Первая открытая мультимодальная модель от DeepSeek.Ai на архитектуре MoE (305B параметров, 13B активных), оснащённая визуальным кодировщиком ViT, механизмами внимания CSA+HCA для эффективной обработки контекста в 1М токенов и DSpark для ускорения генерации. Модель предназначена для работы в агентных сценариях и автоматизации рабочих процессов, где важен анализ изображений и возможность работы со сверхдлинным контекстом без дополнительных интеграций.
Флагманская модель от Z.ai на 744 млрд параметров (40 млрд активных) с контекстом 1 млн токенов, построенная на архитектуре MoE + DeepSeek Sparse Attention с технологией IndexShare. Модель сохраняет конструкцию GLM-5.2, но получает существенный прирост к качеству за счёт масштабирования пост-тренировки, достигая SOTA среди open-source моделей в программировании и демонстрируя лучшие способности в сфере кибербезопасности как среди открытых, так и закрытых моделей, занимая первое место на CyberGym с результатом 84,5%.
Экспериментальная мультимодальная MoE-модель с 125 млрд параметров (6 млрд активируется на токен), архитектурный предвестник Qwen4. Ключевые инновации: гибрид Gated DeltaNet и Qwen Sparse Attention (QSA) для эффективной работы с длинными контекстами, Gated Residual с 4 параллельными ветвями, 51-млрд N-граммное встраивание на хосте и оптимизатор Muon. Модель лидирует на бенчмарках среди открытых моделей в своем классе.
Первая открытая модель уровня Max от Qwen с 2,4 трлн параметров (активируется 95 млрд), использующая гибридную архитектуру Gated DeltaNet и Gated Attention, а также MoE из 512 экспертов. Модель уверенно лидирует или конкурирует с закрытыми моделями по целому ряду ключевых бенчмарков, поддерживает контекст до 262 тыс. токенов и является одной из самых крупных и мощных открытых LLM.
Компактная мультимодальная модель нового поколения с 27B параметров, построенная на архитектуре Qwen3.5 и усиленная продвинутым пост-обучением. Модель демонстрирует значительный прогресс в программировании, агентных задачах и профессиональных сценариях, превосходя предшественницу Qwen3.6-27B на ключевых бенчмарках, а встроенный vision-энкодер и контекст увеличиваемый до 1M токенов делают её универсальным решением для широкого спектра задач — от разработки ПО до мультимодальной автоматизации.
Обновленная версия популярной модели Deepseek-v4-flash. Новая LLM использует все ту же архитектуру – это MoE-модель с 284 млрд параметров (13 млрд активируемых), поддерживающая контекст до 1 млн токенов и оснащённая гибридным механизмом внимания CSA/HCA для эффективной работы с длинными последовательностями. В версии 0731 добавлен модуль спекулятивного декодирования DSpark и существенно усилены агентные возможности, что позволяет модели уверенно конкурировать с более крупными решениями на ключевых бенчмарках, оставаясь при этом быстрой, экономичной и полностью открытой для использования.
Первая в мире открытая модель-класса 3T (MoE на 2.8 триллиона параметров, 104 миллиарда активных на токен) с нативной мультимодальностью и контекстным окном до 1 миллиона токенов. Построена на гибридной архитектуре Kimi Delta Attention (KDA) с механизмом Attention Residuals (AttnRes) и техникой Stable LatentMoE, она обеспечивает фронтирный уровень reasoning, программирования и агентных возможностей при полной доступности весов для исследований и деплоя.
Передовая энд-ту-энд модель для OCR и парсинга документов от Baidu , способная транскрибировать десятки страниц за один прямой проход благодаря инновационному механизму Reference Sliding Window Attention (R-SWA), который обеспечивает фиксированный размер KV-кэша и стабильную скорость генерации. Модель достигает state-of-the-art результатов на бенчмарке OmniDocBench (93.92%), превосходя базовую DeepSeek OCR на 6% по общей точности и на 35% по скорости генерации.
Открытая MoE-модель от Z.ai с 753B параметров, из которых на каждый токен активируется лишь 39 миллиардов, оптимизированная для длительных агентных задач с контекстом в миллион токенов. Благодаря инновационной технике IndexShare и способностям в области логических рассуждений и программирования, она достигает уровня лучших закрытых моделей, становясь новым ориентиром в классе open‑source решений.
