3444 字

17 分钟

2026-09-04 大模型动态

2026-09-04

技术

大模型

/

LLM

/

技术动态

/

每日分享

/

AI生成

2026年09月04日大模型动态#

今日概要#

LLM updates include the release of Anthropic’s Claude 4, featuring improved reasoning and larger context windows. The latest version, 5.4, is the flagship model from OpenAI. Mistral AI transitioned to a hybrid model release strategy.

1. 大语言模型(LLM) 的列表 - IBM#

上下文窗口：200,000 个令牌

许可证：专有

访问：Anthropic API、Amazon Bedrock、Google Cloud Vertex AI

输出：文本

Claude 是基于转换器架构的 LLM 系列。它是同名会话式 AI 助手背后的大模型。 Claude 的设计遵循宪法式 AI 原则，这些原则侧重于 AI 的安全，旨在减少有害行为，如 AI 偏见。

Claude 系列由 3 个 AI 模型组成：

1
● Claude Haiku
2

3
● Claude Sonnet

● Claude Opus

开发商：OpenAI

发布日期： GPT-4o 的发布日期为 2024 年 5 月，GPT-4o mini 的发布日期为 2024 年 7 月

参数数量：未公开

上下文窗口：128,000 个词元

许可证：专有

访问：OpenAI API（使用 .NET、JavaScript、Python、TypeScript）

输入：多模态（音频、图像、文本、视频）

输出：多模态（音频、图像、文本）

生成式预训练转换器 (GPT) 是 OpenAI 开发的一系列大语言模型。GPT 包括以下 LLM：

● GPT-4o

1
● GPT-4o mini

小球在轨道上滚动的三维设计

闭源 LLM#

闭源模型或专有模型，只能直接在模型开发者的平台上、已获得模型授权的其他平台上，或通过模型提供商的专有 API 进行访问。 […] 自 2022 年以来，OpenAI 的模型命名和变体惯例已发生显著变化，且常常令人困惑。例如，GPT-4.1 是在 GPT-4.5 之后发布的，而 o4 推理模型与多模态非推理模型 GPT-4o 同时可用，后者与他们的“o4”推理模型完全不同，且“o4”的性能不如“o3”。2025 年初，OpenAI 首席执行官 Sam Altman 承认：“我们意识到我们的模型和产品组合变得多么复杂。”

自 2025 年 8 月 GPT-5 发布以来，该公司整合后的 LLM 产品现包括：

GPT-5.x 是 OpenAI 的旗舰通用产品。截至 2026 年 3 月，最新模型版本是 GPT-5.4。尽管所有 GPT-5 模型都是推理模型，但 GPT-5.4 还有一个 GPT-5.4 Pro 变体可用，它“使用更多计算能力进行更深入的思考并提供始终如一的更好的答案。”3 OpenAI 还提供 GPT-5 Codex，这是一个针对最佳智能体代码生成进行微调的 GPT-5 版本（它会随着核心模型的更新版本而定期更新）。

根据 OpenAI 的模型概览，GPT-5 mini 为“对成本敏感、低延迟、高容量的工作负载提供接近前沿的智能”。

GPT-5 nano 是“最快、最具成本效益的 GPT-5 版本”。

OpenAI 还发布了 2 个开放权重的 GPT 模型，详情见本文的“开放模型”部分。

Mistral AI#

Mistral AI 是一家总部位于法国的公司，由 Meta AI 和 Google DeepMind 的前员工创立，最初在 2023 年 9 月发布其首个模型 (Mistral 7B) 时完全致力于开源模型。自那以后，Mistral 已过渡到混合模式，其许多产品开放发布，但部分前沿模型仍保持闭源。 […] ### Kimi (Moonshot AI)

Kimi 是由北京 Moonshot AI 开发的一系列开放模型。

Kimi-K2 是一个纯文本、大规模 MoE 模型，总参数量 1 万亿（激活参数量 320 亿）。它在 2025 年 7 月发布时因在关键编码基准测试上与 GPT-4.1 和 Claude Opus 4 模型相媲美（且有时超越）而声名鹊起。8 Kimi-K2 Thinking 是 Kimi-K2 的推理模型变体，同样因其在具有挑战性的智能体AI基准测试中再次与顶级闭源模型抗衡而引发轰动。9 Kimi-K2.5 是 Kimi-K2 的更新版本，增加了多模态视觉能力。它可以在多种“模式”下运行，每种模式针对特定用例进行了优化。

Kimi 模型根据修改后的 MIT 许可证发布，要求任何月活跃用户超过 1 亿或月收入超过 2000 万美元的产品，在其用户界面上“显著展示‘Kimi K2’”。

