打开任何一家 AI 媒体的首页，你看到的都是 GPT、Claude、Grok、Gemini 的新闻，当然还有 DeepSeek Kimi 和 Qwen 。这些名字占据了绝大多数的讨论，剩下的份额里，还有一批模型在做着没人围观的事。

这篇文章想聊的就是那些并没有真正“大火、特火”的模型。腾讯混元的 Hy3、智谱的 GLM、新加坡 Sapiens 的 Agnes、德国黑森林实验室的 FLUX、英伟达的 Nemotron——它们没有常年霸榜热搜，但了解这些模型，能够让我们显得更加小众和特别（？）。

Content

文章排除了 GPT、Claude、Grok、Gemini、Kimi、DeepSeek 这些公认的主流模型，而是写一些大部分人叫不上名字的选手。

分类按两级：

1. 第一级：按地域——国内 / 国外
2. 第二级：按用途——文本与代码、多模态、生图生视频、生音频、3D 建模

每个模型尽量给出发布时间、参数规模、开源情况、价格和代表性成绩，方便横向比较。数据以 2026 年 8 月初为准，来源见文末。

---

国内

国内的"角落"其实并不小。过去一年，一批模型选择了一条和 GPT/Claude 完全不同的路：开源、低价、或者专攻某一类生成任务。它们没有铺天盖地的广告，但在开发者社区和具体行业里，已经长成了绕不开的名字。

一、文本与代码：三家开源，三种取舍

GLM-5.2：把"能商用"做到了极致

智谱 AI 的 GLM-5.2 在 2026 年 6 月 13 日发布，6 月 16 日开源。它最出圈的一次亮相不是发布会，而是一场安全事故：7 月中旬，一个 OpenAI 的测试模型入侵了 Hugging Face 后台，安全团队需要分析 1.7 万条攻击日志，却因为商业模型自带的安全护栏无法提交恶意载荷。最后是 Hugging Face 自己部署 GLM-5.2（MIT 协议、1M 上下文、无护栏），几小时就啃完了日志。

这事传开后，GLM-5.2 的规格被翻了个底朝天：

项目	数字
总参数	7530 亿（MoE）
激活参数	约 400 亿
上下文	100 万 token
开源协议	MIT
输入/输出价格	4.40 每百万 token
发布时间	2026-06-13（6-16 开源）

它的技术底子有几个拿得出手的东西：自研的 IndexShare 让相邻 4 层共用注意力索引，把 100 万上下文下的单 token 计算量降了约 2.9 倍——这是它敢把 1M 上下文做成标配的底气；MTP（多 token 预测）把推理时每步接受长度最高提升 20%。

成绩单方面：AIME 2026 数学竞赛 99.2%，是所有主流模型里最高的；SWE-bench Pro（真实 GitHub 仓库修 bug）62.1%，超过 GPT-5.5 的 58.6%；FrontierSWE（数小时长任务）74.4%，和 Claude Opus 4.8 的 75.1% 只差不到一个点。AA（Artificial Analysis）智能指数 51 分，是 MIT 协议下分数最高的开源模型。

价格上，输出 每百万，只有（30）的七分之一左右。有个细节值得一提：GLM-5.2 是纯文本模型，不支持图片输入——智谱把宝全押在了文本和代码上，这个取舍在后面的多模态章节会对照着看。

Hy3：腾讯的"小钢炮"式效率实验

腾讯混元的 Hy3 在 2026 年 7 月 6 日发布，和 GLM-5.2 走了完全不同的路线。GLM 追求"大而全"，Hy3 追求"小而快"：

项目	数字
总参数	2950 亿（MoE）
激活参数	210 亿
专家数	192 路由专家 + 1 共享，每次激活 8 个
上下文	256K token
开源协议	Apache 2.0
输入/输出价格	¥1 / ¥4 每百万 token

Hy3 的技术亮点在于效率设计：用 Sigmoid 路由器取代传统 MoE 的 Softmax，专家各自独立打分、不再零和竞争，配合可学习的专家偏置校正，不需要辅助损失函数就能维持负载均衡；80 层深网配 QK-Norm 稳住训练；MTP 层用 3.8B 小模型边写边预测，腾讯报告在自家产品里端到端延迟降了 47%。

成绩上它最突出的是检索和 Agent 任务：BrowseComp（网页搜索类任务）84.2，和 GPT-5.5 的 84.4 只差 0.2；DeepSWE（防污染真实代码任务）28.0，是 DeepSeek V4 Pro 的 3.5 倍；USAMO 2026 奥赛数学 72.0。幻觉率从预览版的 12.5% 压到 5.4%。

