谷歌推出Mac版原生Gemini应用，支持macOS15及以上系统，用户可通过快捷键随时调用AI助手，实现系统级集成，增强桌面AI助手竞争力。
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。
美团发布原生多模态大模型LongCat-Next，突破传统“语言基座+插件”架构，通过DiNA技术将图像、语音与文本统一转化为同源离散Token，实现AI原生“看”与“听”物理世界，完成多模态建模深度统一。
谷歌发布开源大模型Gemma4，通过“单位参数智能”提升，为开源模型辅助智能体工作流设定新标准。该系列包含2.3B、4.5B高效版及26B、31B高性能版，基于Gemini3技术栈，全系支持多模态输入，部分版本原生支持语音输入，实现端侧实时语音理解。
字节跳动Seedance 2.0 API，支持多模态输入生成视频，有原生音频等功能。
Wan 2.5支持原生多模态AV生成，可10秒生成1080p视频，音画同步。
一个用于智能设备等的多模态原生代理框架。
多模态原生Mixture-of-Experts模型
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
-
Anthropic
$105
$525
200
$0.7
$7
$35
$17.5
$21
Alibaba
$4
$16
$1
$10
256
$6
$24
Baidu
128
$2
$20
$8
$240
52
tencent
混元OCR是由混元原生多模态架构驱动的端到端OCR专家VLM模型，仅用10亿参数的轻量级设计，在多个行业基准测试中取得最先进成绩。该模型擅长处理复杂的多语言文档解析，在文本定位、开放域信息提取、视频字幕提取和图片翻译等实际应用场景中表现出色。
BAAI
Emu3.5是北京智源人工智能研究院开发的原生多模态模型，能够跨视觉和语言联合预测下一状态，实现连贯的世界建模和生成。通过端到端预训练和大规模强化学习后训练，在多模态任务中展现出卓越性能。
Emu3.5是由北京智源人工智能研究院（BAAI）开发的原生多模态模型，能够跨视觉和语言联合预测下一状态，实现连贯的世界建模与生成，在多模态任务中表现卓越。
LiquidAI
LFM2-VL-3B是Liquid AI开发的多模态视觉语言模型，基于LFM2骨干架构构建，具备强大的视觉理解和推理能力，特别在细粒度感知任务上表现出色。该模型能够高效处理文本和图像输入，支持高达512×512分辨率的原生图像处理。
lmms-lab
LLaVA-OneVision-1.5 是一系列完全开源的大型多模态模型，通过在原生分辨率图像上进行训练，以较低的成本实现了先进的性能。该模型在多个多模态基准测试中展现出卓越性能，超越了Qwen2.5-VL等竞争对手。
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。
XiaomiMiMo
MiMo-VL是一款紧凑且强大的视觉语言模型，结合了原生分辨率ViT编码器、MLP投影器和MiMo-7B语言模型，在多模态推理等任务中表现出色。该模型在多个基准测试中表现优异，具备思维控制功能，用户体验显著提升。
internlm
Intern-S1是目前最先进的开源多模态推理模型，结合了强大的通用任务处理能力和在广泛科学任务中的卓越性能，可与领先的闭源商业模型相媲美。该模型在5T token数据集上进行持续预训练，其中超过50%是专业科学数据，具备动态分词器能够原生理解分子式、蛋白质序列和地震信号。
chs20
FuseLIP是一种创新的多模态嵌入模型，它通过一个单一的Transformer模型，使用扩展的词汇表同时处理文本和图像离散令牌，实现了模态间的早期深度融合。该方法解决了传统对比式语言-图像预训练模型无法原生编码多模态输入的问题，在视觉问答和文本引导的图像检索等任务上表现出色。
unsloth
InternVL3-78B-Instruct是一个先进的多模态大语言模型，在多模态感知、推理和语言处理等方面表现出色。该模型通过原生多模态预训练方法，将视觉和语言学习整合到统一训练阶段，在工具使用、GUI代理、工业图像分析、3D视觉感知等多个领域展现出卓越能力。
InternVL3-2B-Instruct是先进的多模态大语言模型，相比前代有更出色的多模态感知和推理能力，扩展了工具使用、GUI代理、工业图像分析、3D视觉感知等方面。采用原生多模态预训练方法，将语言和视觉学习整合到单个预训练阶段。
RedHatAI
Llama 4系列原生多模态AI模型，支持文本和图像理解，采用混合专家架构，适用于商业和研究场景。
Llama-4-Scout是Meta推出的Llama 4系列模型之一，采用混合专家（MoE）架构，是原生多模态AI模型，支持文本和图像输入，在多语言文本理解和视觉任务方面表现出色。该模型具有17B参数，16个专家，专为商业和研究用途设计。
meta-llama
Llama Guard 4 是一个原生多模态安全分类器，拥有120亿参数，联合训练于文本和多重图像，用于大语言模型输入和输出的内容安全评估。
fahadh4ilyas
Llama 4系列是Meta推出的原生多模态AI模型，采用混合专家架构，支持文本和图像交互，在多种语言和视觉任务中表现卓越。
Llama 4系列是Meta推出的原生多模态AI模型，支持文本和图像交互，采用混合专家架构，在文本和图像理解方面表现卓越。
OpenGVLab
InternVL3-1B是OpenGVLab推出的先进多模态大语言模型，已完成原生多模态预训练但未进行后训练。
InternVL3-2B-Instruct是基于InternVL3-2B的监督微调版本，经过原生多模态预训练和SFT处理，具备强大的多模态感知和推理能力。
InternVL3-1B-Instruct 是 InternVL3 系列的监督微调版本，基于原生多模态预训练，具备卓越的多模态感知和推理能力。
hirundo-io
Llama 4 Scout是Meta推出的原生多模态AI模型，支持多语言文本和图像理解，采用混合专家架构，在文本和图像理解方面具有行业领先性能。
%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)
