Z-Image是一个具有60亿参数的高效图像生成基础模型，通过系统优化，在照片级真实感图像生成和中英双语文本渲染方面表现出色，其性能可与顶级商业模型相媲美。它包含三个主要变体：Z-Image-Turbo、Z-Image-Base和Z-Image-Edit，分别专注于快速推理、基础开发和图像编辑。

MiMo-Embodied是由小米具身智能团队开发的开创性跨领域具身基础模型，是首个成功整合自动驾驶和具身智能两大领域的开源视觉语言模型（VLM）。该模型在环境感知、任务规划、空间理解等多方面展现出卓越性能，覆盖了17个具身智能基准测试和12个自动驾驶基准测试，显著超越了现有的开源、闭源以及领域专用模型。

MiMo-Embodied是由小米具身智能团队开发的开创性跨领域具身基础模型，是首个成功整合自动驾驶和具身智能两大领域的开源视觉语言模型（VLM）。该模型在环境感知、任务规划、空间理解等多方面展现出卓越性能，覆盖了17个具身智能基准测试和12个自动驾驶基准测试，显著超越了现有的开源、闭源以及领域专用模型。

MiMo-Embodied是由小米具身智能团队开发的开创性跨领域具身基础模型，是首个成功整合自动驾驶和具身智能两大领域的开源视觉语言模型（VLM）。该模型在环境感知、任务规划、空间理解等多方面展现出卓越性能，覆盖了17个具身智能基准测试和12个自动驾驶基准测试，显著超越了现有的开源、闭源以及领域专用模型。

HunyuanOCR 是腾讯混元团队推出的一款开源端到端OCR视觉语言模型，专为高效处理复杂文档和多语言文本设计。它依托混元原生多模态架构，仅用1B参数量就实现了多项OCR任务的SOTA性能。HunyuanOCR 支持文本检测与识别、复杂文档解析、开放字段信息抽取、视频字幕抽取以及图像文本翻译等功能，覆盖了经典OCR任务的全场景应用。其轻量化设计和强大的多语言支持能力，使其在实际应用中表现出色，广

Fara-7B 是微软推出的一款专注于计算机使用的代理型小语言模型（SLM），拥有 70 亿参数。它通过视觉感知网页内容，直接操作鼠标、键盘等界面元素来帮助用户完成任务。该模型基于 Qwen2.5-VL-7B 构建，采用“观察 - 思考 - 行动”的循环方式执行任务。其训练数据由微软开发的合成数据生成管道 FaraGen 生成，包含 145K 条轨迹，覆盖多种任务片段。

Fara-7B 是微软推出的一款专注于计算机使用的代理型小语言模型（SLM），拥有 70 亿参数。它通过视觉感知网页内容，直接操作鼠标、键盘等界面元素来帮助用户完成任务。该模型基于 Qwen2.5-VL-7B 构建，采用“观察 - 思考 - 行动”的循环方式执行任务。其训练数据由微软开发的合成数据生成管道 FaraGen 生成，包含 145K 条轨迹，覆盖多种任务片段。

Olmo 3是一系列开源大型语言模型，由AI2开发，旨在通过提供完整的模型开发流程，推动AI的可解释性、协作创新和负责任的发展。该系列模型包括多个版本，如Olmo 3-Base（基础模型，7B和32B参数）、Olmo 3-Think（推理模型）、Olmo 3-Instruct（对话模型）以及Olmo 3-RL Zero（强化学习路径）。Olmo 3-Base在编程、阅读理解和数学解题等方面表现出色

HunyuanVideo-1.5 是腾讯混元团队开源的轻量级视频生成模型，参数规模为 8.3B。该模型基于 Diffusion Transformer 架构，支持通过文字描述或图片生成 5-10 秒的高清视频，具备强大的指令理解能力，能精准实现多样化场景生成，包括写实、动画等多种风格。其创新采用 SSTA 稀疏注意力机制，显著提升推理效率，可在 14G 显存的消费级显卡上流畅运行，降低了使用门槛。

Segment Anything Model 3（SAM 3）是由 Meta 开发的最新一代视觉分割模型，能够基于文本、图像示例或视觉提示（如点、框）在图像和视频中检测、分割和跟踪对象。与前代模型相比，SAM 3 引入了可提示概念分割（Promptable Concept Segmentation, PCS）功能，能够处理开放词汇的概念提示，一次性返回所有匹配对象实例的分割掩码和唯一身份标识。该模