

> **导语**
> 智能体（Agent）时代对底层模型的推理效率与逻辑能力提出了严苛要求。蚂蚁集团近日发布的 Ring-2.5-1T 模型，凭借创新的混合线性架构，在万亿参数规模下实现了性能与吞吐的双重飞跃，为开源社区带来了全新的高性能选项。

## 混合线性架构重定义推理效率

2月13日，蚂蚁集团正式开源全球首个基于混合线性架构的万亿参数思考模型 **Ring-2.5-1T**。该模型基于 Ling2.5 架构打造，通过优化注意力机制，成功解决了传统 Transformer 架构在长文本处理上的效率痛点。

数据表明，在 32K 以上的长文本生成场景中，Ring-2.5-1T 相比上一代模型，访存规模降低了 **10倍以上**，生成吞吐量提升了 **3倍以上**。即便是与仅有 32B 激活参数的 KIMI K2 架构相比，拥有 63B 激活参数的 Ring-2.5-1T 在长序列推理任务中依然保持了显著的吞吐优势，且这种优势随着生成长度的增加而愈发明显。

![Generated Image February 14, 2026 - 11_15AM (3).png](https://static.downly.cn/images/410e6631613a8710db0bc6a17854edcf.png) <center>图源备注：图片由AI生成</center>

## 数学与逻辑能力的开源新高地

在深度思考（Heavy Thinking）能力的构建上，Ring-2.5-1T 展现了强悍的竞技水平。在国际数学奥林匹克竞赛（IMO2025）和中国数学奥林匹克（CMO2025）的自测中，该模型分别取得了 35分 和 105分 的成绩，均达到金牌水平。

此外，在与 DeepSeek-v3.2-Thinking、GPT-5.2-thinking-high 等主流模型的系统对比中，Ring-2.5-1T 在 **IMOAnswerBench** 和 **LiveCodeBench-v6** 等基准测试中表现优异，尤其在复杂推理和跨任务泛化能力上，处于开源领域的领先地位。

## 赋能智能体复杂任务处理

Ring-2.5-1T 的发布不仅是参数量的堆叠，更是为了适配复杂的智能体应用场景。该模型能够轻松适配 Claude Code 等智能体框架及 OpenClaw 个人 AI 助理，支持多步规划与工具调用。

随着 AI 应用从简单的问答向长文档分析、代码库理解及复杂任务规划演进，Ring-2.5-1T 有效缓解了长输出场景下的计算开销问题。目前，其模型权重与推理代码已在 Hugging Face 和 ModelScope 上线，官方 API 服务也将于近期开放。

蚂蚁集团开源万亿参数模型 Ring-2.5-1T 混合架构突破效率瓶颈



> 智谱正式开源新一代基座模型 GLM-5，以 744B 参数规模问鼎开源榜首，在长程任务与系统工程能力上实现对标国际顶尖水平的重大突破，重新定义 AI 工程化边界。

## 性能跃迁 迈向Agentic Engineering时代

智谱今日发布的 GLM-5 不仅仅是一次版本号的更新，更代表着大模型能力范式的转移——从单一的代码生成进化为能够独立处理复杂系统工程的 **“Agentic Engineering”**。

在权威的 Artificial Analysis 全球榜单中，GLM-5 强势位居全球第四，并摘得 **开源模型第一** 的桂冠。其工程化实战能力已逼近 Claude Opus 4.5
*   **编程对齐** 在 `SWE-bench-Verified` (77.8分) 和 `Terminal Bench 2.0` (56.2分) 中均取得开源界最佳成绩，超越了 Google 的 Gemini 3 Pro。
*   **长程智能体** 在 `BrowseComp` 及复杂工具规划测试 `τ²-Bench` 中稳居开源首位，展现了卓越的任务拆解与执行能力。
*   **经营决策** 在模拟商业环境的 `Vending Bench 2` 测试中，其长期规划能力表现出类拔萃。

![Generated Image February 12, 2026 - 11_09AM (1).png](https://static.downly.cn/images/a81c005a2294b9c18c77ea0461a92130.png) <center>图源备注：图片由AI生成</center>

