汇总了 2026 年 2 月 AIGC 领域的最新进展，涵盖阿里 Qwen、阶跃星辰、智谱、OpenAI、字节跳动、腾讯、蚂蚁集团等机构发布的模型与工具。重点包括编程 Agent 模型如 Qwen-Coder-Qoder 和 GLM-5，多模态与视频生成模型如 Seedance 2.0 和 Grok Imagine 1.0，以及长上下文与端侧量化技术如 LongCat-Flash-Lite 和 HY-1.8B-2Bit。内容涉及模型架构创新、开源生态建设及实际应用场景的性能基准测试。
阿里 AI 编程工具 Qoder 正式发布专为自身平台打造的强化学习模型 Qwen-Coder-Qoder。该模型基于 Qwen-Coder 基座，紧密结合其 Agent 框架与工具，通过自研的 ROLL 训练框架进行大规模强化学习，旨在提升端到端的编程体验。
在面向真实软件工程任务的 Qoder Bench 评测中，该模型的任务解决率已超越 Cursor Composer-1，尤其在 Windows 系统下，其终端命令准确率领先幅度达到 50%。在实际线上应用中，该模型已将代码留存率提升了 3.85%，工具异常率降低了 61.5%，Token 消耗下降了 14.5%。
Qwen-Coder-Qoder 的设计遵循资深开发者思维模式，核心特性包括：严格遵守软件工程规范、具备项目全局感知能力、可高效并行处理无依赖任务，以及持续解决复杂问题的韧性。其研发基于'模型即 Agent'的智能进化体系，技术实现依赖三大要素：在真实 Agent 沙盒环境中学习、引入软件工程最佳实践作为奖励信号并通过'Rewarder - Attacker'对抗机制防止模型作弊，以及利用 ROLL 框架实现数千卡集群上 10 倍以上的训练吞吐提升。
目前，Qwen-Coder-Qoder 已在产品中正式上线。
Kimi Team 联合南京大学发布 SimpleSeg，通过将图像分割任务重构为序列生成问题，赋予多模态大语言模型（MLLM）原生像素级感知能力。该方法使模型直接在语言空间内预测物体边界的坐标点序列，采用 SFT 监督微调与基于 IoU 奖励的强化学习两阶段训练提升轮廓精度。
官方表示，SimpleSeg 在标准 MLLM 架构下无需任何专用模块，性能在多个分割基准测试中达到或超越复杂专用算法。其具备简单性、任务通用性及可解释输出三大核心优势，目前已基于 Kimi-VL 和 Qwen2.5-VL 实现模型应用。
ByteDance 研究团队发布 ConceptMoE 架构，通过可学习的自适应块化技术，将大语言模型处理从 Token 级别提升至概念级别。该架构利用可学习的 Chunk 模块识别最优边界，动态合并语义相似的 Token 序列为统一概念表示，实现隐式计算分配，对可预测序列进行压缩，对复杂 Token 则保留精细化计算，从而在不改变模型参数与计算量的前提下显著提升性能。
阶跃星辰发布新一代开源基座模型 Step 3.5 Flash，专为 Agent 场景设计。该模型采用 196B 总参数（激活 11B）的稀疏 MoE 架构，支持 256K 上下文，并利用 MTP-3 技术在单请求代码任务中实现最高 350 TPS 的推理速度。
在性能上，该模型在数学推理、代码和智能体任务上逼近顶级闭源模型。官方数据显示，开启 Parallel Thinking 后，其在 AIME、IMOAnswerBench 等数学竞赛和 BrowseComp 等智能体基准测试中表现领先，代码能力则逼近 Gemini 3.0 Pro。
核心能力方面，模型具备'Think-and-Act'协同机制，支持大规模工具编排，能通过单 Agent 循环生成万字研究报告。它还支持端云协同模式，可作为'云端大脑'与本地 Step-GUI 协作，完成跨 App 价格对比、操作手机微信等复杂任务。
模型已完成对华为昇腾等六大国产 AI 芯片的适配，支持在 Apple M4 Max 等高端个人硬件上私有部署。其训练采用了可扩展的强化学习框架 MIS-PO，用于解决长序列训练中的稳定性问题。官方指出模型在生成轨迹长度等方面仍存不足，并已启动下一代 Step 4 模型的训练。