价格是它的杀手锏：输入约 1 元、输出约 4 元每百万 token，输出成本只有 GPT-5.5 的五十分之一。加上 OpenCode 免费区接入，它是 2026 年"免费蹭算力"清单上的常客。

MiniMax M3：三项全能的第一名

MiniMax（稀宇科技）的 M3 在 6 月 1 日发布，6 月 15 日开源权重。它瞄准的是"既要又要"：

项目	数字
总参数	4280 亿（MoE）
激活参数	230 亿
上下文	最高 1M token（API 保障 512K）
开源协议	MIT 代码 / MiniMax-Modified MIT 权重（商用需授权）
输入/输出价格	¥4.2 / ¥16.8 每百万 token（≤512K）

M3 的独门技术是自研的 MSA（MiniMax Sparse Attention）稀疏注意力：在 GQA 骨干上按块选择真实 KV，单 token 计算量降到原来的 1/20，1M 上下文下的解码速度比上代快 15.6 倍。它是首个从预训练第零步就做多模态混合训练的开源模型，支持图片、视频输入，还能操作电脑桌面。

成绩：SWE-bench Pro 59.0%（超过 GPT-5.5 的 58.6%）、BrowseComp 83.5（超过 Opus 4.7 的 79.3）、AA 智能指数开源模型第一。它还是"目前全球唯一在开源条件下同时具备前沿编码 + 1M 上下文 + 原生多模态"的模型——后两项能力在下一节展开。

三家放在一起看很有意思：GLM 选 MIT 全开放、Hy3 选极致低价、M3 选能力组合。2026 年的国内开源文本模型，已经不是"谁能打"的问题，而是"你愿意为哪种取舍付钱"的问题。

二、多模态：看得懂图的模型，两条路线

路线之争：后装 vs 原生

多模态理解（让模型"看懂"图片、视频）在国内有两条技术路线。

一条是"后装"：先训练一个纯文本大模型，再在它外面挂一个视觉编码器，把图片翻译成文本模型能懂的向量。大多数厂商这么做，因为省钱、迭代快。代价是文本和视觉的语义空间是两套系统，模型对"图里有什么"和"图里在发生什么"的理解是割裂的。

另一条是"原生"：从预训练第零步就把文本和图片数据混在一起训，让两种模态的语义空间从一开始就是同一套。MiniMax M3 走的就是这条路——它把预训练数据扩到百 T 量级（上一代 M2.x 只有 29.2T token），用大量"文本+图像交错排列"的数据训练，让文本语义和视觉语义深度对齐。

原生多模态的实际能力

Minimax M3 的多模态不是"能看图"这么简单：

• 看图说话：理解图表、表格、截图，OmniDocBench 文档理解超过 Gemini 3.1 Pro
• 看视频理解：能读视频内容做长视频理解，1M 上下文正好装得下一整段视频的逐帧信息
• 桌面操作（Computer Use）：能看懂电脑屏幕并操作界面，比如"打开本地 ERP 客户端，按这份 Excel 批量录入发票"

最后这项是原生多模态的价值证明：操作桌面需要把"看到屏幕"和"理解指令"当成同一件事来处理，后装模型做起来隔着一层翻译，M3 是直接在同一套语义空间里完成的。MiniMax 官方演示里，M3 被要求独立复现一篇 ICLR 2025 论文，它连续跑了近 12 小时，自主产出 18 次 commit 和 23 张实验图表——期间要反复看懂论文里的公式图表，这正是多模态+长上下文+代码能力的组合拳。

反例：GLM-5.2 为什么坚持纯文本

对照着看智谱的选择更有意思。GLM-5.2 明确不做图片输入，理由是"既然做不到多模态全覆盖，不如在文本和代码上做到极致"。这个取舍在 2026 年看来是理性的：AIME 99.2%、SWE-bench Pro 62.1% 的成绩说明纯文本路线还没到天花板，而多模态的竞争正被 Gemini、GPT 这些巨头用更贵的算力卷着。

但代价也明显：金融研报里的图表、医疗影像、界面截图这些场景，GLM 用不上。智谱的算盘是——需要看图的人自然有别的选择，而需要最强文本能力的人，我的 MIT 协议和 $1.40 输入价没有对手。

这一节没有收录太多名字，因为国内真正把多模态理解做成本事的开源模型确实屈指可数。M3 是唯一一个"原生多模态+开源"的组合，这个身位在 2026 年 8 月还没有第二家拿到。

三、生图生视频：国内是主力，而且并不小众

如果说文本模型国内还在追赶，视频生成就是另一回事了——2026 年 8 月，全球视频生成的头部玩家有一半在中国。Sora 2 已于 4 月底关停，OpenAI 的"模型演示即产品"时代结束，接棒的正是下面这几家。