Открытая агентная модель от Moonshot AI на архитектуре MoE (1 трлн параметров, 32 млрд активируемых) с MLA-вниманием, нативной INT4-квантизацией и мультимодальностью (текст, изображения, видео). Модель оптимизирована для выполнения долгосрочных задач, сокращает расход thinking-токенов на 30% по сравнению с K2.6 и конкурирует с ведущими проприетарными решениями.
Флагманская языковая модель на 550 млрд параметров (55 млрд активных при каждом выводе) с гибридной архитектурой LatentMoE (Mamba-2 + MoE + Attention), контекстом до 1 млн токенов и настраиваемым режимом рассуждений. Модель обеспечивает рекордную пропускную способность инференса — до ~6× выше, чем у сравнимых открытых LLM, — при точности на уровне лучших мировых аналогов, что делает её оптимальным выбором для сложных агентных задач, длинноконтекстного анализа и высоконагруженных сценариев enterprise уровня.
Уникальная модель в линейке Gemma 4 с единой (Unified) архитектурой без энкодеров: визуальные и аудиоданные подаются напрямую в decoder-only трансформер через линейные проекции (и легкий embedder для изображений), что существенно устраняет задержку энкодинга и позволяет качественно обрабатывать все модальности. При размере всего 12B параметров модель подходит для запуска на ноутбуках с 16 ГБ VRAM и демонстрирует результаты, сопоставимые с моделью 26B MoE, на бенчмарках рассуждения, кодинга и мультимодального понимания.
Это первая открытая модель генерации изображений от Ideogram. Это передовая базовая модель, обученная с нуля, а не усовершенствованная версия какой-либо существующей модели.
Передовая открытая мультимодальная модель с 428 миллиардами параметров (23B активных) и инновационным механизмом MiniMax Sparse Attention, обеспечивающим эффективную обработку контекста до 1 миллиона токенов. Модель уникальна своим сочетанием нативной мультимодальности, отличными навыками в области программирования и агентными возможностями, что позволяет ей конкурировать с ведущими закрытыми решениями.
Компактная мультимодальная модель (0.9B параметров) для интеллектуального парсинга документов и изображений с точным распознаванием текста, таблиц, формул, диаграмм и печатей. Модель занимает первое место на OmniDocBench v1.6 с результатом 96.33%, превосходя Gemini 3 Pro, GPT-5.2, Qwen3-VL-235B и другие решения, при этом оставаясь достаточно лёгкой для локального запуска.
Унифицированная мультимодальная модель (Unified Multimodal Modeling), разработанная для демонстрации унифицированного подхода к пониманию, генерации и редактированию изображений и видео в рамках относительно небольшой модели и ограниченного вычислительного бюджета.
Передовая MoE-модель на 1.6 трлн параметров (49 млрд активных), способная сверхэффективно обрабатывать контекст до 1 миллиона токенов благодаря инновационной гибридной архитектуре внимания – CSA+HCA. Модель уверенно лидирующие позиции по математике, программированию и агентным задачам, поддерживает три настраиваемых режима рассуждения («non-think», «think high», «think max») и потребляет почти в 10 раз меньше памяти KV-кэша по сравнению с предыдущими флагманами deepseek.
Открытая MoE‑модель из семейства DeepSeek V4, насчитывающая 284 млрд общих параметров при 13 млрд активных на токен и поддерживающая контекст до 1 млн токенов. Благодаря гибридному вниманию CSA + HCA она достигает экстремальной эффективности на сверхдлинных последовательностях. Модель демонстрирует близкие к Pro‑версии результаты в рассуждении, программировании и агентных задачах, будучи при этом гораздо менее требовательной к инфраструктуре.
Qwen/Qwen3.6-27B — открытая плотная мультимодальная модель на 27B параметров с сильным фокусом на агентное программирование, работу с большими репозиториями и reasoning-задачи. Она поддерживает текст, изображения и видео, имеет нативный контекст 262K токенов, thinking/non-thinking режимы и по ряду ключевых бенчмарков обгоняет не только Qwen3.5-27B, но и более крупную MoE-модель Qwen3.5-397B-A17B.
Qwen/Qwen3.6-35B-A3B — открытая мультимодальная MoE-модель с 35B параметров, из которых на каждый токен активируется только около 3B, что снижает вычислительную нагрузку. Архитектура на основе Gated DeltaNet и Gated Attention обеспечивает высокую эффективность и экономию памяти. Модель поддерживает текст, изображения и видео, thinking/non-thinking режимы, контекст 262K токенов с расширением до 1M и особенно хорошо подходит для агентного программирования, работы с репозиториями и визуально-текстовых задач.