智谱正式发布轻量级专业 OCR 模型 GLM-OCR，参数规模为 0.9B。该模型基于 GLM-V 编码器 - 解码器架构构建，在 OmniDocBench V1.5 评测中以 94.62 分登顶，并在表格、公式识别及信息提取等主流基准中达到 SOTA 水平。
在架构上，GLM-OCR 采用自研 CogViT 视觉编码器与 GLM-0.5B 语言解码器，引入 Multi-Token Prediction 损失函数和全任务强化学习以提升效率。关于其参数规模，官方文档明确标注为 0.9B；据社区讨论认为，其视觉与语言部分总计约 1.4B。性能方面，官方数据显示 GLM-OCR 处理 PDF 文档的吞吐量达 1.86 页/秒，其表现优于多款 OCR 专项模型，性能接近 Gemini-3-Pro。
该模型针对复杂表格、代码文档、印章等真实场景优化，支持中、英、法等多种语言的通用文本识别。在输出上，可直接从合并单元格、多层表头等表格解析出 HTML 代码，或从卡证票据中提取关键字段并输出标准 JSON 格式，为 RAG 等应用提供支持。
GLM-OCR 已在 Hugging Face 开源并提供 API 服务，模型本身遵循 MIT License。API 输入与输出同价，均为 0.2 元/百万 Tokens。
xAI 正式发布 Grok Imagine 1.0，实现从静态图像到动态高清视频生成的跨越。新版本支持生成最长 10 秒、720p 分辨率的视频，音频质量与提示词理解能力显著提升。该版本已在 Grok 应用及 API 全面上线。
优必选发布并开源具身智能大模型 Thinker，定位'小参数、高性能、全开源'，为工业人形机器人提供精准空间感知与快速响应的'大脑'。截至 2026 年 1 月 30 日，Thinker 在 10B 以下参数规模的 9 项具身智能基准评测中位列全球第一。
其全链路数据方案通过'精炼提纯 - 自动化标注 - 数据驱动训练'，将 20B 原始数据提纯至 10M 高质量数据（仅保留约 1%），人工参与率降至 1% 以下，标注成本降低 99%，并打通真实场景数据回流机制。基于此，Walker S2 机器人在搬运分拣场景作业准确率达 99.99%。目前，Thinker 模型权重、训练工具链及优化指南已全量开放。
Qwen 团队发布开源权重语言模型 Qwen3-Coder-Next，专为编程 Agent 与本地开发设计。该模型基于 Qwen3-Next-80B-A3B-Base 构建，采用混合注意力与稀疏 MoE 架构，总计 800 亿参数，但每个 token 仅激活 30 亿参数，旨在显著降低推理成本。
据官方介绍，该模型的核心突破在于'大规模智能体训练'，而非单纯依赖参数扩展。其训练包含持续预训练、监督微调、领域专精的专家训练及能力蒸馏等阶段，利用约 80 万个可验证任务与可执行环境，让模型从反馈中学习，重点强化了长程推理、工具使用与失败恢复能力。
在性能表现上，官方数据显示，该模型在使用 SWE-Agent 框架时，在 SWE-Bench Verified 基准上得分达 70.6%，在更具挑战性的 SWE-Bench-Pro 上得分为 44.3%。官方称这一表现可与激活参数量高 10 到 20 倍的模型相当，优于 DeepSeek-V3.2（671B）和 GLM-4.7（358B）等更大模型。
OpenAI 宣布其 GPT-5.2 与 GPT-5.2-Codex 模型提速 40%。此次更新通过优化推理堆栈实现，已面向所有 API 客户开放。在不改变模型与权重的前提下，该改进显著降低了请求延迟，提升了开发者体验。
OpenBMB 发布了 9 亿（9B）参数的多模态大语言模型 MiniCPM-o 4.5。该模型支持全双工多模态实时交互，能够同步处理视觉、语音和文本输入并生成输出。官方数据显示，模型在 OpenCompass 基准测试中平均得分 77.6，其视觉语言能力超越了 GPT-4o 和 Gemini 2.0 Pro，接近 Gemini 2.5 Flash 水平。