MiniMax H3：首个登顶视频盲测榜的开源模型

MiniMax 在 7 月 31 日发布 H3，8 月 3 日就开源了 768P 权重。它是目前唯一进入 Artificial Analysis 视频盲测前三的开源模型，成绩是：视频编辑第 1、文生视频第 2、图生视频第 3，压过了 Veo 3.1 和 FLUX 3。

项目	数字
单次生成	15 秒
分辨率	原生 2K
原生音频	支持（2K 音视频一步生成）
开源	768P 权重已开源（2026-08-03）
特点	指令遵循强，适合剪辑/重拍/续写

H3 的定位是"干活模型"：别人卷单条视频的惊艳，它卷"你能不能改得动"。视频编辑第一名意味着你能把一段拍好的素材丢给它，让它按文字指令重拍、换背景、改动作——这是影视和广告行业真正愿意付钱的能力。开源后社区已经用它跑出了不少工作流，价格上则延续了 MiniMax"比闭源便宜一个数量级"的传统。

可灵 Kling：快手憋了三年的王炸

快手 2024 年发布可灵，2026 年迭代到 3.0 系列，是目前全球用户规模最大的 AI 视频工具之一，全球用户超 600 万。7 月初传出它即将完成 30 亿美元融资、计划 12 个月内赴港 IPO——一个视频模型项目估值到这个体量，说明资本把它当成了快手的新增长曲线。

可灵的技术路线和 H3 不同，它主打"全能+可控"：

• 原生 4K：3.0 系列直接输出 4K，Turbo 版单价约 ¥0.8-1/秒
• 音视频同步生成：2.6 版本开始支持一次生成画面+旁白+音效，省掉后期配音
• 最长 3 分钟：单次生成时长业内第一梯队，配合剪映生态一键续生
• Elements 系统：最多 4 张参考图锁定角色，跨片段保持一致

可灵和剪映的深度绑定是它最大的优势——国内短视频创作者的工作流里，剪映是事实标准，可灵直接在剪映里生成、续生、剪辑，这一步的便利性，海外工具做不到。

Seedance 2.5：字节的"闷声发大财"

字节的 Seedance 系列一直是"能力很强但宣传很少"的典型。2.0 发布时主打物理真实性和角色一致性，2.5 在 7 月 31 日发布（和 MiniMax H3 同一天），把规格拉到了 30 秒、4K、50 张参考图——单次生成时长和参考图数量都是当时的行业上限。

Seedance 背靠火山引擎，走的是"API 批发"路线：不做自己的 App，而是让剪映、即梦、以及各种第三方工具调用它。这种打法让它在普通用户里知名度不高，但在 B 端，它和可灵、H3 一起构成了国产视频模型的铁三角。

生图：可图与"照片级"内卷

生图方面，国内厂商大多把能力藏在产品里（即梦、美图），独立开源的生图模型声音不大。快手有可图（Kolors），智谱有 CogView 系列，但要说和 FLUX、Midjourney 正面竞争，还差一口气。这个细分赛道的国产模型，目前更多是"够用"而不是"领跑"。

四、生音频：被低估的语音与音乐

音频生成在国内的讨论度比视频低得多，但商业变现能力一点不差——语音合成（TTS）、声音克隆、音乐生成，每一个都是能直接收钱的方向。这个赛道的国产玩家，大多把模型藏在产品后面，API 也低调。

MiniMax：语音+音乐双线布局

MiniMax 在音频上是国内布局最完整的一家。官网产品线里，语音和音乐是两个独立的产品线：

• MiniMax Speech 2.8：语音合成模型，主打超拟人音色和情感表达，支持声音克隆。它是 MiniMax 对话产品"星野"的语音底座——星野里的虚拟角色之所以能开口说话、带情绪，靠的就是它。2.8 版本是 2026 年的迭代，具体参数官方未全部公开，但角色扮演场景的语音自然度在同类产品里是第一梯队。
• MiniMax Music 3.0：音乐生成模型，支持文生曲、人声演唱、多风格编曲。MiniMax 走的是"音乐工作流"路线：生成旋律、配和弦、出人声，一步到位。3.0 版本 2026 年上线，官方定价和 API 已开放。

MiniMax 音频模型的特点和它的视频模型一致——不是实验室炫技，而是为产品服务。星野的语音、海螺的配音，都是自己家的模型在撑，这种"自产自用"模式让它的音频迭代特别快。

