AI 模型库：从模型能力到产品选择

UniDepth v2 (ViT-L/14) 是一个拥有 0.4B 参数的 PyTorch 模型，用于单目度量深度估计，利用视觉 Transformer 骨干网络从单个 RGB 图像中预测具有尺度感知的深度图。

Qwen/Qwen3-8B 是由阿里云通义千问团队开发的拥有 80 亿参数的大型语言模型，在 Hugging Face 上以 Apache 2.0 许可证发布。该模型专为高级文本生成、对话式 AI 和复杂推理任务设计，支持工具使用和长上下文理解。

MiniMax M3 是由 MiniMax 开发的前沿开源权重多模态大语言模型。其独特之处在于将最先进的编码和智能体能力与庞大的 100 万 token 上下文窗口及原生多模态理解能力相结合。基于专有的 MiniMax 稀疏注意力（MSA）架构构建，M3 专为复杂的长周期任务而设计，例如自主软件工程、多步工具使用以及对长文档或视频的深入分析。

Gemini Spark 是谷歌 DeepMind Gemini 系列中一种高效变体，专为低延迟、具成本效益的应用而设计。它利用优化的推理技术提供快速响应，适用于实时交互（如对话代理和流媒体服务），同时在标准基准测试中保持强劲性能。

Claude Sonnet 是由 Anthropic 开发的混合推理 AI 模型系列，专为高容量生产工作负载、高级编码和自主智能体操作而设计。最新版本 Claude Sonnet 5 拥有 100 万 token 的上下文窗口，针对实时交互和复杂的多步骤任务进行了优化。它在前沿性能与成本效益之间取得了平衡，原生提供于 Claude 平台、AWS、Google Cloud 和 Microsoft Foundry。

GPT-5.6 并非已验证的公开 AI 模型。截至当前日期，OpenAI 尚未发布名为“GPT-5.6”的模型，也未在提供的网址上发布官方索引页面。所描述的实体似乎是一个幻觉、错误标记的条目，或对不存在或未来产品的引用。因此，无法提供任何技术规格、功能或部署细节。

T5-small 是由 Google 开发并托管在 Hugging Face 上的紧凑型多语言编码器-解码器 Transformer 模型。该模型采用 Apache 2.0 许可证，支持翻译、摘要和问答等多种语言的文本到文本生成任务，包括英语、法语、德语和罗马尼亚语。它针对低延迟推理以及在各种硬件后端上的高效部署进行了优化。

天工 AI 是昆仑万维推出的搜索与创作结合产品。

360 纳米 AI 搜索是 360 推出的 AI 搜索助手。

GPT-4.1 是面向编程、推理和生产 API 使用的前沿通用模型。

Qwen3 0.6B 是阿里云 Qwen3 系列中的紧凑型文本生成模型，专为高效对话式 AI 和语言任务设计。拥有 6 亿参数，平衡了性能与资源使用，支持多语言和长上下文长度。

LLaVA（大型语言与视觉助手）是一种多模态AI模型，它将视觉编码器与大型语言模型（LLM）相结合，以执行涉及图像和文本的任务。它可以理解图像、回答关于图像的问题、生成描述，并进行视觉对话。该模型可通过Ollama进行本地部署。

BGE Small EN v1.5 是 BAAI 开发的一款紧凑型句子嵌入模型，针对英文文本进行了优化。拥有 3300 万参数，兼顾效率与性能，支持语义搜索、聚类和分类等任务。已被广泛采用，下载量超过 6100 万。

CLIP（对比语言-图像预训练）由OpenAI开发，是一个在4亿图像-文本对上训练的神经网络。ViT-B/32变体使用补丁大小为32的视觉变换器。它通过计算图像和文本嵌入之间的相似度实现零样本图像分类。

MobileNetV3 Small（100%宽度）是一种轻量级、高效的卷积神经网络，用于图像分类，在ImageNet-1k上使用LAMB优化器预训练。它在准确率和计算量之间取得了良好的平衡，非常适合移动和边缘设备。

BGE Reranker v2 M3 是一个基于 XLM-RoBERTa 的多语言重排序模型，旨在通过重新排序候选文档来提高搜索相关性。它支持 100 多种语言，并在跨语言检索任务上实现了最先进的性能。

nomic-embed-text 是 Nomic AI 开发的文本嵌入模型，可通过 Ollama 本地部署。它生成高质量的文本向量表示，针对语义搜索、聚类和分类任务进行了优化。该模型支持最多8192个令牌，专为高效本地推理设计。

Mistral 是由 Mistral AI 开发的 73 亿参数语言模型，旨在通过 Ollama 实现高效的本地部署。它在推理、编程和多语言任务上表现出色，采用宽松的 Apache 2.0 许可证。

o3-mini 是偏推理取向的 OpenAI 模型，适合更高效地处理技术型问题。

all-mpnet-base-v2 是一个句子变换器模型，从微软的 MPNet 基础模型微调而来，将句子映射到 768 维的密集向量空间，用于聚类和语义搜索等任务。它在各种句子嵌入基准测试中达到了最先进的性能。