## 技术硬核 稀疏注意力与异步进化

GLM-5 的强大性能源于底层架构的彻底重构：
1.  **参数规模暴力美学** 模型参数量从前代的 355B 暴涨至 **744B**（激活参数 40B），预训练数据量更是提升至 **28.5T** Token。
2.  **Slime 进化框架** 引入全新的异步智能体强化学习算法，使模型能够像人类一样在长程交互中不断自我修正与进化。
3.  **效率优化** 集成 **DeepSeek Sparse Attention**（稀疏注意力）机制，在处理超长文本的同时，大幅降低了推理成本与显存占用。

## 生态闭环 全面适配国产芯

为了打破算力瓶颈，GLM-5 在发布之初便完成了广泛的硬件适配。目前，该模型已实现与 **华为昇腾、摩尔线程、寒武纪、昆仑芯、海光** 等国产主流算力平台的深度兼容。通过底层的算子级优化，确保了在国产芯片集群上的高吞吐与低延迟运行。

与此同时，智谱同步推出了基于 GLM-5 的 **Z Code** 编程工具，支持多智能体并发开发。更令人瞩目是其办公生态的打通——GLM-5 可直接将素材转化为 Office 文档，并作为原生插件嵌入 Excel，将大模型能力无缝注入日常办公流。

目前，GLM-5 模型权重已通过 Hugging Face 和 ModelScope 正式开源，遵循 **MIT License** 协议，允许全球开发者自由商用。

![Generated Image February 12, 2026 - 11_10AM.png](https://static.downly.cn/images/9b5045a381cf3b998937f2ea1040d5d3.png) <center>图源备注：图片由AI生成</center>

智谱GLM-5开源登场 744B参数重塑国产大模型工程化天花板



> 商汤科技发布并开源首个支持动态视觉推理的 Agentic VLM 模型 SenseNova-MARS，凭借独特的“侦探式”逻辑，在多项核心榜单中击败 GPT-5.2，实现 AI 从理解到执行的跨越。

## 性能霸榜 搜索推理能力领跑

2026 年 1 月 30 日，商汤科技宣布开源 SenseNova-MARS 模型（含 8B 和 32B 两个版本）。在最新的行业基准测试中，该模型展现出超越闭源旗舰的竞技状态。

在衡量图文搜索核心能力的 MMSearch 评测中，SenseNova-MARS 以 74.27 分的高分登顶，显著领先于 GPT-5.2 的 66.08 分。同时，在对细节要求极高的 HR-MMSearch 以及 FVQA、InfoSeek 等多个权威视觉理解榜单中，该模型均取得了开源领域的 SOTA（当前最佳）成绩，证明了其在复杂信息检索与理解上的统治力。

![Google_AI_Studio_2026-01-31T03_25_04.987Z.png](https://static.downly.cn/images/f79394f054228cdd6cc24f38b4a16617.png) <center>图源备注：图片由AI生成</center>

## 核心技术 像人类一样使用工具

SenseNova-MARS 的核心突破在于其“自主规划”能力。它打破了传统模型被动问答的模式，能够模拟人类侦探处理案件的逻辑：

*   **微小细节捕捉**：能精准识别图像中占比不到 5% 的关键信息（如赛车服 Logo）。
*   **动态图文联动**：在识别瞬间自动调取全球范围内的相关数据。
*   **多跳深度推理**：面对复杂问题，能自主拆解任务链条，先放大观察、再识别身份、最后检索背景。

## 训练秘籍 双阶段演进策略

为了赋予模型严密的逻辑，商汤团队采用了独特的两阶段训练法。第一阶段利用自动化合成引擎构建“高难度案例库”，夯实多跳搜索逻辑基础；第二阶段引入 BN-GSPO 算法进行强化学习，通过奖励机制平滑波动，使模型在面对未知复杂场景时表现更加稳定。

目前，商汤已将 SenseNova-MARS 的模型权重、代码及数据集在 Hugging Face 全量开源，旨在助力全球开发者共同探索具身智能与自主 Agent 的边界。

商汤开源 SenseNova-MARS 模型 视觉推理与图文搜索能力超越 GPT-5.2



> 智谱 AI 正式开源基于华为昇腾底座训练的新一代图像生成模型 GLM-Image。作为首个在国产芯片上完成全流程训练的 SOTA 多模态模型，它凭借创新的混合架构在汉字生成与复杂指令理解上取得了突破性进展。