MiniCPM-o 4.5 引入全双工多模态直播能力，可端到端并行处理视频、音频输入流与文本、语音输出流，实现流畅的实时对话，并支持基于理解的主动交互。语音方面，它支持中英双语实时对话和语音克隆，官方数据显示其语音性能优于 CosyVoice2 等工具，中文测试 CER 为 0.86%，英文 WER 为 2.38%。
视觉理解方面，模型在 MathVista 和 MMBench 英文版测试中得分分别为 80.1 和 87.6，能高效处理高达 180 万像素的图像与高帧率视频，并在 OmniDocBench 文档解析任务中取得最佳性能。文本能力上，模型在多项基准中平均得分 82.1，数学解题（GSM8K）得分 94.5。
该模型基于 SigLip-2、Whisper-medium、Qwen3-8B 等构建，采用 Apache-2.0 许可证开源。模型支持通过 llama.cpp、Ollama 等框架在本地设备部署。
ACE Studio 与 StepFun 联合团队发布了开源音乐生成基础模型 ACE-Step 1.5。该模型采用 MIT 许可证，支持本地运行与商业用途。
官方数据显示，该模型在 A100 上生成一首完整歌曲快至 2 秒，在 RTX 3090 上快至 10 秒，运行 VRAM 少于 4GB。其核心为一种新颖的混合架构，语言模型 (LM) 作为'全能规划器'，通过思维链 (Chain-of-Thought) 生成完整歌曲蓝图以指导 Diffusion Transformer(DiT) 进行音乐创作。据官方博客，其生成质量超越多数商业模型，介于 Suno v4.5 与 v5 之间。
ACE-Step 1.5 功能全面，支持 10 秒至 10 分钟的灵活时长生成、参考音频引导、翻唱、音频编辑、音轨分离及多轨生成，并兼容 50 多种语言歌词与千余种乐器风格。用户可利用内置的 LoRA 技术，仅需几首歌曲即可训练个人风格。模型能根据 GPU VRAM 容量自动选择最优 LM 模型。
艾伦人工智能研究院 (Ai2) 发布 140 亿参数开源编码模型 SERA-14B，在 SWE-bench Verified 基准测试中获 41.7% 得分 (±0.5%)。模型基于 Qwen 3-14B，采用 GLM-4.6 为教师模型，通过 Soft Verified Generation 方法在 32K 上下文、25000 条合成轨迹上训练，数据源自 121 个 Python 代码库。训练数据集已更新为通用格式并新增验证阈值和元数据。模型采用 Apache 2.0 许可证在 Hugging Face 开源。
上海 AI 实验室发布 Intern-S1-Pro，一个 1 万亿参数 MoE 多模态科学推理模型（512 专家，激活 22B），专注 AI4Science 领域。模型在化学、材料、生命科学等基准测试中达到领先水平，可媲美国际闭源模型。
技术架构采用 STE 路由、分组路由机制及 Fourier Position Encoding，支持 100 至 106 点的长异构时间序列。模型兼容 OpenAI API，具备 Tool Calling 能力，thinking 模式可动态配置。支持 LMDeploy、vLLM、SGLang 框架部署。权重已上传 Hugging Face，代码和技术报告（arXiv:2508.15763）同步发布。
Mistral AI 发布了名为 Voxtral Mini 4B Realtime 2602 的多语言实时语音转录模型，该模型以低于 500 毫秒的延迟实现了接近离线系统的转录准确率，并采用 Apache 2.0 许可证开源。这个拥有 40 亿参数的模型采用原生流式架构，针对语音助手、实时字幕等场景及设备端部署进行了优化。
此外，Mistral AI 还介绍了用于批量转录的 Voxtral Transcribe 2 模型系列。据官方说明，该模型在 FLEURS 数据集上实现了 4% 的 WER，定价为每分钟 0.003 美元，并具备说话人日志、上下文偏置等功能。