Llama (Meta)#

Meta 的 Llama 模型（原名风格化为 LLaMA，是“Large Language model Meta AI”的缩写）一直是开放 LLM 历史中不可或缺的一部分。早期的 Llama 发布有助于 LLM 方法的民主化，从训练到架构和规模变化，为 LLM 开发的许多标准惯例提供了信息并产生了强烈影响。

来源：https://www.ibm.com/cn-zh/think/topics/large-language-models-list

2. 使用任意 LLM 运行 Claude Cowork：GPT、Gemini、Grok、OpenRouter 和本地模型#

logo

行业|Apr 27, 2026

如何使用任意 LLM（GPT、Grok、Gemini、OpenRouter、本地模型）运行 Claude Cowork 和 Claude Code#

Anthropic 的第三方推理功能让你可以用任意模型驱动 Claude 的 agent harness，无需每月 200 美元订阅

Douglas LaiDouglas Lai

Share to

如何使用任意 LLM（GPT、Grok、Gemini、OpenRouter、本地模型）运行 Claude Cowork 和 Claude Code

如何使用任意 LLM（GPT、Grok、Gemini、OpenRouter、本地模型）运行 Claude Cowork 和 Claude Code#

Anthropic 发布了一个几乎没人注意到的功能：现在你可以让 Claude Cowork 和 Claude Code 连接到你选择的任意 LLM——GPT-5、Grok、Gemini、通过 OpenRouter 提供的开源权重模型、笔记本电脑上的本地模型，或者你的企业网关（Bedrock、Vertex AI、Azure AI Foundry）。agent harness、skills、plugins、MCP servers 和管理控制都保持不变，变化的只是背后的模型。 […] ### 什么时候第三方 API 版 Cowork 是正确选择

如果你已经把 Claude Desktop 当作日常主力工具，并且想让它支持非 Claude 模型——尤其是出于成本考虑，或者因为你的组织已经通过了 Bedrock 或 Vertex 审批——那么第三方推理版 Cowork 是摩擦最小的路径。你可以获得熟悉的界面、现有工作流以及 Anthropic 打磨过的 UX，只是在底层更换了模型。

如果你依赖 Claude 的原生 connectors（Gmail、Notion、Slack 等），并且不想通过 MCP servers 去重新搭建这一套，这也是合适的选择。这些 connectors 在 3P 模式下无法使用，但如果你的主要动机只是降低模型成本，而且你愿意用 Brave MCP 重建搜索功能，那么这个取舍是值得的。

什么时候完全开源版 Cowork 是正确选择#

如果数据主权是不可妥协的要求——受监管行业、专有代码库、敏感业务逻辑——那么在 Eigent 上运行会直接消除这个问题。没有任何数据会离开你的机器。你无需信任或审计 Anthropic 的基础设施层。

如果你需要在单个工作流中实现真正的模型多样性，Eigent 的架构支持在同一个多 agent 任务里为不同 worker 分配不同的 LLM。你可以让 Claude Opus 负责复杂推理，让本地 Llama 模型处理文档解析，再用 GPT 做代码审查——全部由单个 CAMEL-AI orchestrator 协调。

如果可扩展性很重要——无论是基于这个平台继续开发、为它贡献代码，还是精确审计它的行为——开源才是唯一诚实的答案。Cowork on 3P 给你的是配置开关；Eigent 给你的是源代码。 […] ## 立即体验 Eigent

下载开源桌面应用，在本地用 AI 工作团队开始自动化。

下载 Eigent

Eigent 1.0 新版本发布！download

来源：https://www.eigent.ai/zh-CN/blog/claude-cowork-on-3p-any-llm

3. Anthropic 的 Claude 4 新功能 | Ultralytics#

图 1. Claude 4 玩宝可梦的示例。

Claude Sonnet 4 虽然功能不如 Opus 强大，但速度更快、效率更高，使其成为写作、总结和常规问题解决等日常任务的可靠选择。在本文中，我们将深入了解 Claude 4 的关键特性及其发挥作用的领域。让我们开始吧！

大语言模型 (LLM) 概述##

在深入探讨 Claude 4 及其功能之前，让我们先了解一下大语言模型如何在现实世界中得到应用。

大多数最先进的 LLM 都构建于一种名为transformer的机器学习架构之上，这有助于它们理解长篇文本中各个词语之间的关系。这使得它们不仅能自动补全句子，还能总结文档、编写代码、回答问题以及翻译语言。

事实上，LLM 的一个核心优势在于其灵活性。一旦经过训练，它们无需或仅需极少的额外微调即可执行广泛的任务。这使得它们在从客户支持、教育到软件开发、内容创作和研究等各种应用中都非常有用。

图 2. 大语言模型用例。

随着 AI 的普及，LLM 正在帮助客服团队自动化回复、用辅导工具支持学生、在 VS Code 等编码环境中协助开发者，并让专业人士轻松筛选合同、报告和数据。同时，一些 LLM 正被整合到AI 代理中，能够执行规划、研究或编写工作流等多步骤任务。