字节 Seed Audio 1.0：端到端音频生成

字节在 2026 年 7 月发布了 Seed Audio 1.0，走的是端到端路线：从文本直接生成音频，中间不经过"文本→音素→声学特征"的传统流水线。这类模型的优势是自然度高、能学说话人的语气和节奏，劣势是训练成本高、可控性稍差。

Seed Audio 的定位延续了字节"平台化"的思路——给火山引擎的语音产品做底座，供各种 Agent 和客服产品调用。国内语音赛道的 B 端市场，字节、MiniMax、讯飞三家在抢，前两家靠模型能力，讯飞靠渠道积累。

一个小众到没人在意的角落：开源 TTS

如果说上面两家是"藏在产品里"，那开源 TTS 就是彻底的角落。国内团队开源的项目里，比较活跃的是 IndexTTS 等一批基于 VITS/扩散模型的中文 TTS 项目，质量参差不齐，但胜在免费、可商用、能自己微调。它们撑起了国内大量中小开发者的配音需求——短视频配音、有声书、客服机器人。没有统一的"旗舰开源模型"站出来，是因为语音的商业价值太高，各家都愿意做闭源 API。

音频这条线总结起来很直接：国内不缺好模型，缺的是把它们从产品里拆出来单独打的勇气。MiniMax 是为数不多两条腿走路（语音+音乐都独立成产品线）的厂商。

五、3D 建模：全球最卷的赛道，中国公司占了一半

3D 生成是整篇文章里最"无人问津"的角落——没有热搜、没有 C 端爆款，但它是游戏、电商、工业设计、具身智能的地基。全球 3D 生成式 AI 市场规模预计 2032 年达 75.9 亿美元，而这条赛道的话语权，2026 年已经明显向中国倾斜。

影眸科技 Rodin：从论文到产品的典型样本

影眸科技是这条赛道最亮眼的名字。团队约 60 人，平均年龄不到 25 岁，核心成员全来自上海科技大学。2026 年 6 月 23 日，它发布了 Rodin Gen-2.5，同时宣布完成数亿元新一轮融资。

项目	数字
模型	Hyper3D Rodin Gen-2.5
生成能力	千万面级（全球首个）
速度	最快 4 秒生成百万面模型
贴图	12K 原生 3D 贴图（全球首个）
思考深度	五档可调（4 秒到 80 秒）
客户	字节跳动、Unity、Figma、Canva 等
海外收入占比	约 80%

Rodin 的技术路线值得单独说。绝大多数 3D 生成公司走"2D 升维"路线——先生成物体的多视角图片，再重建出 3D 模型。这条路成本低，但有不可逆的信息丢失，模型只能看不能用。影眸 2024 年提出的 CLAY 框架反着来：直接用 3D 数据从头训练原生 3D 模型，做出来的资产是"生产就绪"的，可以直接进游戏引擎、3D 打印、工业设计流程。

2024 年 CLAY 提名 SIGGRAPH 最佳论文，2025 年它的 CAST 论文（单图生成完整 3D 场景）拿下 SIGGRAPH 最佳论文奖——同期获此奖项的商业公司只有谷歌、Meta 和影眸三家。它生成的作品甚至被黄仁勋在 CES 2026 上用来展示英伟达的机器人业务。

Gen-2.5 还把大语言模型的"先思考再生成"搬进了 3D：用户可选五档思考深度，从 4 秒的快速草稿到 80 秒的高精度资产，Extreme-High 档能还原皮肤毛孔这类微结构。配套的 12K 原生贴图模型解决了传统投影法贴图的颜色断层问题，连 Logo、文字都能清晰保留。上线首月，订阅用户和 ARR 环比增速都超过 400%。

VAST Tripo：文本直达 3D 的老牌玩家

VAST 的 Tripo 是 3D 生成里"上手最简单"的：输入一段文字或一张图，几秒内生成可用于生产的 3D 模型，支持导出 GLB/STL/OBJ，直接进游戏引擎或 3D 打印。它不搞高精度工业级，主打"人人可用"，免费试用、无需注册。2026 年 6 月 VAST 官宣新一轮融资，说明资本市场认可它的路线。

Meshy：把 Agent 带进 3D

Meshy 在 2026 年 6 月宣布发布了"全球首款 3D AI Agent"——不再是一次性生成一个模型，而是让 AI 理解整个 3D 创作流程：生成、修改、拆件、贴图，通过对话一步步完成。这个方向如果跑通，3D 建模会从"抽卡"变成"和设计师对话"。

