大模型與國產硬件生態融合加速。10月15日，階躍星辰開源新一代大模型Step5Preview；同日，摩爾線程宣佈MTT S5000智算卡及MUSA軟件棧已完成Day-0適配。Step5Preview採用稀疏MoE架構，總參數量600B，每token激活27B，原生支持100萬token超長上下文，展現國產軟硬件協同迭代提速。
階躍星辰正式發佈並開源Step5Preview模型權重，面向全球開發者公開BF16與FP8權重、技術博客及配套開源開發工具。該模型此前在OpenRouter周榜、日榜調用量排名中一度穩居全球第二。架構上，它專爲長程複雜智能體任務深度優化，採用稀疏MoE架構，總參數量高達600B。
階躍全量開放旗艦基座 Step5Preview，定位真實世界 Agentic 任務主力模型。它針對能力、效率、成本三角難題，採用稀疏 MoE 架構外推帕累託前沿。模型總參數達600B，每次激活更少參數以平衡性能與成本。
階躍今日全量開放新一代旗艦基座Step5Preview，定位真實世界Agentic任務主力模型。它採用稀疏MoE架構，總參數600B，旨在破解能力、效率、成本三者相互拉扯的“帕累託題”：不是讓取捨消失，而是以新設計把帕累託前沿整體外推，成爲面向智能體任務的高效主力模型。
Doubao-1.5-pro 是一個高性能的稀疏 MoE 大語言模型，專注於推理性能與模型能力的極致平衡。
Alibaba
$2
輸入tokens/百萬
$20
輸出tokens/百萬
-
上下文長度
$4
$16
1k
256
Moonshot
Bytedance
$0.8
128
Xai
$1.4
$10.5
Deepseek
$12
Tencent
$1
32
Openai
$0.4
$0.75
64
24
Chatglm
$8
$0.7
$1.95
16
jackcloudman
Qwen3-Next-80B-A3B-Thinking 是通義千問團隊推出的新一代思考型大語言模型，採用創新的混合注意力機制和高稀疏MoE架構，在保持高效推理的同時具備強大的複雜推理能力，原生支持262K上下文長度。
inclusionAI
Ming-flash-omni 預覽版是基於 Ling-Flash-2.0 稀疏專家混合（MoE）架構構建的多模態大模型，總參數達100B，每個token僅激活6B參數。該模型在Ming-Omni基礎上進行了全面升級，在多模態理解和生成方面有顯著提升，特別是在語音識別、圖像生成和分割編輯方面表現突出。
cpatonn
Qwen3-Next-80B-A3B-Instruct是通義千問團隊開發的高效稀疏混合專家模型，總參數量80B，激活參數量僅3B。該模型採用創新的混合注意力機制和極低激活率的MoE架構，在保持強大性能的同時大幅提升推理效率，原生支持262K上下文長度並可擴展至1M令牌。
Qwen3-Next-80B-A3B-Thinking-AWQ-4bit是基於Qwen3-Next-80B-A3B-Thinking模型通過AWQ量化技術生成的4位版本，顯著提升了模型推理效率。該模型採用混合注意力機制和高稀疏MoE架構，在複雜推理任務中表現出色，支持長達262K標記的上下文長度。
Kwai-Klear
Klear是由快手Kwai-Klear團隊開發的稀疏混合專家（MoE）大語言模型，具備高性能和推理效率的特點。總參數460億，激活參數僅25億，在多個能力基準測試中表現出色，為實際應用提供了高效且強大的解決方案。
LanguageBind
MoE-LLaVA是一種基於專家混合架構的大型視覺語言模型，通過稀疏激活參數實現高效的多模態學習
MoE-LLaVA是一種基於專家混合架構的大規模視覺語言模型，通過稀疏激活參數實現高效的多模態學習。
hywu
Camelidae-8x34B是基於參數高效稀疏構建技術訓練的專家混合體（MoE）模型，採用8個專家34B參數規模，在通用指令微調任務上表現出色，特別擅長代碼和數學領域任務。
Camelidae-8x7B是基於參數高效稀疏構建技術的專家混合體模型，通過QLoRA和Adapter技術將密集模型轉換為MoE架構，在代碼和數學等多個領域表現出色。
google
基於掩碼語言建模任務訓練的混合專家(MoE)模型，參數規模達1.6萬億，採用類似T5的架構但前饋層替換為稀疏MLP層
Switch Transformers是基於專家混合(Mixture of Experts, MoE)架構的掩碼語言模型，在T5架構基礎上改進，用稀疏MLP層替代前饋層，包含32個專家網絡。該模型在訓練效率和微調任務表現上優於T5，支持自然語言處理相關應用。
Switch Transformers是基於混合專家(MoE)架構的語言模型，在掩碼語言建模任務上訓練。該模型架構與T5相似，但將前饋層替換為包含16個專家MLP的稀疏MLP層，在保持性能的同時實現了更快的訓練速度和更好的可擴展性。
Switch Transformers是基於混合專家(MoE)架構的語言模型，專為掩碼語言建模任務訓練。該模型架構與T5類似，但將前饋層替換為包含8個專家MLP的稀疏MLP層，在微調任務上表現優於T5，同時實現更快的訓練速度。
Transformers英語%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)
VIP會員
