模型中心
Qwen 系列（通义千问）
全球最受欢迎的国产开源模型系列，从 0.6B 到 235B 全尺寸覆盖，中文与多语言能力一流，支持 O 系列思维链推理与 MoE 架构，一张 RTX 3060 就能本地跑起来。
DeepSeek 系列
以 R1 系列引爆全球的国产推理模型，MIT 协议、数学与代码能力顶级，本地部署资料丰富，7B 蒸馏版在笔记本上即可体验「慢思考」。
Llama 系列
Meta 的开源旗舰系列，业界微调生态最庞大，8B 单卡可跑、70B 双卡可跑，是全球本地部署教程的「业界标准」。
Gemma 系列
Google 的轻量开源系列，尺寸小、效率高，Gemma 3 号称「一张 RTX 3090 跑 27B」，还支持多模态与超长上下文。
Mistral 系列
欧洲最强开源模型厂牌，8x7B/8x22B MoE 架构在 24GB 级别用稀疏算力吊打同尺寸稠密模型，Apache 许可适合商用。
Stable Diffusion
开源文生图的事实标准，生态与模型库极其庞大，ComfyUI + SDXL 是本地绘画最稳定的组合。
Flux
Stable Diffusion 核心团队出走后的最新旗舰，细节与文字渲染大幅超越 SDXL，dev 版开源可本地部署。
SDXL
Stable Diffusion 的 2.0 时代大版本，原生 1024 分辨率 + 两阶段模型，社区模型库最成熟、风格覆盖最广。
Wan（通义万相）
阿里开源的文生视频模型，中文指令友好、可本地运行，1.3B 轻量版 12GB 显卡就能玩，14B 高清版 4090 可跑。
Hunyuan Video
腾讯开源的 13B 文生视频模型，人物一致性与中文场景表现好，4090 显卡即可本地生成短视频。
CogVideo
智谱开源的文生视频模型，2B 轻量版 12GB 显卡可跑，支持首尾帧控制，是入门本地视频生成的低门槛选择。
Whisper
OpenAI 开源的多语言语音识别模型，准确率高、本地运行免费，视频/会议/播客转写首选，几行命令即可部署。
F5-TTS
轻量级开源语音合成模型，几行代码克隆任意音色、输出自然语音，RTX 3060 即可流畅本地运行。
CosyVoice
阿里的强情感 TTS，支持音色克隆+情感+口播风格控制，中文效果极佳，Apache 协议完全免费商用。
GPT-Vision
OpenAI 的闭源视觉问答模型，图像理解与文档解析能力顶级，API 接入即用，适合无需本地部署的团队。
Qwen-VL
阿里的开源视觉语言模型，中文 OCR 与截图理解能力突出，一张 12GB 显卡即可本地部署，替代闭源视觉 API。
LLaVA
经典开源视觉助手模型，架构简洁、微调门槛低，搭配 llama.cpp 生态可在消费级显卡本地看图会话。
GLM 系列（智谱）
智谱开源的对话模型系列，ChatGLM 进化到 GLM-4，Agent 工具调用能力突出，9B 开源版在消费级显卡即可本地部署，中文能力稳居第一梯队。
Kimi 系列（月之暗面）
月之暗面开源的 MoE 大模型，以超长上下文与深度推理著称，K2 蒸馏版支持本地部署，是国产推理模型新势力。
MiniMax 系列
MiniMax 开源的 456B MoE 大模型，拥有超长上下文，Agent 与代码能力突出，适合企业级长文本与智能体场景。
Yi 系列（零一万物）
零一万物李开复团队的开源大模型，中文质量扎实、尺寸覆盖全，Apache 2.0 许可适合商用部署。
Baichuan 系列（百川智能）
百川智能开源的国产中文大模型，7B/13B 两个经典尺寸在学术与轻部署场景仍被广泛使用。
InternLM 系列（书生）
上海AI实验室开源的「书生」大模型，中文评测强、工具调用稳定，1.8B 轻量版手机级显存可跑。
Phi 系列（微软）
微软的「小而强」小语言模型，用高质量合成数据训练，3.8B 在手机级显存达到大模型级推理能力。
OLMo 系列（AI2）
AI2 推出的「真正开放」大模型，不仅权重开源，连训练数据与训练代码全部公开，是科研与复现首选。
Stable Diffusion 3 / 3.5
Stability AI 新一代文生图，采用多模态 DiT 架构，文字渲染与指令跟随大幅提升，是 SD 生态的下一代底座。
PixArt-α
华为等团队开源的极高效 DiT 文生图，仅 0.6B 参数即可媲美 SDXL 画质，低显存用户首选。
Kolors 可图
快手开源的 5B 文生图大模型，对中文提示词理解优秀、画质细腻，支持文字渲染与真实感风格。
DALL·E 3
OpenAI 的旗舰文生图模型，提示词理解力天花板，无需部署即可通过 API 生成高质量图片。
Midjourney
目前视觉风格最受欢迎的文生图服务，艺术质感与美学无可替代，订阅即可使用。
Kling 可灵
快手的旗舰视频生成模型，中文场景与物理运动表现优秀，效果位居全球第一梯队。
Mochi 1
Genmo 开源的 10B 视频生成模型，运动质量与提示词遵循能力突出，开源视频模型中的高质量之选。
LTX-Video
Lightricks 开源的轻量视频生成模型，2B 参数、速度快、显存友好，低配显卡也能玩文生视频。
Open-Sora
以 Sora 为目标的开源复现项目，全流程开放（训练+推理），支持 16 秒长视频生成。
Sora
OpenAI 的视频生成旗舰，复杂物理与镜头叙事能力强，定义了 2024 年文生视频的标杆。
Veo
Google 的视频生成旗舰，最高支持 4K 输出与音频生成，物理真实度与画质顶级。
Runway Gen-3
Runway 的旗舰视频生成与转绘工具，支持文生视频、图生视频与视频风格转绘，影视后期常用。
Vidu
清华系生数科技的旗舰视频模型，多主体一致性与图生视频表现出色，国产闭源视频生成代表。
PixVerse
全球用户量领先的免费文生视频平台，效果出色、上手简单，适合大众短视频创作。
GPT-SoVITS
现象级中文语音克隆模型，零样本克隆音色、效果惊艳，是中文 TTS 克隆的事实标准。
Bark
Suno 开源的全能语音模型，不仅能说话，还能生成笑声、哭声、背景音效甚至简单音乐。
XTTS
Coqui 开源的跨语言语音克隆，一段音频即可克隆音色并用其他语言朗读，多语言场景首选。
VITS
经典端到端 TTS 里程碑，单模型合成自然语音，是众多二次元声库与语音助手的底层引擎。
Fish-Speech
Fish Audio 的开源语音引擎，支持音色克隆、多语言与实时全双工对话，速度与效果俱佳。
Tortoise-TTS
老牌高质量 TTS，音色克隆自然、支持语音风格调节，是研究 TTS 的上好开源样本。
InternVL
上海AI实验室的开源视觉语言模型，OCR 与图表理解能力国际领先，多尺寸可选，本地部署首选之一。
MiniCPM-V
面壁智能的端侧多模态模型，8B 小尺寸实现强视觉能力，可部署到手机与边缘设备。
CogVLM
清华系的开源视觉语言基础模型，视觉能力与对话能力并重，适合高阶视觉应用与研究。
Gemini
Google 的原生多模态旗舰，文本、图像、视频、音频一体理解，超长上下文是最大杀手锏。
Yi-VL
零一万物基于 Yi 的中文视觉模型，轻量可本地部署，中文图文理解均衡。