## 国产全栈算力的里程碑验证

GLM-Image 的发布不仅仅是一个新模型的诞生，更是国产算力生态的一次重要“阅兵”。该模型完全基于华为昇腾 Atlas 800T A2 设备与昇思 MindSpore 框架完成，涵盖了从数据预处理到大规模训练的每一个环节。

这一成果有力地打破了业界对国产芯片无法训练顶尖（SOTA）模型的质疑，验证了国产软硬件全栈技术在处理大规模、高复杂度 AI 任务时的成熟度与可靠性。对于依赖外部算力的中国 AI 产业而言，这是一剂强有力的强心针。

## 混合架构解决绘画痛点

在技术架构上，GLM-Image 采用了“自回归 + 扩散解码器”的创新混合设计。这种架构巧妙地结合了语言模型对语义的深刻理解与扩散模型的高质量生成能力。

这一融合使得模型在处理“知识密集型”任务时表现尤为出色。它能够精准理解全局指令并刻画局部细节，有效解决了长期困扰 AI 绘画领域的难题，如海报排版中的文字一致性、PPT 制作的结构逻辑以及复杂科普图的精准生成。在多项权威评测榜单中，GLM-Image 均位列开源模型首位，尤其在极具挑战性的汉字生成任务上，展现了断层式的领先优势。

![Google_AI_Studio_2026-01-14T03_34_56.521Z.png](https://static.downly.cn/images/a7e3cc523c2dab2513e9db40bed02ad8.png)<center>图源备注：图片由AI生成</center>

## 高性价比普惠创作者

为了推动技术的规模化应用，GLM-Image 已在 GitHub 和 Hugging Face 全面开源。除了技术上的开放，智谱在商业化路径上也极具诚意。其 API 调用价格低至每张图 0.1 元，且模型原生支持 1024 到 2048 尺寸的任意比例自适应生成。

这种低门槛、高灵活性的策略，旨在让更多的开发者与创作者能够利用高端生成式 AI 技术。智谱方面还透露，未来将推出经过速度优化的新版本，进一步提升商用性价比，加速国产认知型生成技术在各行各业的普及。

![Google_AI_Studio_2026-01-14T03_34_58.861Z.png](https://static.downly.cn/images/165c895108cc44045b1b9a55573032e1.png) <center>图源备注：图片由AI生成</center>

智谱联合华为开源 GLM-Image 国产算力训出 SOTA 级文生图模型



> **导语**
> 全球开源大模型格局迎来新霸主。数据显示，阿里通义千问（Qwen）系列模型累计下载量突破 7 亿次，以断层优势超越 Meta 和 OpenAI 等竞争对手。凭借全栈开源策略与卓越性能，国产大模型正在重塑国际开发者社区的生态版图。

## 开源生态的断层式领先

据全球最大的 AI 开源社区 Hugging Face 发布的最新数据，截至 2026 年 1 月初，阿里巴巴旗下的通义千问（Qwen）大模型已确立了其在全球开源领域的统治地位。7 亿次的累计下载量，不仅是一个庞大的数字，更代表了全球开发者对该系列模型的高度认可。

2025 年 12 月的数据尤为引人注目，该月千问的单月下载量竟超过了全球主流模型榜单中第 2 至第 9 名的总和。这一长串被超越的名单中，包含了 Meta 的 Llama、DeepSeek、OpenAI、Mistral、NVIDIA 等国际巨头，以及智谱、月之暗面、MiniMax 等中国本土创新力量。自 2025 年下半年正式超越 Meta 以来，千问已连续数月霸榜，展现出强者恒强的马太效应。

![Google_AI_Studio_2026-01-10T03_49_47.900Z.png](https://static.downly.cn/images/0979ae494dad86824de9c56903a57ecd.png)
 <center>图源备注：图片由AI生成</center>

## 全栈策略构建技术护城河

千问系列的成功并非偶然，而是源于阿里精准的“全栈开源”战略。从适合端侧部署的轻量级 Qwen3-0.6B，到参数量巨大的 Qwen3-Max，千问构建了覆盖不同算力场景的完整矩阵。此外，在视觉、音频、代码处理等垂直领域的全模态覆盖，使其成为开发者的首选基座。

