大模型汇总
大模型汇总
大模型
LFM2.5^1
2026年1月8号
LFM2.5是Liquid AI在2026年1月发布的新一代小型基础模型家族，专为边缘设备设计，强调高效的多模态处理和离线推理能力。下表概括了其主要模型及特点。
模型名称
| 参数规模 | 核心功能/特点 | 关键性能/应用场景 |
|---|---|---|
| LFM2.5-1.2B-Instruct | 12亿 | 通用文本模型，擅长指令遵循、知识推理与工具调用,在GPQA和MMLU-Pro等基准测试中领先同类1B级模型 |
| LFM2.5-1.2B-JP | 12亿 | 针对日语任务优化,在JMMLU等日语基准测试中表现优异 |
| LFM2.5-VL-1.6B | 16亿 | 视觉语言模型，集成视觉模块以理解图像;支持文档理解、界面读取和多图像推理 |
| LFM2.5-Audio-1.5B | 15亿 | 音频语言模型，支持文本和音频输入输出;处理速度较前代提升8倍，适用于实时语音对话和识别 |
💡 模型核心优势
LFM2.5系列的核心优势体现在针对边缘计算的深度优化：
边缘设备优化：模型采用轻量化设计，支持在智能手机、IoT设备等资源受限的硬件上全离线运行，实现毫秒级响应，并保持低功耗。
技术创新：保留了为CPU和NPU设计的混合LFM2架构，并引入了动态权重更新机制，能根据输入数据实时调整网络参数，提升了对复杂多变数据的适应能力。
训练数据扎实：预训练数据从10万亿Token大幅扩充至28万亿Token，并经过多阶段强化学习训练，显著提升了模型的指令理解、逻辑推理和工具使用能力。
Liquid AI 是一家 美国 人工智能公司，总部位于 马萨诸塞州的剑桥市。该公司是麻省理工学院（MIT）的衍生公司，其技术核心——液态神经网络（LNN）也起源于MIT的计算机科学与人工智能实验室（CSAIL）。
AgentCPM^2
2026年1月12号
AgentCPM 是由清华大学自然语言处理实验室（THUNLP）、中国人民大学、面壁智能以及OpenBMB社区联合开发的一系列开源大语言模型智能体。针对智能体在真实世界应用时所面临的长程性、自主性、泛化性不足的问题，提出一系列模型构建方案。团队近期聚焦于先对智能体的深度研究能力进行全方位构建，发布AgentCPM-Explore深度搜索大语言模型智能体与AgentCPM-Report深度调研大语言模型智能体。
[2026-01-12] 🚀🚀🚀我们开源了基于全量仅4B参数的智能体大模型AgentCPM-Explore及其所有训练、推理、工具沙盒环境代码，成功闯入GAIA、HLE、BrowseComp等8个经典长难智能体任务榜单，同级别SOTA的表现带来更长行为链路、更准确的深度调研能力，由此突破端侧智能体的性能壁垒。
AgentCPM-Explore 拥有 40 亿参数，取得同尺寸模型SOTA、越级赶上甚至超越两倍大参数量（8B级）SOTA模型、比肩部分30B级以上和闭源大模型的效果，实现了更长的行为链路和更准确的深度调研（Deep Research）能力，真正让大模型的长程任务处理能力有望部署于端侧，加速私有化智能助手的普及。AgentCPM-Explore的亮点包括：
- 首个以 4B 全量参数登上 GAIA、HLE、BrowseComp 等 8 个长程复杂智能体任务榜单的端侧智能体模型。
- 可实现超过 100 轮的连续环境交互，支持多源信息交叉验证、搜索策略动态调整、实时核验最新信息，持续深度探索直至任务完成。
- 全流程开源，包括智能体全异步强化学习训练框架AgentRL、工具沙盒统一管理调度平台AgentDock、智能体工具学习能力一键测评平台AgentToLeaP，支持社区共建与自定义扩展。
SongGeneration^3
腾讯与清华大学联合研发的SongGeneration2音乐模型正式发布，通过升级底层架构与训练策略实现三大突破：高音乐性、高歌词准确性及优秀可控能力。该模型在OverallQuality等六大维度全面超越主流开源模型，生成质量媲美商业级水准。SongGeneration2采用混合式LLM-扩散架构，语言模型与扩散模型分工协作，并首创分层表征结构，精准控制音乐细节。开源的4B参数模型支持多语种生成，可在消费级硬件上流畅运行。团队还提供快版本体验，未来将推出更多优化版本及自动化评估框架。
实验数据显示，SongGeneration 2 的整体生成质量已成功对齐商业级能力。在整体质量、旋律、编曲等多个维度上，SongGeneration 2 的表现甚至超过了MiniMax 2.5。
| Model | Max Length | Language | GPU Memory | RTF(H20) | Download Link |
|---|---|---|---|---|---|
| SongGeneration-base | 2m30s | zh | 10G/16G | 0.67 | Huggingface |
| SongGeneration-base-new | 2m30s | zh, en | 10G/16G | 0.67 | Huggingface |
| SongGeneration-base-full | 4m30s | zh, en | 12G/18G | 0.69 | Huggingface |
| SongGeneration-large | 4m30s | zh, en | 22G/28G | 0.82 | Huggingface |
| SongGeneration-v2-large | 4m30s | zh, en, es, ja, etc. | 22G/28G | 0.82 | Huggingface |
| SongGeneration-v2-medium | 4m30s | zh, en, es, ja, etc. | 12G/18G | 0.69 | Coming soon |
| SongGeneration-v2-fast | 4m30s | zh, en, es, ja, etc. | - | - | Coming soon |
💡 Notes:
- GPU Memory — “X / Y” means X: no prompt audio; Y: with prompt audio.
- RTF — Real Time Factor (pure inference, excluding model loading).
UniScientist^5
UniScientist 是开源科研 AI 模型，专为全流程科学研究设计。它通过动态系统模拟科研闭环，能自主提出假设、收集证据、推导验证并迭代结论，在权威榜单上表现超越参数量大 10 倍的闭源模型。 虽然这个模型参数只有 30B，却可以实现 “提出假设 - 收集证据 - 执行可复现的推导 - 迭代验证直至结论成立” 这一环路的闭合。在 FrontierScience-Research 和 ResearchRubrics 等权威科学研究榜单上，它匹敌甚至超越了参数量大一个数量级的顶尖闭源模型。
Kronos：金融市场语言的基础模型^7
Kronos 是一个专为金融市场"语言"——K线序列预训练的 decoder-only 基础模型系列。与通用时间序列预测模型（TSFM）不同，Kronos 专门设计用于处理金融数据独特的高噪声特性。它采用创新的两阶段框架：
专用分词器首先将连续的多维K线数据（OHLCV）量化为分层离散令牌。
随后基于这些令牌预训练大型自回归Transformer，使其成为适用于多种量化任务的统一模型。
使用 Kronos 进行预测非常简单，只需通过 KronosPredictor 类即可完成。该类处理数据预处理、归一化、预测和反归一化等步骤，让你仅用几行代码就能从原始数据获得预测结果。
重要提示：Kronos-small 和 Kronos-base 的 max_context 值为 512。这是模型能处理的最大序列长度。为获得最佳性能，建议输入数据长度（即 lookback）不要超过此限制。KronosPredictor 会自动处理较长上下文的截断。