AI 模型广场｜开源大模型与 LLM 目录

Inkling:free 是由 Thinking Machines Lab 推出的超大规模混合专家（MoE）多模态模型。虽然总参数量高达 975B，但通过 MoE 架构设计，每次推理仅激活 41B 参数，这在保证顶尖推理能力的同时，显著提升了响应效率。该模型在通用逻辑推理、复杂代码编写以及 Agent（智能体）任务中表现尤为出色，特别适合需要频繁调用外部工具或进行长链条思考的自动化工作流。对于开发者而言，它不仅能处理海量上下文（支持百万级 Token），还能在多模态理解上提供深度支持，是构建高性能 AI Agent 和复杂逻辑应用的高性价比选择。

inkling:batch 是由 Thinking Machines Lab 推出的超大规模混合专家模型（MoE）。虽然总参数量达到了惊人的 975B，但通过 MoE 架构设计，每次推理仅激活 41B 参数，这在保持顶尖性能的同时，极大地优化了响应效率。该模型的核心优势在于极强的逻辑推理、代码编写以及复杂的 Agent（智能体）任务处理能力。对于开发者而言，它不仅是一个强大的文本生成工具，更是一个理想的系统底座，非常适合构建需要频繁调用工具、进行多步规划的自动化工作流。由于其超长的上下文处理能力，它在处理长文档分析和复杂项目代码库时表现尤为出色，是进阶 AI 应用开发者构建智能化 Agent 的有力选择。

Inkling 是由 Thinking Machines Lab 推出的超大规模混合专家（MoE）多模态模型。虽然总参数量达到了惊人的 975B，但通过 MoE 架构设计，每次推理仅需激活 41B 参数，这在保持顶尖推理能力的同时，极大地优化了响应效率。它不仅在逻辑推理和代码编写上表现出色，更针对 Agent（智能体）和工具调用场景进行了深度优化，非常适合开发者构建复杂的自动化工作流。对于追求长文本处理能力的用户，它支持高达 1M 的上下文窗口，能轻松吞下整本书或大型代码库。如果你正在寻找一个能替代闭源模型、且具备极强工程落地能力的开源权重模型，Inkling 是一个不容忽视的高性能选择。

LongCat 2.0 是美团推出的新一代稀疏混合专家（MoE）模型，其核心亮点在于极大的参数规模与超长上下文处理能力。虽然总参数量高达 1.6T，但通过 MoE 架构，每次推理仅激活 48B 参数，在保持高性能的同时兼顾了响应速度。对于开发者而言，它在代码编写、仓库级代码重构以及长程逻辑推理方面表现出色，能够轻松“吃掉”百万级别的上下文，非常适合处理整个工程项目的代码分析或构建复杂的 AI Agent。上手门槛较低，通过 API 即可接入，是处理超长文本任务和深度编程场景的强力工具。

Laguna S 2.1 是由 Poolside 推出的新一代编程智能体（Coding Agent）模型。它采用了高效的混合专家架构（MoE），虽然总参数量达到 118B，但每次推理仅激活 8B 参数，这使得它在保持强大编程逻辑的同时，响应速度极快。该模型在 Terminal-Bench 等基准测试中表现出色，特别擅长处理复杂的终端指令、代码补全及自动化编程任务。对于开发者而言，它不仅是一个对话助手，更像是一个能直接理解工程上下文的“虚拟程序员”。如果你正在寻找能无缝集成到 IDE 或自动化工作流中的轻量化、高效率编程模型，Laguna S 2.1 是一个非常值得尝试的选择。

Laguna S 2.1 是由 Poolside 推出的新一代编程智能体（Coding Agent）专用模型。它采用了高效的 MoE（混合专家）架构，虽然总参数量达到 118B，但每次推理仅激活 8B 参数，这意味着它能在保持极高性能的同时，兼顾响应速度和推理成本。该模型在 Terminal-Bench 2.1 等编程基准测试中表现出色，特别擅长处理复杂的终端指令、代码逻辑编写及系统级任务。对于开发者而言，它不仅是一个增强版的 Copilot，更像是一个能直接理解开发环境、具备执行能力的虚拟工程师。如果你正在寻找能深度集成到 IDE 或自动化开发流中的高性能编程模型，Laguna S 2.1 是一个非常值得关注的选择。