在性能维度，千问系列已在多项权威评测中证明了其具备与 GPT-5-high 等顶级闭源模型正面抗衡的实力。这种“开源最强”的定位，打破了以往“开源不如闭源”的刻板印象，极大地降低了高性能 AI 的应用门槛。

## 国产模型重塑国际格局

目前，全球范围内已有数以万计的真实商业应用基于千问架构构建。这标志着国产开源大模型不再仅仅是实验室里的科研成果，而是真正成为了支撑全球数字经济的基础设施。

在国际开发者社区中，千问的普及率达到历史性顶峰，这意味着中国科技企业在定义下一代 AI 开发标准方面拥有了更多的话语权。随着生态的进一步繁荣，千问有望继续引领开源模型的演进方向，为全球 AI 普惠化贡献中国方案。

阿里通义千问下载破7亿 强势领跑Hugging Face开源榜单



> 中国大模型领军企业智谱AI今日正式在香港联合交易所主板挂牌，成为继 MiniMax 之后又一家成功上市的国产大模型独角兽。在连年亏损与高强度研发投入的博弈中，资本市场给出的430亿港元估值，折射出对硬科技长跑者的信心与期待。

## 资本市场的理性与狂热

智谱AI（股票代码 02513.HK）的首秀表现平稳。发行价定为116.2港元/股，开盘微涨后回落至117.2港元，市值稳定在430亿港元上方。此次IPO共募集资金约43亿港元（约合5.5亿美元），为这场烧钱的“百模大战”补充了关键弹药。

财务报表揭示了技术型创业公司的典型特征 高增长与高亏损并存。数据显示，智谱AI在2022至2024年间营收年复合增长率（CAGR）超过130%，验证了其API调用与企业定制业务的爆发力。然而，为了维持技术领先，2024年研发费用占营收比重超过80%，导致净亏损持续扩大。资本市场的买单，更多是基于对其技术壁垒的认可，而非当下的盈利能力。

![Google_AI_Studio_2026-01-08T03_06_32.364Z.png](https://static.downly.cn/images/e19ecdbb1d1861013c514dcebd6e253a.png)<center>图源备注：图片由AI生成</center>

## 开源筑基与闭源变现

智谱AI之所以能稳居中国AI第一梯队，得益于其清晰的“开源+闭源”双轮驱动策略。

在开源侧，GLM系列模型在 Hugging Face 和魔搭社区的下载量已突破千万级，事实上成为了国产大模型的重要基座，通过广泛的开发者生态构建了强大的技术护城河。在商业化侧，公司推出了 GLM-Edge 和 GLM-AllSpark 等企业级闭源模型，并通过 Agent 开发框架和 RAG 引擎等完善的工具链，降低了金融、能源等传统行业集成 AI 的门槛。

## 募资剑指下一代多模态技术

本次募集的43亿港元将主要流向四个战略方向，其中最核心的是下一代多模态大模型 **GLM-V** 的研发，旨在提升视觉、语言与推理的融合能力。

此外，智谱AI将重点投入国产算力适配，深化与华为昇腾、寒武纪的合作，构建自主可控的 AI 训练与推理全栈。随着2026年成为中国大模型商业化的分水岭，智谱AI 必须在 OpenAI、Anthropic 等全球巨头的围剿中，利用本土化优势加速在金融风控、智能客服等场景的落地，将技术势能转化为可持续的商业利润。

![Google_AI_Studio_2026-01-08T03_06_34.502Z.png](https://static.downly.cn/images/ef71884bc75d4a204164a51e4ec1f5a5.png) <center>图源备注：图片由AI生成</center>

智谱AI登陆港交所 市值超430亿港元开启国产模型商业化新纪元

 > 在CES 2026上，英伟达展示了从基础模型Cosmos到边缘芯片Jetson Thor的完整机器人技术栈，并宣布与Hugging Face深度合作。英伟达的野心已超越单一硬件供应商，致力于通过统一的开发标准与仿真平台，成为物理AI领域的通用操作系统。

## 定义“物理AI”的底层标准

如果说大模型是AI的“大脑”，那么机器人就是AI的“身体”。英伟达在CES上明确释放了进军“物理AI”（Physical AI）的信号。其目标非常清晰：并非单点赋能，而是通过提供从仿真、训练到推理的全套工具，成为通用机器人的默认平台——正如Android之于智能手机。