大厂的底牌

3D 赛道的热闹还在于大厂全部入场：字节有 Seed3D 2.0、腾讯有混元3D 2.0、阿里有 ABot-Earth 0.5。大厂的优势是算力和渠道，创业公司的优势是论文级的技术密度。2026 年的格局是：影眸在工业级精度上领先，Tripo 在入门门槛上领先，Meshy 在 Agent 化上领先，大厂在后面虎视眈眈。

3D 这条赛道还藏着一个更大的叙事：世界模型。影眸的判断是，未来的世界模型需要"3D 生成与视频生成混合"——视频负责动态，3D 负责可仿真的物理世界。具身智能公司已经在用影眸的资产做训练数据和仿真环境。也就是说，现在这些"没人看"的 3D 模型，可能是下一轮机器人革命的训练材料。

---

第二部分 国外

国外的小众模型分布更分散：芯片厂商、欧洲创业公司、研究机构各占一块。它们和国内选手的区别在于——国内卷应用，国外卷架构和生态。下面按同样的分类逐一拆开。

一、文本与代码：芯片巨头下场做模型

Nemotron 3：英伟达的开源全家桶

英伟达做模型这件事，最初被看作"显卡厂商的配套产品"，但 Nemotron 3 系列已经证明它不是玩票。从 2025 年 12 月到 2026 年，英伟达按"Nano—Super—Ultra"三档节奏密集发布：

型号	参数（总/激活）	发布时间	定位
Nemotron 3 Nano	30B / 3B	2025-12-15	端侧推理
Nemotron 3 Super	120B / 12B	2026-03-11	数据中心主力
Nemotron 3 Ultra	约 500B	2026 上半年	旗舰

三个型号全部开源（NVIDIA Open Model License，商业可用），全部支持 1M 上下文。Nano 发布时以 3B 激活参数打出了比 Qwen3-30B-A3B 快 3.3 倍、比 GPT-OSS-20B 快 2.2 倍的推理吞吐；Super 的 PinchBench（精简对话测试）85.6%，是当时开源模型第一。

Nemotron 3 的技术底子很有英伟达特色——为自家硬件深度优化：

• LatentMoE 架构：混合 Mamba-Transformer 的 MoE，用线性注意力降低长上下文成本，配合英伟达的 NVFP4 低精度训练，推理时可以直接吃满 GPU 的算力
• Lion 合成数据：训练数据大量由英伟达自己的模型生成再清洗，绕开了"高质量数据枯竭"的争论
• NeMo Gym：英伟达把训练工具链也开源了，等于"模型+工具链+硬件"打包给开发者

Nemotron 3 累计下载量已超 5000 万。它的逻辑和谷歌、OpenAI 完全不同：不靠卖模型赚钱，靠"让全世界的模型都跑在英伟达显卡上"。模型越强、越开源，买 GPU 的人就越多——这是英伟达式的一鱼多吃。

Mistral 3：欧洲唯一的开源头部

法国公司 Mistral 是欧洲大模型最后的门面。2025 年 12 月，它用一周时间连发 8 个模型，宣布全面进入 Mistral 3 时代：

型号	参数	定位	开源协议
Mistral Large 3	675B / 41B 激活	多模态旗舰	Apache 2.0
Ministral 3	14B / 8B / 3B	端侧三兄弟	Apache 2.0
Devstral 2	专业代码模型	编程智能体	Apache 2.0

Large 3 是重点：675B 总参数的 MoE，256K 上下文，视觉+文本双模态，Apache 2.0 全开放。它的定位很聪明——不和 GPT 抢"通用全能王"的头衔，主打欧洲企业的私有化部署：欧盟企业不想把数据交给美国云，Mistral 给了一个合法合规、可自托管的选项。AlphaCode 2 编程任务上，Large 3 是首个排名超 GPT-5.5 的 Apache 2.0 模型。

后续的节奏也很有意思：2026 年 2 月开源 Voxtral（语音模型，70B），6 月发布 OCR 4（支持 170 种语言的文档理解，OmniDocBench 93.07 分），8 月推出 Shieldstral（3B 内容审核模型）。Mistral 的算盘是"全模态 + 全开源 + 欧盟合规"，在文本、语音、OCR、审核这些企业刚需上逐个补齐。

一个共同点

Nemotron 和 Mistral 都选择了"开源 + 垂直场景"路线，而不是像美国巨头那样"闭源 + 通用"。原因不难理解：正面硬刚 GPT 的成本太高，不如把特定场景做到极致，让企业有理由换掉闭源 API。2026 年这个策略被验证有效——两家都拿到了稳定的企业客户群。