Ling-3.0-flash 是一款基于 MoE（混合专家）架构的高效能大模型，虽然拥有 124B 的总参数量，但每次推理仅激活约 5.1B 参数。这种设计精准切中了开发者对“推理成本”与“响应速度”的双重痛点。它不是那种追求极致文学创作的“慢思考”模型，而是专为生产环境下的 Agent（智能体）任务优化的“快反应”利器。凭借高达 262k 的超长上下文窗口，它非常适合处理长文档分析、复杂工作流自动化以及需要高频调用的 API 场景。对于习惯使用 GPT-4o 或 Claude 进行开发的用户来说，Ling-3.0-flash 提供了一种在保持逻辑能力的同时，大幅降低延迟与 Token 消耗的极佳替代方案，上手门槛低，极其适合集成到现有的自动化流水线中。

Qwen3.7-Flash 是阿里巴巴推出的新一代视觉语言推理模型，主打“快”与“准”的平衡。不同于单纯的文本模型，它强化了对图像细节的捕捉和空间关系的理解，非常适合作为多模态 Agent 的“眼睛”。对于开发者来说，它在视觉代码编写、网页搜索增强以及复杂的计算机交互场景中表现出色。相比于参数量巨大的旗舰模型，Flash 版本在保持高逻辑推理能力的同时，显著降低了响应延迟，非常适合需要高频次、实时交互的落地应用。上手门槛低，通过 API 即可轻松集成到现有的自动化工作流中。

Inkling-small 是由 Thinking Machines Lab 推出的高性能混合专家模型（MoE）。虽然总参数量高达 276B，但它通过巧妙的设计，每次推理仅激活 12B 参数，这让它在保持极高智能水平的同时，兼顾了极快的响应速度。作为一款多模态模型，它不仅擅长文本创作，还能处理视觉信息。对于开发者而言，它的超长上下文窗口（达 1M tokens）非常适合处理长文档分析或大规模代码库理解。相比于动辄占用巨大显存的稠密模型，Inkling-small 在效率和能力之间找到了极佳的平衡点，是构建轻量化、高响应 AI 应用的理想选择。

inkling-small 是由 Thinking Machines Lab 推出的混合专家（MoE）架构多模态模型。虽然它总参数量高达 276B，但通过 MoE 设计，每次推理仅激活 12B 参数，这使得它在保持强大理解能力的同时，大幅提升了响应速度和推理效率。对于开发者而言，它在处理长文本（支持百万级上下文）和多模态任务时表现得非常轻快，非常适合需要兼顾“高性能”与“低延迟”的实时交互场景，如智能助手或长文档分析。相比于动辄全量参数运行的巨型模型，inkling-small 提供了一种更具性价比的平衡方案，上手门槛低，通过 API 即可快速集成到现有的工作流中。

DeepSeek-V4-Flash 是 DeepSeek 推出的高性能混合专家（MoE）模型，通过稀疏激活机制在保持极速响应的同时，兼顾了强大的逻辑推理能力。这款模型在总参数量高达 284B 的基础上，仅需激活 13B 参数即可完成任务，这使得它在处理复杂编程任务、逻辑推理以及 Agent（智能体）工作流时，既能提供媲美大模型的深度，又能实现极低的延迟。对于开发者而言，它非常适合集成到需要高频交互、长上下文处理（支持百万级 Token）的应用场景中，如自动化代码审查、长文档分析或实时对话助手。相比于传统的重型模型，它的上手门槛极低，API 调用成本极具竞争力，是构建轻量化、高智能 AI 应用的理想选择。

DeepSeek V4 Flash 0731 是一款基于混合专家架构（MoE）的高性能模型，虽然总参数量高达 284B，但通过精巧的设计，每次推理仅激活 13B 参数，这使得它在保持强大逻辑能力的同时，响应速度极快且成本极低。对于开发者而言，它最核心的价值在于“高性价比的逻辑大脑”：它在代码编写、复杂推理以及 Agent（智能体）工作流中表现尤为出色。如果你正在构建需要频繁调用 API 的自动化任务，或者需要一个能够处理超长上下文（百万级 Token）的助手，这款模型是目前市面上平衡推理质量与吞吐量的极佳选择，上手门槛极低，通过 API 即可无缝接入现有开发框架。

