略。
国产大模型全球下载量破100亿次，万亿级开源模型频出，人工智能产业链整体突破。国家发改委表示，上半年我国AI自主创新加速，深度求索、月之暗面等发布万亿参数开源大模型，下一步将统筹高质量发展与高水平安全。
月之暗面于7月28日开源2.8万亿参数大模型Kimi K3，支持100万token上下文与视觉理解，采用KDA混合注意力机制。同日，摩尔线程宣布基于MTT S5000智算卡完成对其的快速适配与稳定运行，实现国产算力与开源大模型的协同突破。
月之暗面将Kimi K3完整模型权重上传至Hugging Face，技术报告同步公开。该模型总参数2.8万亿、激活1040亿，支持100万token上下文，成为全球首个3万亿参数级开放权重模型。自7月16日API首发后仅11天，K3在Artificial Analysis智能指数中以57分位列全球第三，仅次于Claude Fable5和GPT-5.6 Sol。
Alibaba
$4
Input tokens/M
$16
Output tokens/M
1k
Context Length
$6
$24
256
$2
$20
-
Bytedance
$0.8
Moonshot
128
$0.15
$1.5
Xai
$1.4
$10.5
Tencent
$1
32
$8
64
Openai
$0.63
$3.15
131
Huawei
Chatglm
Deepseek
almanach
Gaperon-Young-1125-1B 是一个拥有15亿参数的双语（法语-英语）语言模型，由法国国家信息与自动化研究所（Inria Paris）的ALMAnaCH团队开发。该模型在约3万亿个高质量令牌上训练，特别注重语言质量和通用文本生成能力，而非基准测试优化。
thenexthub
OpenModel-1T-A50B-Instruct是NeXTHub开发的万亿参数混合专家模型，结合进化思维链训练方法，在推理能力和能源效率上取得平衡，具备深度推理能力和128K长上下文处理能力。
inclusionAI
LLaDA-MoE是基于扩散原理构建的新型混合专家语言模型，是首个开源的MoE扩散大语言模型，在约20万亿个标记上从头预训练，总参数70亿，推理时仅激活14亿参数，在代码生成和数学推理等任务中表现卓越。
DevQuasar
Kimi K2 是一款先进的混合专家（MoE）语言模型，拥有 320 亿激活参数和 1 万亿总参数，针对代理能力进行了优化。
unsloth
Kimi K2是一款先进的混合专家（MoE）语言模型，具备320亿激活参数和1万亿总参数，针对智能代理能力进行了优化。
moonshotai
Kimi K2是一款先进的混合专家（MoE）语言模型，拥有320亿激活参数和1万亿总参数，针对智能体能力进行了优化。
Kimi K2 是一款先进的混合专家（MoE）语言模型，拥有 320 亿激活参数和 1 万亿总参数，针对智能体能力进行了优化。
Qwen3-4B-Base是Qwen系列最新一代基础版本大语言模型，具有40亿参数，支持119种语言，在36万亿标记的多语言数据上预训练，提供强大的自然语言处理能力。
microsoft
微软研究院开发的首个开源、原生1比特的大语言模型，参数规模达20亿，在4万亿token的语料库上训练而成。
微软研究院开发的首个开源20亿参数规模原生1比特大语言模型，在4万亿token语料上训练完成，证明了原生1比特大语言模型在保持与同规模全精度开源模型相当性能的同时，能显著提升计算效率。
由微软研究院开发的开源原生1位大语言模型，参数规模达20亿，在4万亿token的语料库上训练而成，显著提升计算效率。
dongyh
FANformer-1B是通过创新周期性机制增强语言建模能力的自回归模型，具有11亿非嵌入参数，训练token量达1万亿。
stockmark
Stockmark-2-100B是一个专注于日语能力的1000亿参数大语言模型，基于1.5万亿token的多语言数据预训练，并通过日语合成数据增强指令跟随能力。
cortexso
TinyLlama是一个11亿参数的小型大语言模型，在3万亿个标记上进行了预训练，并在ChatGPT生成的合成对话数据上进行了微调，旨在提供高效的对话能力。
tensoropera
Fox-1-1.6B是由TensorOpera AI开发的16亿参数小型语言模型，采用分组查询注意力机制，训练数据达3万亿文本和代码。
TRI-ML
Mamba-7B 是一个基于 Mamba 架构的 70 亿参数模型，在 RefinedWeb 数据集上进行了多轮训练（1.2 万亿标记）。Mamba 是一种状态空间模型，不使用自注意力机制，在多种自然语言基准测试中表现出色。
Intel
一个拥有13亿参数的多头注意力代码生成模型，基于1万亿token进行训练，支持16K窗口的代码补全任务
duoqi
Nanbeige-16B是由南贝格大模型实验室开发的160亿参数语言模型，采用2.5万亿token进行预训练，支持中文和英文。
croissantllm
CroissantLLM是一个基于3万亿英法双语token预训练的13亿参数语言模型，旨在为研究和工业社区提供高性能、完全开源的双语模型。
ahxt
LiteLlama是Meta AI的LLaMa 2精简版，仅含4.6亿参数并使用1万亿token训练的开源语言模型