二、多模态：全模态的两种打法

多模态理解在国外小众模型里，有两种截然不同的打法：英伟达把多模态塞进小模型，新加坡的 Agnes 用免费策略抢 C 端用户。

Nemotron 3 Nano Omni：把"全模态"装进 30B

2026 年 4 月 28 日，英伟达发布 Nemotron 3 Nano Omni——名字里的 Omni 就是"全模态"的意思：一个模型同时处理文本、图像、音频、视频和文档，参数只有 30B（激活 3B），上下文 256K，完全开源。

这个模型的价值在于"端侧全能"：传统做法是让一个文本模型配一个视觉模型、一个语音模型，拼成一堆服务；Nano Omni 是一个模型搞定所有输入，无需拼接。英伟达官方数据是推理吞吐量比同类组合方案快 9 倍——因为它不用在多个模型之间转发数据。

落地场景很明确：手机、PC、机器人、车载设备。这些设备的算力有限，一个 30B 的模型刚好装得下。英伟达甚至在发布时捆绑了它的整个"AI PC 生态"，让开发者直接在这套模型上做端侧 Agent。

Agnes 2.5：新加坡黑马，免费的全模态模型

Agnes 是 2026 年最意外的名字之一。来自新加坡的 Sapiens AI（核心团队是华人，CEO Bruce Yang 是新加坡国立大学博士），2026 年 7 月 13 日发布 Agnes 2.5 Flash——一个文本、图像、视频全自研的模型系列，而且文本模型完全免费。

项目	数字
发布时间	2026-07-13（Agnes 2.5 Flash）
能力	文本（旗舰）+ 图像（2.1-flash）+ 视频（v2.0）全自研
免费策略	文本模型不限量免费
用户规模	600 万+
周处理量	5.41 万亿 tokens（2026 年 6 月）
融资	A 轮 1000 万美元（2026 年 2 月），累计约 2000 万

Agnes 的技术路线值得单独拎出来说：它从第一天就坚持"全自研"，不调用任何外部模型拼装。文本、图像、视频三套模型全部自己训练，用自研的 DSP（动态序列策略优化）强化学习框架对齐。这个选择烧钱，但换来的是"三位一体"的一致性——文本描述、图像生成、视频生成用的是同一套语义理解，这在做 Agent 产品时特别值钱。

商业模式是它的最大争议点：文本全免费，靠什么赚钱？答案还没完全揭晓，目前能看到的是：免费文本模型积累用户，图像/视频模型按量收费（视频约 $0.005/秒），后期可能转向企业 API。600 万用户、每周 5.41 万亿 tokens 的处理量，说明免费策略确实把量做起来了——它现在已经是"免费最强文本模型"的代名词，OpenCode 等工具直接把它列为免费区选项。

两家放在一起看：英伟达证明"小模型也能全模态"，Agnes 证明"全自研 + 免费也能活下来"。多模态这个赛道的竞争，2026 年已经不只是巨头之间的游戏了。

三、生图生视频：开源之王与老牌劲旅

国外视频生成赛道，聚光灯外站着几个不该被忘记的名字。尤其是 FLUX 3——它是 2026 年唯一在视频领域对闭源巨头形成实质威胁的开源模型。

FLUX 3：黑森林实验室的"开源王炸"

德国黑森林实验室（Black Forest Labs，创始人团队就是 Stable Diffusion 的原班人马）在 2026 年 7 月 23 日发布 FLUX 3，8 月 4 日开放视频生成 API。它在视频领域的意义，相当于当年 Stable Diffusion 在图像领域：开源阵营第一次拿出了可以和 Veo、Sora 掰手腕的视频模型。

项目	数字
单次生成	20 秒
分辨率	720P / 1080P（API）
原生音频	支持
价格	标准 秒、精细0.43/秒、草稿 $0.17/秒
开源	权重开源（非商用协议，2026-08-04）

FLUX 3 的技术核心是 Self-Flow 训练策略：把视频生成拆成"先出大致轮廓、再逐步细化"的多步自蒸馏过程，解决了扩散模型在视频上"训练贵、生成慢"的老问题。配套的 FLUX-mimic 功能支持从参考视频提取风格和动作——这是影视级工作流的关键能力，此前只有闭源工具提供。

它还有个别人没有的便宜：草稿模式价格只有精细模式的 1/3，用极低成本做创意探索，满意后再出精细版。这个定价策略直接砍向了广告、短视频行业的中小工作室——以前这类客户根本用不起高端视频模型。

Runway Gen-4.5：老牌玩家的导演级工具

Runway 是视频生成的老牌玩家，2026 年升级到 Gen-4.5，主打"导演模式"：用户用自然语言描述运镜、构图、景别，模型按分镜意图生成，而不是随机"变魔术"。运动笔刷（Motion Brush）可以单独控制画面里某个元素的运动轨迹——比如让风吹动旗帜但不移动背景。

