火山引擎推出Seedance 2.0系列API服务，作为全球领先的视频生成模型，面向企业和个人开放。该模型支持文字、图片、音频和视频混合输入，具备多模态内容参考与编辑能力，旨在通过高性能视频生成重塑行业工作流，探索新应用场景。
MiniMax推出MMX-CLI命令行工具，专为AI Agent设计，简化全模态模型调用流程。该工具解决了接口适配繁琐、代码冗余等问题，使Agent能像原生应用一样轻松调度多种AI能力。用户可在主流开发环境中一键调用编程、视频生成等功能，无需额外编写MCP Server或适配复杂接口。
阿里巴巴秘密研发的多模态大模型HappyHorse在国际评测中登顶，以1332分刷新全球视频生成Elo纪录，带动其港股早盘上涨近3%。
美团推出2026年“LongCat大模型北斗实习计划”，面向全球高校硕博生招募大模型领域实习生。该计划依托美团LongCat团队，聚焦AGI研发，覆盖基座模型算法、Infra架构、Agent应用及视觉生成等方向。团队强调技术落地真实场景，其开源模型矩阵已实现全模态覆盖，包括560B参数的混合专家模型LongCat-Flash-Chat等。
全球首个全模态推理平台，统一API接入300+模型，OpenAI兼容
全新多模态推理模型，支持图文输入、文字输出，具备高精度图像感知与复杂推理能力。
R1-Omni 是一个结合强化学习的全模态情绪识别模型，专注于提升多模态情绪识别的可解释性。
一款支持多模态功能的全功能大语言模型安卓应用。
Openai
$2.8
Input tokens/M
$11.2
Output tokens/M
1k
Context Length
Google
$0.49
$2.1
Xai
$1.4
$3.5
2k
$7.7
$30.8
200
-
Anthropic
$105
$525
$0.7
$7
$35
$17.5
$21
Alibaba
$4
$16
$1
$10
256
$2
$20
Baidu
128
$6
$24
HIT-TMG
Uni-MoE 2.0-Omni 是荔枝科技（Lychee）推出的完全开源全模态模型，采用全模态 3D RoPE 和动态容量专家混合架构，显著提升了以语言为中心的多模态理解、推理和生成能力。该版本集成了全模态理解以及音频和图像生成能力。
Qwen
Qwen3-VL-8B-Thinking是通义千问系列中最强大的视觉语言模型，具备增强推理能力的8B参数版本。该模型在文本理解、视觉感知、空间理解、长上下文处理等方面全面升级，支持多模态推理和智能体交互。
Qwen3-VL-4B-Instruct是通义系列最强大的视觉语言模型之一，在文本理解、视觉感知、空间理解、视频处理等方面全面升级，支持在多种硬件设备上运行，具备卓越的多模态推理能力。
unsloth
Qwen3-VL是迄今为止Qwen系列中最强大的视觉语言模型，在文本理解与生成、视觉感知与推理、上下文长度、空间和视频动态理解以及智能体交互能力等方面都进行了全面升级。该模型采用混合专家（MoE）架构，提供卓越的多模态处理能力。
Qwen3-VL是通义系列最强大的视觉语言模型，在文本理解与生成、视觉感知与推理、上下文长度、空间和视频理解能力等方面全面升级，具备卓越的多模态交互能力。
cpatonn
Qwen3-VL是通义大模型系列最强大的视觉语言模型，在文本理解、视觉感知、空间理解、视频处理等方面全面升级，提供卓越的多模态能力。
inclusionAI
Ming-flash-omni 预览版是基于 Ling-Flash-2.0 稀疏专家混合（MoE）架构构建的多模态大模型，总参数达100B，每个token仅激活6B参数。该模型在Ming-Omni基础上进行了全面升级，在多模态理解和生成方面有显著提升，特别是在语音识别、图像生成和分割编辑方面表现突出。
Open-Bee
Bee-8B是一个先进的全开源多模态大语言模型，专注于数据质量，旨在缩小与专有模型的性能差距。通过使用高质量的Honey-Data-15M语料库和先进的数据处理管道HoneyPipe，在复杂推理等方面展现了卓越性能。
nvidia
OmniVinci是NVIDIA开发的全模态理解大语言模型，具备视觉、文本、音频处理和语音交互能力，支持多模态推理和理解。
NexaAI
OmniNeural是全球首个专门为神经处理单元（NPU）设计的全多模态模型，能够原生理解文本、图像和音频，可在PC、移动设备、汽车、物联网和机器人等多种设备上运行。
Emova-ollm
EMOVA是一种端到端全能模态大语言模型，支持视觉、听觉和语音功能，能够生成具有情感控制的文本和语音响应。
jobs-git
SkyReels V2是全球首个采用扩散强制框架的无限长度电影生成模型，融合多模态大语言模型、多阶段预训练、强化学习与扩散强制技术实现全面优化。
EMOVA是一种端到端全能模态大语言模型，支持视觉、听觉和语音功能，具备情感语音对话能力。
EMOVA是一种端到端全能模态大语言模型，支持视觉、听觉和语音功能，无需依赖外部模型即可实现多模态理解和生成。
timm
基于SigLIP图像编码器的视觉语言模型，采用全局平均池化处理，适用于多模态任务。
PKU-Alignment
AnyRewardModel 是一个全模态生成奖励模型，用于评估多模态生成任务中模型遵循指令的能力，自动选择合适的模态，并在不同模态（文本、视觉、音频）间创建协同输出，同时避免冗余。
NexaAIDev
全球最快、最高效的端侧部署音频语言模型，2.6B参数的多模态模型，可同时处理文本和音频输入。
MahmoodLab
TITAN是一个多模态全切片基础模型，通过视觉自监督学习和视觉-语言对齐进行预训练，用于病理学图像分析。
gpt-omni
Mini-Omni2是一款全交互式多模态模型，能理解图像、音频和文本输入，并与用户进行端到端的语音对话。
BAAI
Emu3是仅通过下一词元预测训练的全新多模态模型套件，在生成与感知任务中均超越多个专业模型
RAG Anything MCP Server是一个提供全面检索增强生成(RAG)能力的模型上下文协议服务器，支持多模态文档处理与查询，具备端到端文档解析、批量处理、高级查询及持久化存储等功能。
%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)