DeepSeek-V4-Flash-0731 是 DeepSeek 推出的高性能混合专家（MoE）模型，通过精细的后训练优化，在保持极高响应速度的同时，实现了逻辑推理与代码编写能力的跨越。虽然总参数量巨大，但每次推理仅激活约 13B 参数，这使得它在处理复杂 Agent 工作流或长上下文任务时，既能保持“快如闪电”的体验，又能兼顾深度思考能力。对于开发者而言，它非常适合作为自动化编程助手、逻辑推理引擎或智能体（Agent）的核心大脑，上手门槛极低，通过 API 调用即可无缝接入现有的开发工作流，是追求极致性价比与响应效率的首选模型。

Meta 推出的 Muse Spark 1.2 是一款主打“推理与智能体（Agentic）”能力的重磅模型。它不再局限于单纯的文字对话，而是进化成了全能型的多模态大脑，能够深度理解文本、图像、视频、音频以及复杂的 PDF 文档。对于开发者而言，其核心竞争力在于高达 100 万 token 的超长上下文窗口，这意味着你可以直接把整本技术手册或长达数小时的会议视频丢给它进行逻辑拆解。虽然其推理逻辑深度足以应对复杂的自动化任务，但通过 API 调用即可快速集成到现有工作流中，非常适合用于构建具备视觉和听觉感知能力的智能助手或自动化分析工具。

Muse Glimmer 30B 是 Meta Superintelligence Labs 推出的高性能开源多模态模型。它通过对 Muse Spark 的蒸馏优化，在保持 30B 参数规模的同时，显著提升了在消费级硬件上的运行效率。该模型的核心优势在于处理“长程任务”的能力，非常适合构建需要多步规划和自主决策的 AI Agent（智能体）。相比于仅能聊天的大语言模型，它更像是一个具备视觉感知和逻辑链条的“数字员工”，能够应对复杂的自动化流程。对于开发者而言，它在长文本上下文（128K）与推理逻辑之间取得了极佳的平衡，是目前构建本地化、高响应度智能体应用的高性价比选择。

Muse Glimmer 30B 是由 Meta Superintelligence Labs 推出的高性能开源多模态模型。它通过对 Muse Spark 的知识蒸馏，在保持 30B 参数规模的同时，实现了极高的推理效率。这款模型的核心优势在于其强大的“长程规划”能力，非常适合作为自主智能体（Autonomous Agents）的大脑，去处理需要多步骤逻辑推理的复杂任务。对于开发者而言，它经过专门优化，可以在消费级显卡上流畅运行，极大地降低了部署高阶 Agent 的硬件门槛。如果你正在寻找一个既能理解多模态输入，又能胜任长文本、长逻辑链任务的本地化模型，Glimmer 是一个非常平衡的选择。

Upstage 推出的 Solar Pro 4 是一款主打“高性价比”与“长文本处理”的大模型。它最核心的杀手锏在于高达 524K 的超长上下文窗口，这意味着你可以一次性把几本厚厚的专业书籍、长达数百页的行业报告，甚至是整个项目的代码库丢给它，它都能保持极高的逻辑连贯性。相比于追求参数规模的巨型模型，Solar Pro 4 更像是一个精干的“办公专家”，特别适合处理文档密集型任务、长程逻辑推理以及需要频繁调用工具的 Agent（智能体）工作流。对于开发者而言，它的 API 调用成本更低，非常适合集成到企业级的自动化办公场景或长文本分析工具中，上手门槛低，是处理长文档和构建自动化流程的理想选择。

Sakana Namazu 是由 Sakana AI 推出的日语专项推理模型，其底层架构基于 Kimi K2.6 进行深度优化。不同于泛用型大模型，它针对日语语言特性及日本本土商务场景进行了专项强化训练，在处理复杂的日语指令遵循和逻辑推理任务时表现尤为出色。对于需要处理日语文档分析、商务邮件撰写或进行日本市场研究的开发者来说，这是一个非常精准的垂直领域工具。虽然它通过 API 提供服务，但由于其深厚的语言文化底蕴，在处理日语语境下的细微语义差别时，比许多通用模型更具“地道感”，是构建日语智能化应用的理想底座。