Gen-4.5 的单次生成是 10 秒基础片段，但支持"扩展生成"到 40 秒以上，并且跨片段保持角色一致性。定价 $12-95/月，面向专业创作者。Runway 的定位很清晰：不抢普通用户，做影视级工具。

Luma Ray 3：把"控制权"还给创作者

Luma 的 Ray 3（2026 年升级到 Ray 3.2）主打关键帧控制：用户可以指定首尾帧，让模型补全中间的运动——这是动画行业的标准工作流。Ray 3 的生成质量在盲测里长期排第一梯队，电影级运镜是它的标签。它和 Runway 一样是订阅制（约 $30/月），但免费额度给得更大方。

Pika 2.5：把复杂留给自己，把简单留给用户

Pika 2.5 是另一个极端：界面简单到"输入一句话就出片"，主打普通用户，免费 80 积分/月，付费 $10/月。它的唇形同步（Pikaformance）让角色说话的口型真实度在同类里领先。Pika 的用户量在 2026 年一季度增长了 4 倍——事实证明"简单"本身就是产品力。

小结：国内卷价格，国外卷控制

把国内外放一起看，差异很明显：国内模型（H3、可灵、Seedance）靠低价和超长生成打市场，国外独立玩家（FLUX、Runway、Luma）靠开源和技术控制力立身。而闭源巨头（Veo、Sora）在 2026 年反而有点落寞——Sora 2 关停，Veo 3.1 被 H3 在盲测里反超，这大概是"模型演示时代"结束的注脚。

四、生音频：被资本热捧的"声音生意"

生音频是国外小众赛道里商业变现最成熟的一块。和国内"藏在产品里"不同，国外玩家全是独立公司、独立品牌、独立收费——这门生意的逻辑很直接：声音是刚需，配音、有声书、播客、音乐，每一类都有明确的付费方。

ElevenLabs：估值 110 亿美元的语音独角兽

ElevenLabs 是这条赛道的绝对头部。公司 2023 年成立于伦敦，创始人是两位前 Google 机器学习工程师，成立两年多估值一路涨到 110 亿美元。它的核心产品是 TTS（语音合成），行业公认音质天花板：

• Eleven Turbo v2：延迟低于 200ms，实时对话级；复刻真人音色的能力（声音克隆）让它成了配音行业的事实标准
• 支持 29 种语言，口音和情绪可控，甚至能保留"语气词、停顿"这类细节
• Eleven Reader App：把任何文章、PDF 变成有声读物，用户免费听

2026 年它还把版图扩到了音乐：推出 Music v2，支持"风格混合"——比如"贝多芬钢琴曲混上爵士鼓"，生成整首可商用的曲子。从语音到音乐，ElevenLabs 的路线是"把声音做成平台"。

Suno：日产 700 万首歌的音乐工厂

Suno 走的是另一条路：不碰语音，专注音乐生成。它是全球用户量最大的 AI 音乐平台，累计用户近 1 亿，每天生成约 700 万首新歌。

2026 年 Suno 的两步棋值得注意：

• Suno Studio（2026 年 3 月上线）：把"抽卡式生成"升级成专业 DAW（数字音频工作站）——用户可以分段生成、单独编辑人声和伴奏、混音、加效果器。它还有 12 轨 Stem 分轨导出，满足音乐人和视频创作者对后期处理的需求
• v5 模型：音质提升到"可直接商用"水平，人声真实度大幅进步

价格上，Pro 版 $8/月，每天 100 次生成；免费用户每天 5 次。Suno 的目标是"让每个人都能做歌"，2026 年它甚至开始推"独立音乐人分成计划"，试图解决版权争议的根源——创作者分钱问题。

Udio：AI 音乐的技术流

Udio 是 AI 音乐赛道的另一家头部，2026 年迭代到 v2。它的口碑在于"生成质量的技术上限"——音质细节、人声表现力在专业测评里多次排第一。但它的产品更新节奏比 Suno 慢，用户量也差一个量级。AI 音乐市场的格局在 2026 年是：Suno 占量，Udio 占质，ElevenLabs 在中间切企业市场。

Voxtral：开源语音的新选项

Mistral 在 2026 年 2 月开源了 Voxtral（70B 参数语音模型），给语音赛道添了个开源选项。它在语音识别（ASR）和语音合成（TTS）上都有不错的表现，最大意义在于：企业不想把语音数据交给闭源 API 时，现在有了欧洲开源的替代品——延续了 Mistral"合规私有化"的整体战略。

