魔搭ModelScope7月进展：2410模型+446数据+167应用上新

DeepSeek-V4-Flash-0731

7月底发布的该模型保留了2840亿总参数、130亿激活参数与100万token上下文窗口的基础架构，通过针对性后训练强化了代码修改、工具调用与多步骤任务执行能力，同时集成了DSpark投机解码模块。在官方九项Agent与代码评测中全面超越此前的V4-Pro Preview版本，多项核心指标实现大幅提升：Terminal Bench 2.1得分从61.8提升至82.7，DeepSWE得分从7.3跃升至54.4，NL2Repo达到54.2，Toolathlon-Verified得分70.3，整体性能逼近行业顶级水平。

Kimi-K3

7月27日开源的Kimi K3是当前已公开的超大参数规模模型之一，总参数量达2.8万亿。该模型基于专属架构构建，具备原生视觉处理能力与100万token超长上下文窗口，专为长程编码、知识工作与复杂推理场景设计，相较上一代实现约2.5倍的规模化效率提升。

其核心能力覆盖三大方向：一是代码开发能力，支持在极少人工监督下完成长程编码任务，能够独立完成从GPU内核优化到科研级数值复现的全流程工程工作；二是通用Agent能力，可自主编排多轮搜索与并发任务，产出可交互的专业内容与可视化成果；三是视觉Agent能力，依托统一多模态架构，可完成文本、图像、视频的跨模态创作与开发任务。

部署与调用示例

modelscope download --model moonshotai/Kimi-K3 --local_dir ./Kimi-K3

vLLM部署：

pip install -U vllm
vllm serve ./Kimi-K3 --served-model-name kimi-k3 --tensor-parallel-size 8 --max-model-len 1048576 --trust-remote-code

SGLang部署：

pip install "sglang[all]"
python -m sglang.launch_server --model-path ./Kimi-K3 --tp 8 --context-length 1048576 --trust-remote-code

OpenAI兼容API调用：

from openai import OpenAI
client = OpenAI(base_url="http://localhost:8000/v1", api_key="EMPTY")
resp = client.chat.completions.create(
    model="kimi-k3",
    messages=[{"role": "user", "content": "用三句话介绍你自己"}],
    temperature=1.0,
    top_p=1.0,
    max_tokens=4096,
    extra_body={"reasoning_effort": "max"}
)
print(resp.choices[0].message.content)

KAT-Coder-V2.5-Dev

快手团队开源的这款MoE架构模型，总参数量350亿，激活参数量仅30亿，采用Apache-2.0开源协议。根据团队公布的内部复现结果，在同等参数规模的模型中，该模型在智能体编程领域取得当前最优性能，七项核心基准测试全部位列同规模第一。

部署与调用示例

vLLM部署（需开启语言模型-only模式）：

uv pip install vllm --torch-backend=auto
vllm serve Kwaipilot/KAT-Coder-V2.5-Dev --port 8000 --tensor-parallel-size 8 --max-model-len 262144 --reasoning-parser qwen3 --language-model-only

SGLang部署：

uv pip install sglang[all]
python -m sglang.launch_server --model-path Kwaipilot/KAT-Coder-V2.5-Dev --port 8000 --tp-size 8 --mem-fraction-static 0.8 --context-length 262144 --reasoning-parser qwen3 --tool-call-parser qwen3_coder

调用示例：

pip install -U openai
export OPENAI_BASE_URL="http://localhost:8000/v1"
export OPENAI_API_KEY="EMPTY"
from openai import OpenAI

client = OpenAI()

chat_response = client.chat.completions.create(

model=“Kwaipilot/KAT-Coder-V2.5-Dev”,

messages=[{“role”: “user”, “content”: “写一个返回第n个斐波那契数的Python函数。”}],

max_tokens=32768,

temperature=0.7,

top_p=0.8,

presence_penalty=1.5,

extra_body={“top_k”: 20}

)

print(chat_response.choices[0].message.content)

MotionDecode

这是一款光学动作捕捉数据集，专为训练和验证具身AI与人形机器人控制器设计，涵盖15+真实世界场景中的全身骨骼、手指关节运动、物体6D位姿、多视角视频和语义标签，所有数据均已完成清洗、质量评估与机器人重定向。

EALE

作为LIFT框架的基准测试套件，该数据集用于衡量自我进化的LLM智能体在从热身任务中整合可复用技能后，在未见过的任务上的表现提升能力，而非测试智能体的开箱即用能力。

PerceptionBench

这是多模态视觉感知评测数据集，包含3000道高质量视觉问答样本，围绕计数、OCR、空间定位、属性识别、深度感知、关系理解、视觉幻觉等10项原子级视觉感知能力，用于系统评估多模态大语言模型的基础视觉理解与感知能力。

Plan-Reason-Deep-Reasoning-PlanText

面向大语言模型推理训练的专用数据集，通过“规划→推理→自我校验→置信度评估”的多阶段推理流程，帮助模型提升复杂问题求解、自我纠错与可信推理能力。

Medical-Reasoning-Mix-100K

包含10万条高质量医学推理样本的SFT数据集，融合了多个公开医学数据源，覆盖医学问答、临床诊断与循证推理等场景，用于提升大语言模型的医学推理、问答与复杂问题分析能力。

AI水印去除工具

基于AMD Instinct MI308X加速器开发，采用ROCm+PyTorch推理框架，支持上传图片或视频，自动检测水印位置并使用AI技术完成修复，输出干净无水印的内容。

口腔科AI智能体实训系统25.0

面向口腔医学领域的AI学习助手，集成医学考试、智能问答与知识解析等功能，帮助用户高效备考口腔医学相关考试与学习专业知识。