Claude LLM 的演进##

Anthropic 的 Claude 模型在每次发布后，其速度、推理能力和整体性能都在稳步提升。以下是 Claude 系列在迈向 Claude 4 过程中的简要演进概述： […] YOLO Vision 2026: 全球视觉 AI 大会将于 9 月 13 日回归，提供线下和线上参与方式。

联系我们

视觉 AI

Anthropic 的 Claude 4 功能：有什么新改进#

探索 Anthropic 的 Claude 4 功能，包括推理能力、上下文窗口大小的更新以及常规性能的改进。

ABAbirami Vina5 min read

Anthropic Claude 4 语言模型

像规划行程、调试代码、分析图表或总结法律文档这样的任务，通常需要使用不同的工具或具备领域专业知识。如今，得益于近期的 AI 进展，单个大语言模型 (LLM) 就能协助处理所有这些任务。

LLM 是一种经过训练以理解并生成人类语言的 AI 模型。它通过分析海量文本（书籍、网站、对话等）来学习，从而识别人们写作和交流方式中的规律。一旦完成训练，LLM 就可以回答问题、编写代码、总结文档并执行许多其他基于语言的任务，且通常无需过多指令。

构建这类模型的公司之一是 Anthropic。Anthropic 由一群前OpenAI员工于 2021 年创立，专注于打造安全、可靠且易于使用的 AI 系统。他们的最新发布是 Claude 4 模型系列，其中包含两个版本：Claude Opus 4 和 Claude Sonnet 4。

Claude Opus 4 发布于 2025 年 5 月 22 日，专为需要深度推理和持续专注的复杂任务而设计，例如处理大型代码库或进行深入研究。在一次测试中，它甚至能够通过创建并引用自己的记忆文件来游玩《宝可梦红》，并在游戏过程中生成导航指南以帮助自己保持在进度上。

图 1. Claude 4 玩宝可梦的示例。

来源：https://www.ultralytics.com/zh/blog/anthropics-claude-4-features-whats-new-and-improved

4. LLM（十八）| Anthropic发布史上最强编程模型：Claude 4 - 文章 - 开发者社区 - 火山引擎#

[](

登录注册

首页AI 大模型体验中心AI 大模型体验中心AI 大模型体验中心Agent 评测集Agent 评测集Agent 评测集AI 案例广场AI 案例广场AI 案例广场火山杯大赛学习中心

社区

去发布

首页AI 大模型体验中心AI 大模型体验中心AI 大模型体验中心动手实验室动手实验室动手实验室Agent 评测集Agent 评测集Agent 评测集AI 案例广场AI 案例广场AI 案例广场学习中心

社区

LLM（十八）| Anthropic发布史上最强编程模型：Claude 4#

ArronAI

大模型

大模型向量数据库云安全 […] [...]

来源：https://developer.volcengine.com/articles/7508956057927221260

5. GitHub - datawhalechina/so-large-lm: 大模型基础: 一文了解大模型基础知识 · GitHub#

📖 项目简介#

本项目致力于打造一个开源、系统、深入的大规模预训练语言模型（LLM）教程。

项目以斯坦福 CS324 和李宏毅生成式AI课程为理论基石，结合开源社区的最新实践与前沿动态，涵盖从数据准备、模型构建、训练策略到模型评估、安全伦理的全链路知识。

🎯 适用人群#

🎓 学术/从业者：希望深入了解 LLM 最新动态与技术细节的研究人员。 🏢 行业探索者：对 LLM 在医疗、金融、教育等领域应用感兴趣的专业人士。 🛠️ 开源贡献者：不仅想学习，更想参与到 LLM 开源建设中的开发者。 ⚖️ 相关从业者：关注 AI 法律、伦理、版权及社会影响的跨领域专家。

🗺️ 学习路径#

为了帮助初学者更高效地入门，Datawhale 构建了完整的 LLM 学习矩阵：

理论基石（本项目）：so-large-lm —— 深入理解原理、架构与算法。
应用开发：llm-universe —— 快速入门 LLM 开发，搭建 Demo。
模型实战：self-llm —— 基于 AutoDL 的开源模型部署与微调指南。

📚 课程大纲#

第一部分：基础与架构#

| 章节 | 内容亮点 | 链接 |#

| 01. 引言 | 项目背景、GPT-3 崛起、LLM 发展简史 | 阅读 | | 02. 大模型的能力 | 迁移学习、In-context Learning、性能评估分析 | 阅读 | | 03. 模型架构 | Transformer 深度解析、位置编码、注意力机制 | 阅读 | | 04. 新的架构方向 | 混合专家模型 (MoE)、基于检索的模型 (RAG基础) | 阅读 |