音频赛道的共性

国外音频玩家有个共同点：全部围绕"版权和分成"做文章。ElevenLabs 和音乐版权方合作、Suno 推出分成计划、Udio 也谈过唱片公司授权——因为音频的商业化绕不开版权这座大山。反观国内，音频模型的讨论还停留在"技术好不好"的层面，版权和变现模式想得少，这可能是下一步拉开差距的地方。

五、3D 建模：国外反而安静

3D 生成在国外是个有趣的反差：创业公司比国内少得多，声音主要来自两家大厂生态——英伟达和 Luma。

NVIDIA Edify 3D：把 3D 生成做成工业配件

英伟达的 Edify 3D 是国外 3D 生成最有分量的一个。它不追求"炫酷的生成效果"，而是把自己定位成 Omniverse 工业生态的一个部件：生成的结果直接对接游戏引擎、CAD、仿真系统，支持 PBR 材质、可编辑的网格结构，甚至能按工业标准控制面数和格式。

Edify 3D 的典型用法是：设计人员用文字或图片生成初版模型，然后拉进 Omniverse 里和真实场景对齐、修改、仿真。它解决的问题是"怎么让 AI 生成的资产真的能用"，而不是"怎么生成一张好看的效果图"。这也是英伟达一贯的风格——模型永远是为生态服务的。

Luma Genie：从视频杀回 3D

Luma 除了做视频（Ray 系列），手上还有 Genie——一个文本/图片转 3D 的生成模型。Genie 的定位和 Tripo 类似，主打"人人可用"，生成速度快，模型可以直接丢进游戏引擎或 3D 打印软件。

Luma 的技术路线比较特别：它把视频生成的时空建模能力反哺给 3D，用"多视角一致"的思路生成模型，所以产出的几何结构通常比较完整，不会出现"正面好看、背面烂掉"的问题。不过 Genie 在 2026 年的迭代节奏明显慢于视频线——Luma 把重心压在了 Ray 系列上，3D 更像是生态补充。

为什么国外 3D 反而安静？

把国内外 3D 放一起看，结论很直接：3D 生成这轮技术浪潮，国外大厂没怎么发力（OpenAI 的 Shap-E、Google 的 DreamFusion 都是研究项目），创业公司也被中国团队压着打。原因大概有三点：

1. 国外 3D 资产的生产标准（工业级精度、PBR 材质、布线规范）更高，通用模型难以满足
2. 3D 的消费场景（游戏、电商、制造业）在中国更密集，需求倒逼技术迭代
3. 国内公司愿意做"脏活累活"——和游戏公司、电商平台一个个对接定制需求，国外公司更倾向于做通用平台

所以 2026 年 3D 赛道的格局是：技术密度最高的论文在中国团队手里（影眸的 SIGGRAPH 最佳论文），最完整的工业生态在英伟达手里，而真正面向普通用户的 3D 生成工具，两边都还没跑出绝对王者——这个空档期可能是未来两年最大的机会。

---

结语：角落正在变成主场

把整篇文章的选手摆在一起，能看到三条清晰的线。

第一条线：开源从"爱好"变成"商业武器"。 GLM-5.2 用 MIT 协议换来开发者信任（Hugging Face 安全事件就是最好的广告）；Nemotron 3 用开源换生态，模型越强、显卡卖得越多；FLUX 3 用开源权重对闭源巨头形成实质威胁。2026 年的开源不再是"弱者的遮羞布"，而是主动选择的竞争策略。

第二条线：细分赛道的价值被重新发现。 视频、音频、3D 这些"角落"正在被资本重新定价：可灵估值冲向 IPO、ElevenLabs 估值 110 亿美元、影眸完成数亿元融资。当通用模型的竞争变成算力消耗战，垂直赛道反而成了性价比最高的突破口——用更少的钱，做出用户愿意付钱的东西。

第三条线：中国模型的分工已经形成。 文本赛道 GLM/Hy3/M3 各守一摊，视频赛道 H3/可灵/Seedance 三足鼎立，3D 赛道影眸一骑绝尘。中国团队不再只靠"跟随"吃饭，在视频、3D 这两个方向上，2026 年的榜单头部位置是国产模型占着的。

最后回答标题的问题：小众大模型发展到了什么程度？答案是——比大多数人以为的要好得多。它们没有热搜，但正在用另一种方式改变行业：更低的价格、更开放的协议、更极致的细分能力。GPT、Claude 们负责定义上限，而角落里的这些模型，负责把下限不断抬高。

下次再看到"无人在意的角落"，不妨多看一眼。那里可能藏着你明天就要用的工具。

学AI大模型的正确顺序，千万不要搞错了

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】