快手可灵正式发布 3.0 版本产品套件，包含视频 3.0、图片 3.0 及其对应的 Omni 增强版。核心升级包括视频生成时长延长至 15 秒、强化主体一致性、支持原生 2K/4K 图像输出，旨在覆盖从生成到编辑的全链路创作流程。
视频 3.0 系列支持 3 至 15 秒的灵活时长。其智能分镜功能可深度理解剧本，自动调度景别与机位以生成电影感叙事。在图生视频基础上新增的主体参考能力，允许用户添加图片或视频，二次锚定主角、道具与场景。全能音画功能支持中、英、日、韩、西等多语种及地道方言，实现多语混合对话时的口型与神态匹配。增强版视频 3.0 Omni 的全能主体 3.0 分为两部分：一是支持上传 3 至 8 秒角色视频创建主体，二是支持'多图 + 音频'为角色绑定专属声线。分镜叙事 3.0 则新增了原生自定义分镜能力与像素级画面修改。
图片 3.0 Omni 版聚焦专业级视觉输出。深度叙事功能可解构提示词中的视听元素，生成包含特定光影、色调的影视级画面。组图创作支持批量生成系列组图，并可统一优化风格或根据单张图片预测剧情生成分镜。原生超清功能允许直接输出 2K 或 4K 图像。标准版图片 3.0 的强化主要围绕一致性与编辑灵活性，支持用户使用最多 10 张参考图锁定核心元素与色调，并整合多来源参考能力于同一界面，提升了人像真实感和电影级色调。
Meta AI Research 发布 EB-JEPA 开源库，为社区提供 Joint Embedding Predictive Architectures 示例。库包含三个核心模块：Image JEPA 用于 CIFAR-10 图像自监督学习，Video JEPA 预测视频序列下一帧表示，Action-Conditioned Video JEPA 支持动作条件世界建模与规划。
配套论文显示，CIFAR-10 探测准确率达 91%，Two Rooms 导航任务规划成功率 97%。库支持单 GPU 训练，集成 Weights & Biases 跟踪实验，使用 uv 包管理，需用 autoflake、isort 和 black 格式化代码。项目采用 Apache-2.0 许可证，论文作者包括 Yann LeCun 等。
阿里巴巴 Qwen 团队与浙江大学合作提出 SWE-Universe 框架，旨在从 GitHub Pull Requests (PRs) 中自动构建百万级可执行的软件工程训练环境，以解决 AI 编程助手训练数据缺乏真实可验证场景的问题。
该框架通过构建智能体实现自动化，已成功构建 807,693 个环境，并助力 Qwen3-Max-Thinking 模型在 SWE-Bench Verified 测试集上达到 75.3% 的准确率。
腾讯混元 AI Infra 团队推出开源生产级高性能 LLM 推理核心算子库 HPC-Ops。该算子库基于 CUDA 和 CuTe 从零构建，通过微架构深度适配与指令级优化，旨在降低开发门槛并逼近硬件性能峰值。
HPC-Ops 包含 FusedMoE、Attention 等核心融合算子，已在腾讯大规模生产环境验证，提供 API 以无缝对接 vLLM、SGLang 等主流框架，并原生支持 BF16、FP8 等多精度方案。项目已在 GitHub 开源。
字节跳动火山引擎 Viking 团队开源 OpenViking，一个专为 AI Agent 设计的上下文数据库。该项目摒弃传统 RAG 平铺式向量存储，创新采用'文件系统范式'，将 Agent 的记忆、资源与技能统一组织在 viking://虚拟文件系统中，通过 ls、find 等指令管理。
核心特性包括：L0 摘要/L1 概述/L2 详情三层结构实现按需加载，降低 Token 成本；目录递归检索融合意图分析与递归下探，提升检索全局性与准确性；提供可视化轨迹与自动会话管理实现上下文自迭代。项目采用 Apache License 2.0 协议。