这款由 NVIDIA 推出的 Nemotron-3.5-Lightning 是一款基于混合专家架构（MoE）的高性能模型。虽然总参数量达到 30B，但每次推理仅激活 3B 参数，这让它在保持强大逻辑能力的同时，拥有极高的响应速度和吞吐量。对于开发者来说，它非常适合作为 AI Agent（智能体）的核心引擎，处理需要频繁调用、对延迟敏感的任务，比如自动化工作流或实时对话。相比于参数量巨大的通用大模型，它的上手门槛更低，且在特定任务上的性价比极高，是构建高并发、轻量化 AI 应用的理想选择。

NVIDIA 推出的这款 Nemotron-3.5-Lightning 是一款非常硬核的混合专家模型（MoE）。虽然它总参数量达到了 30B，但每次推理仅激活 3B 参数，这种设计极大地平衡了“脑容量”与“反应速度”。对于开发者来说，它最大的杀手锏在于极高的吞吐量，非常适合作为 AI Agent（智能体）的底层引擎，处理需要频繁调用、对延迟极度敏感的任务。如果你正在构建需要高并发、低延迟的自动化工作流，或者想在有限算力下实现复杂的逻辑推理，这款模型比单纯追求规模的大模型更具性价比。上手门槛低，通过 API 即可快速集成到现有的开发流水线中。

Liquid AI 推出的这款 LFM-2.5-2.6B 是一款主打“小而精”的轻量化推理模型。虽然参数量仅 2.6B，但它在长文本处理和逻辑推理上表现不俗，特别适合作为 AI Agent 工作流中的一个高效环节。对于开发者来说，它非常适合处理数据提取、RAG（检索增强生成）以及需要长上下文理解的任务。它的上手门槛极低，通过 API 即可快速集成，能显著降低复杂任务的推理成本。不过需要注意，由于其定位是轻量级推理，并不建议将其用于复杂的代码编写任务。如果你正在构建需要高响应速度且对长文本敏感的自动化应用，这款模型是一个性价比极高的选择。

Grok-4.6 是 xAI 推出的目前最强旗舰模型，核心优势在于极强的逻辑推理与硬核知识处理能力。不同于侧重于闲聊的对话机器人，它在编程开发、STEM（科学、技术、工程、数学）领域以及复杂知识工作方面展现出了顶尖的性能。对于开发者而言，它不仅能写高质量代码，还能处理长达 50 万 token 的超长上下文，非常适合进行大规模代码库分析或深度学术文献研读。上手门槛主要在于 API 调用，如果你习惯使用 GitHub Copilot 或集成式开发环境，通过 API 将 Grok-4.6 接入工作流，将极大提升解决复杂工程问题的效率。

DeepSeek-V4-Pro-0813 是 DeepSeek 推出的高性能 MoE（混合专家）架构模型，主打大规模复杂任务的处理能力。相比于通用轻量模型，Pro 版本在逻辑推理、复杂指令遵循以及长文本理解上表现得更加稳健，特别适合需要深度思考的场景。对于开发者而言，它支持高达 1M（约 104 万）token 的超长上下文窗口，这意味着你可以直接把整本技术文档或大规模代码库“喂”给它进行分析。虽然它是通过 API 提供服务，但凭借其极高的性价比和对中文语境的深度优化，非常适合作为企业级智能体（Agent）或自动化工作流的核心大脑，上手门槛低，是构建高复杂度 AI 应用的理想选择。

DeepSeek-V4-Pro-0813 是 DeepSeek 推出的新一代大规模混合专家（MoE）架构模型，也是该系列的正式发布版本。相比于之前的版本，它在逻辑推理和复杂指令遵循方面有了显著增强，能够更精准地处理长文本语义。对于开发者而言，这款模型非常适合集成到需要高智能、高稳定性的生产环境应用中，如自动化代码编写、深度文档分析或复杂的逻辑问答场景。它通过 API 提供服务，上手门槛低，能无缝接入现有的 AI 工作流，是追求极致性价比和高性能推理能力的开发者在构建垂直领域应用时的强力备选。