这一战略的核心在于降低机器人研发的门槛。英伟达发布了一批开放的机器人基础模型，支持机器人在多任务、多环境中进行自适应规划。这些模型已同步上线Hugging Face，使得开发者可以像调用API一样轻松赋予机器人智能。

![Google_AI_Studio_2026-01-06T03_23_20.331Z.png](https://static.downly.cn/images/9e2f5766e7ec3f9aab9830bdce739f3c.png)![]([object Object]) <center>图源备注：图片由AI生成</center>

## Cosmos模型与虚拟训练场

英伟达构建了一个严密的技术体系：
*   **大脑层**：Cosmos系列模型。其中Cosmos Reason2作为推理型视觉语言模型，让AI能“看懂”物理世界；Isaac GR00T N1.6则负责类人机器人的全身控制。
*   **仿真层**：Isaac Lab-Arena。这是一个开源仿真框架，解决了真实环境测试成本高、风险大的痛点。它整合了Libero、RoboCasa等基准，为行业提供了统一的评测标准。
*   **调度层**：Nvidia OSMO。作为“指挥中心”，它负责串联数据生成到模型训练的完整流程。

## 硬件与生态的双重壁垒

在硬件端，英伟达发布了Blackwell核心的Jetson T4000显卡，专为端侧计算设计，在40-70瓦功耗下提供高达1200万亿次浮点运算算力。这为复杂的机器人实时推理提供了强大的心脏。

生态方面，英伟达选择与Hugging Face强强联手，打通了200万机器人开发者与1300万AI构建者的社区。目前，波士顿动力、卡特彼勒等行业巨头已开始采用这一技术栈。英伟达正在通过“软硬一体+生态开放”的策略，加速将AI从屏幕带入真实的物理世界。

![Google_AI_Studio_2026-01-06T03_30_00.850Z (1).png](https://static.downly.cn/images/53c03093bd9758355b2a031b7f1c4c09.png)
<center>图源备注：图片由AI生成</center>

英伟达发布物理AI全栈方案，欲做机器人时代的Android



> 针对 AI 视频生成中常见的“角色崩坏”与“环境闪烁”痛点，字节跳动联合南洋理工大学推出了 StoryMem 系统。该方案通过模拟人类记忆机制，构建混合记忆库，成功实现了跨场景的长视频内容一致性，且训练成本极低。

## 记忆引擎 混合记忆库锁定视觉核心

在 Sora、Kling 等现有模型中，随着视频时长的增加，多镜头叙事往往会导致角色长相突变或背景细节丢失。StoryMem 的核心突破在于引入了独特的“混合记忆库”（Hybrid Memory Bank）设计。

系统摒弃了将所有历史帧强行塞入模型的低效做法，转而采用双重过滤器机制：首先通过语义分析挑选出最具代表性的视觉核心帧，随后利用质量检测剔除模糊图像。这种选择性记忆策略，既保留了关键叙事线索，又避免了计算成本的指数级增长，从根本上保证了角色形象在不同场景间的稳定性。

![Google_AI_Studio_2026-01-04T06_29_41.534Z.png](https://static.downly.cn/images/02309cc955cff3a08d11a1dc9a082f5a.png)
 <center>图源备注：图片由AI生成</center>

## 算法创新 负时间索引重塑时空逻辑

StoryMem 的另一大创新是引入了 RoPE（旋转位置嵌入）技术，并创造性地赋予记忆帧“负时间索引”。这一操作引导 AI 模型将参考帧识别为“已经发生的过去”，从而在生成新场景时，能够基于“记忆”进行连贯推演，而非凭空捏造。

该系统基于阿里巴巴开源的 Wan2.2-I2V 模型构建，在140亿参数的基础模型上仅增加了约7亿参数的 LoRa 权重，展现了极高的训练效率。在 ST-Bench 基准测试中，StoryMem 的跨场景一致性提升了28.7%，在美学得分与用户偏好上全面超越了 HoloCine 等竞品。目前，该项目已在 Hugging Face 开放权重，为开发者探索长视频叙事提供了强有力的工具。

字节跳动发布 StoryMem：引入记忆机制 解决 AI 视频角色走样难题

Hugging Face推出的开源大模型排行榜单

搜索结果: Hugging Face