实体

Cursor Research Team 发布的专用 agentic software engineering 模型（2026-03-24）。

DDTree 是 DFlash 的扩展方法，通过构建 Draft Tree 从 block diffusion 的 per-position distributions 中选择多条候选路径，进一步提升 acceptance length。

DFlash 是一种基于 Block Diffusion 的 Speculative Decoding 框架，用轻量级 diffusion model 替代传统 autoregressive drafting，实现并行 token 生成，达到 6x+ 无损加速。

豆包 (Doubao) is ByteDance's AI assistant app, serving hundreds of millions of users in China. It is the deployment platform for the seeduplex full-duplex speech model, where the "打电话" (phone call) feature provides native full-duplex voice interaction. Doubao represents one of the largest-scale deployments of end-to-end ...

CVPR 2025，HKUST/SenseTime 联合发布的端到端 Omni-modal LLM，首个同时在视觉-语言和语音基准上达到 SOTA 的模型。

腾讯团队于 2024 年 11 月发布的语音对话模型，核心创新是保持 LLM 参数冻结的同时实现 speech-to-speech 对话和 duplex 能力。

FunASR is an open-source end-to-end speech recognition toolkit developed by the Speech Lab of DAMO Academy, Alibaba Group. Its mission is to bridge the gap between academic research and industrial applications by providing pre-trained models on large-scale industrial corpora, comprehensive training/finetuning pipelines...

FunAudioLLM is a model family designed to enable natural voice interactions between humans and large language models. Developed by Alibaba Group's Tongyi SpeechTeam (formerly DAMO Speech Lab), it unifies two foundation models — sensevoice for voice understanding and cosyvoice for voice generation — built on top of the ...

Kimi K2 is a large language model developed by Moonshot AI (月之暗面). It serves as the base model for composer2, the Cursor Composer 2 agentic coding model, which is built on a Kimi K2.5 1.04T/32B MoE architecture. Kimi K2 represents Moonshot AI's entry into the competitive LLM landscape.

中科院团队基于 LLaMA-3.1-8B 构建的语音交互模型，发表于 ICLR 2025。

美团 LongCat 团队发布的旗舰级开源 MoE 大语言模型（arXiv 2509.01322，2025-09）。560B 总参数，18.6B~31.3B 动态激活（平均 27B），专为计算效率和 Agentic 能力设计。

美团 LongCat 团队发布的全模态开源模型（arXiv 2511.00279，2025-11）。560B 总参数，27B 激活参数，在开源模型中达到 SOTA 级别的全模态能力，同时保持强单模态性能。

美团 LongCat 团队发布的开源 MoE 推理模型（arXiv 2509.18883，2025-09）。基于 longcat-flash 560B 架构，通过长 CoT 冷启动 + 大规模 RL 两阶段训练，在复杂推理和 Agentic 任务上达到开源 SOTA。

美团 LongCat 团队发布的升级版开源 MoE 推理模型（arXiv 2601.16725，2026-01）。在 longcat-flash-thinking 基础上，通过环境扩展、噪声感知训练和 Heavy Thinking 模式，大幅提升 Agentic 推理能力。

美团 LongCat 团队发布的开源双语图像生成基础模型（arXiv 2512.07584，2025-12）。6B 参数，专攻中英双语文字渲染、照片级真实感和高效部署，性能优于 20B+ 的 MoE 架构模型。

美团 LongCat 团队发布的原生多模态自回归模型（arXiv 2603.27538，2026-03）。核心创新是 DiNA（Discrete Native Autoregression）框架——将所有模态统一离散化为 token，在单一共享离散空间中实现真正的原生多模态建模。

美团 LongCat 团队发布的开源视频生成基础模型（arXiv 2510.22200，2025-10）。13.6B 参数，基于 DiT 框架，支持文生视频、图生视频、视频续写，通过多奖励 RLHF 达到 SOTA 水平。

Mem0（读作 "mem-zero"）是一个为 AI Agent 提供智能长期记忆层的开源框架，

CUHK/JiaLiab 发布的 "Brain-Mouth" 双轨 Omni LLM，专注长音频理解和个性化语音生成。

阿里团队于 2025 年 1 月发布的无缝语音交互多模态大模型。

Kyutai 实验室于 2024 年 9 月发布的首个实时全双工语音对话模型。开创了多流自回归架构范式。

Qwen3 is the latest series of open-weight large language models (LLMs) from the Qwen model family, released under Apache 2.0. It includes both dense and Mixture-of-Experts (MoE) architectures with parameter scales ranging from 0.6B to 235B.

阿里 Qwen 团队 2026-01 发布的多语言 ASR 模型家族，基于 qwen3-omni 的音频理解能力构建。

阿里 Qwen 团队 2025-09 发布的统一多模态模型，首次实现 text/image/audio/video 全模态 SOTA 且无单模态退化。

阿里 Qwen 团队 2026-01 发布的多语言、可控、流式 TTS 模型家族。基于 Qwen3 LLM 系列。

Qwen3.5 是阿里巴巴通义千问团队发布的下一代基础模型系列。首个开源权重模型为 Qwen3.5-397B-A17B。

Qwen Team 发布的最新 Omni 模型（arxiv 2604.15804，2026-04-17/21），Qwen-Omni 家族的重大演进。相比 qwen3-omni，在规模、对齐、实时交互上有全面升级。

Tsinghua 提出的 Codec-free 全双工语音理解与生成模型。

Seeduplex 的前代模型，即豆包 App 此前使用的端到端语音模型。采用半双工（half-duplex）范式。

字节跳动 Seed 团队于 2024 年 6 月发布的大规模自回归 TTS 模型家族。

字节跳动 Seed 团队于 2026 年 4 月 9 日发布的原生全双工端到端语音大模型，已在中国大陆豆包 App 全量上线，服务上亿用户。

Speech-Omni-Lite is a portable speech interface designed for vision-language models (VLMs), enabling lightweight speech interaction capabilities. It is referenced in the context of omni-modal-llm as part of the broader ecosystem of multimodal speech-language models. The approach focuses on efficiency and portability, m...

ICT/CAS 发布的 text-centric 多模态对齐框架，支持同时视觉理解和语音交互。

字节跳动旗下 AI 研究团队，聚焦大模型基础研究与应用落地。