美团龙猫团队推出 LongCat-Flash-Lite 大模型，这是一款采用全新嵌入扩展范式的轻量化 MoE 模型。该模型总参数量为 685 亿，通过动态激活机制，每次推理仅需激活 29 亿至 45 亿参数。LongCat-Flash-Lite 聚焦于 Agent 与代码领域，支持基于 YARN 技术的 256K 超长上下文处理，目前已开放模型权重、推理引擎部分源代码及 API 接入服务。
在架构设计上，该模型创新性地引入了 N-gram 嵌入层，将 31.4 亿参数（约占 46%）投入到嵌入扩展中。该设计通过哈希函数将 token 序列映射为整体嵌入向量，并采用子表分解等技术降低哈希冲突。同时，模型引入嵌入放大技术，确保信号在深层网络中有效传递。
系统级优化方面，团队实现了从模型结构到运行时的垂直加速。针对 N-gram 嵌入层特性，设计了专用的 GPU 缓存机制以降低延迟。在算子层面，开发了定制 CUDA 内核并进行内核融合，同时支持 3 步投机推理。在输入 4K、输出 1K 的典型负载下，其 API 生成速度可达 500-700 token/s。
性能评估显示，LongCat-Flash-Lite 在多项基准测试中表现优异。在智能体任务τ²-Bench 中取得高分，代码任务 SWE-Bench 准确率为 54.4%。通用能力方面，MMLU 得分 85.52，中文理解 C-Eval 为 86.55 分，数学能力 MATH500 准确率达 96.80%。
目前，LongCat-Flash-Lite 模型权重已在 Hugging Face 与 Modelscope 开放下载，推理引擎部分功能与算子在 GitHub 开源。开发者可通过 API 平台申请接入，现阶段提供不限额试用，后续将维持每日 5000 万 tokens 的免费额度。
Seedance 2.0 正式上线，推出支持图像、视频、音频、文本四种模态输入的视频生成功能。其核心特性「参考能力」允许用户上传参考图像以还原画面构图与角色细节，或通过参考视频复刻镜头语言、动作节奏与创意特效。系统支持对生成视频进行平滑延长、衔接以及角色更替、内容增删等编辑操作，生成长度可在 4 至 15 秒间自由配置。
在输入限制方面，系统规定混合输入总上限为 12 个文件，包括不超过 9 张图像、总时长不超过 15 秒的 3 个视频，以及总时长不超过 15 秒的 3 个 MP3 格式音频文件。文本输入则采用自然语言描述，输出视频默认自带音效与配乐。
系统提供「首尾帧」与「全能参考」两种交互入口。「首尾帧」适用于仅需上传首帧图结合提示词的简单场景；「全能参考」则支持四类素材的任意组合输入。在「全能参考」模式下，用户可通过@素材名语法指定素材用途，或通过参数工具栏的@图标唤起选单。需要注意的是，智能多帧与主体参考功能在当前版本不可用。
在能力提升方面，Seedance 2.0 攻克了物理规律合理性、动作自然流畅性、指令理解精准度及风格稳定性等难题，能稳定完成复杂动作与连续运动生成任务，并在人脸、服装、字体及场景细节一致性上实现了显著提升。
OpenRouter 与 Kilo Code 同步上线了 stealth 模型 Pony Alpha，定位为支持 coding、agentic workflows 与 reasoning 的下一代基础模型。该模型提供 200K tokens 上下文窗口与 131K tokens 最大输出，通过两家平台以零费率提供。
模型来源暂未正式披露，Kilo Code 将其描述为来自
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
使用加密算法（如AES、TripleDES、Rabbit或RC4）加密和解密文本明文。 在线工具，加密/解密文本在线工具，online
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online
将 Markdown（GFM）转为 HTML 片段，浏览器内 marked 解析；与 HTML 转 Markdown 互为补充。 在线工具，Markdown 转 HTML在线工具，online
