MobileCLIP2是苹果公司研究人员推出的高效端侧多模态模型，是MobileCLIP的升级版本。在多模态强化训练方面进行了优化，通过在DFN数据集上训练性能更优的CLIP教师模型集成和改进的图文生成器教师模型，进一步提升了模型性能。MobileCLIP2在零样本分类任务上表现出色，例如在ImageNet-1k零样本分类任务中，准确率较MobileCLIP-B提升了2.2%。MobileCLIP2-S4在保持与SigLIP-SO400M/14相当的性能的同时，模型规模更小，推理延迟更低。在多种下游任务中也展现了良好的性能，包括视觉语言模型评估和密集预测任务等。
gpt-realtime 是 OpenAI 推出的先进语音模型，支持直接处理音频，生成自然流畅的语音。模型支持多种语言和风格，能理解非语言线索，如笑声，能在不同语言间切换。模型在指令遵循和功能调用方面表现出色，准确率显著提升。模型支持图像输入，借助 Realtime API，可基于图像内容展开对话。gpt-realtime 适用客服、教育、个人助理等多个领域，能有效提升效率和用户体验。
Youtu-agent 是腾讯优图实验室开源的智能体框架，用在构建和运行自主智能体。框架在 WebWalkerQA 和 GAIA 基准测试中表现出色，准确率分别达到 71.47% 和 72.8%。框架开源友好，不依赖闭源模型，适合多种应用场景。Youtu-agent支持多种任务，如 CSV 分析、文献综述和文件组织等。基于 YAML 的配置和自动化设置，简化智能体的生成和部署。Youtu-agent 支持多种模型 API 和工具集成，具有灵活的架构，可广泛应用在数据分析、文件管理、内容生成等领域。
HunyuanVideo-Foley 是腾讯混元团队开源的视频音效生成模型，支持为无声视频添加精准匹配的音效。模型基于大规模数据集训练，用多模态扩散变换器架构，结合表征对齐损失函数和音频VAE优化技术，能生成高质量、层次丰富的音效。模型适用短视频创作、电影制作、广告创意、游戏开发等场景，能显著提升内容的沉浸感和吸引力，让创作更高效、更专业。
MiniCPM-V 4.5 是面壁智能开源的 8B 参数多模态模型，基于 Qwen3-8B 和 SigLIP2-400M 构建，具备高效处理图像和视频的能力。在视觉 Token 消耗上表现出色，处理 180 万像素图像仅需 640 个视觉 Token，大大减少了计算资源消耗。模型在高刷视频理解方面表现突出，可接收 6 倍视频帧数量，达到 96 倍视觉压缩率，是同类模型的 12-24 倍。MiniCPM-V 4.5 支持多语言交互，可处理 30 多种语言，适用于多语言客服和翻译场景。文档处理能力也非常出色，能处理复杂图表和票据，支持手写体 OCR 和多语言文档解析。模型支持长思考和短思考的可控混合推理，可根据实际需求灵活调整推理速度和深度。
Gemini 2.5 Flash Image（代号nano banana）是谷歌推出的先进图像生成与编辑模型，能保持角色在不同场景中的一致性，支持通过自然语言进行精准图像编辑，如模糊背景、消除污渍等。模型结合 Gemini 的世界知识，能理解手绘图表并执行复杂指令。用户能通过 Google AI Studio 、Gemini API等平台使用模型，模型生成的图片带有隐形数字水印，便于识别 AI 创作内容。Gemini 2.5 Flash Image 为创意设计、广告营销、影视动画等领域带来强大的功能体验。
VibeVoice 是微软推出的新型文本到语音（TTS）模型。模型能生成多达 4 位不同说话者的对话式音频，支持长达 90 分钟的连续语音输出，突破传统 TTS 系统的长度限制。VibeVoice 生成的语音富有表现力，能根据文本内容产生带有情感和语调的语音，让对话更自然生动。VibeVoice支持多种语言的语音合成，能处理跨语言对话场景，生成的语音质量高，接近人类自然语音。VibeVoice 能应用在播客制作、有声读物、虚拟助手、教育和培训、娱乐和游戏等多个领域，为相关场景提供自然流畅的语音交互体验。
Grok 2.5是埃隆·马斯克旗下的xAI公司开源的人工智能模型。拥有2690亿参数，基于混合专家（MoE）架构，具有强大的性能和推理能力。模型在研究生级科学知识（GPQA）、通用知识（MMLU、MMLU-Pro）和数学竞赛（MATH）等测试中表现卓越，接近当前前沿水平。Grok 2.5的文件包含42个权重文件，总容量约500GB，需要至少8个显存超过40GB的GPU才能运行。xAI建议使用SGLang语言和最新版的SGLang推理引擎来运行该模型。在逻辑推理和代码生成方面表现出色，适合用于学术研究和解决复杂问题。