%20--%3e%3cdefs%3e%3cstyle%3e%20.st0%20{%20fill:%20%23061b40;%20}%20.st1%20{%20fill:%20%23306af1;%20}%20.st2%20{%20fill:%20%235ce5cf;%20}%20%3c/style%3e%3c/defs%3e%3cg%3e%3cpath%20class='st0'%20d='M55,10.5h9v3h-9v9h12V7.5h-12v3ZM64,19.5h-6v-3h6v3Z'/%3e%3cpolygon%20class='st0'%20points='69%2016.5%2078%2016.5%2078%2019.5%2069%2019.5%2069%2022.5%2081%2022.5%2081%2013.5%2072%2013.5%2072%2010.5%2081%2010.5%2081%207.5%2069%207.5%2069%2016.5'/%3e%3cpolygon%20class='st0'%20points='95%2010.5%2095%207.5%2083%207.5%2083%2022.5%2095%2022.5%2095%2019.5%2086%2019.5%2086%2016.5%2095%2016.5%2095%2013.5%2086%2013.5%2086%2010.5%2095%2010.5'/%3e%3cpath%20class='st0'%20d='M40,1.5v21h11.6l1.4-1.4v-7.6h0c0,0-1.4-1.5-1.4-1.5l1.4-1.4V2.9l-1.4-1.4h-11.6ZM50,19.5h-7v-6h7v6ZM50,10.5h-7v-6h7v6Z'/%3e%3c/g%3e%3cpath%20class='st1'%20d='M23.1,24L14.7,4.8l-4.9,11.2h3.8l-1.8,4H3.3L12.1,0H2C.9,0,0,.9,0,2v20c0,1.1.9,2,2,2h21.1Z'/%3e%3cpath%20class='st2'%20d='M34,0h-16.8l10.6,24h6.2c1.1,0,2-.9,2-2V2C36,.9,35.1,0,34,0ZM32.5,20h-4V4h4v16Z'/%3e%3c/svg%3e)
'%3e%3cpath%20d='M55.2622%2038L48.2289%2022L44.1206%2031.3333H47.2539L45.7872%2034.6667H38.7622L46.0956%2018H37.6706C36.7539%2018%2036.0039%2018.75%2036.0039%2019.6667V36.3333C36.0039%2037.25%2036.7539%2038%2037.6706%2038H55.2622Z'%20fill='white'/%3e%3cpath%20d='M64.3368%2018H50.3535L59.1535%2038H64.3368C65.2535%2038%2066.0035%2037.25%2066.0035%2036.3333V19.6667C66.0035%2018.75%2065.2535%2018%2064.3368%2018ZM63.0868%2034.6667H59.7535V21.3333H63.0868V34.6667Z'%20fill='%23FFCC66'/%3e%3cpath%20d='M89.3379%2026.75V29.25H81.8379V36.75H91.8379V24.25H81.8379V26.75H89.3379ZM84.3379%2034.25V31.75H89.3379V34.25H84.3379Z'%20fill='white'/%3e%3cpath%20d='M103.504%2036.75V29.25H96.0039V26.75H103.504V24.25H93.5039V31.75H101.004V34.25H93.5039V36.75H103.504Z'%20fill='white'/%3e%3cpath%20d='M115.17%2026.75V24.25H105.17V36.75H115.17V34.25H107.67V31.75H115.17V29.25H107.67V26.75H115.17Z'%20fill='white'/%3e%3cpath%20d='M80.1712%2029.25V29.175L78.9962%2028L80.1712%2026.825V20.425L78.9962%2019.25H69.3379V36.75H78.9962L80.1712%2035.575V29.25ZM77.6712%2034.25H71.8379V29.25H77.6712V34.25ZM77.6712%2026.75H71.8379V21.75H77.6712V26.75Z'%20fill='white'/%3e%3c/g%3e%3cg%20clip-path='url(%23clip1_644_3948)'%3e%3cpath%20d='M169.59%2022.9827L169.59%2023.6491H177.409L168.175%2032.8822L169.118%2033.8248L178.351%2024.5917L178.352%2032.4106H179.685V22.3164L179.018%2022.3157H169.59V22.9827Z'%20fill='white'/%3e%3c/g%3e%3cdefs%3e%3cclipPath%20id='clip0_644_3948'%3e%3crect%20width='80'%20height='20'%20fill='white'%20transform='translate(36%2018)'/%3e%3c/clipPath%3e%3cclipPath%20id='clip1_644_3948'%3e%3crect%20width='20'%20height='20'%20fill='white'%20transform='translate(164%2018)'/%3e%3c/clipPath%3e%3c/defs%3e%3c/svg%3e)
