VTP-Small-f16d64
VTP-Small-f16d64 est la variante Small d’un tokenizer visuel préentraîné pour la génération. Il transforme les images en représentations latentes utilisables par d’autres modèles. L’approche VTP…
RÉPERTOIRE DES MODÈLES
Découvrez les nouveaux modèles, classés par date de publication.
VTP-Small-f16d64 est la variante Small d’un tokenizer visuel préentraîné pour la génération. Il transforme les images en représentations latentes utilisables par d’autres modèles. L’approche VTP…
Modèle Qwen spécialisé dans la retouche d’images. Alibaba l’a inscrit à son journal des modèles le 15 décembre 2025 ; l’identifiant désigne un instantané de cette même date. (docs.modelstudio.console.…
Wan2.6-Image est un modèle polyvalent de génération et d’édition d’images proposé dans Alibaba Cloud Model Studio. Il figure dans l’annonce officielle des modèles publiés le 15 décembre 2025.…
Wan2.6-T2I est un modèle de génération d’images à partir de texte, accessible via Alibaba Cloud Model Studio. Alibaba indique qu’il améliore la qualité visuelle, l’esthétique et le respect des…
Qwen Voice-Design est un modèle de conception de voix de la famille Qwen Speech. Il crée un timbre personnalisé à partir d’une description textuelle, sans nécessiter d’échantillon audio. Associé à…
Modèle d’audio natif en version préliminaire pour la Live API de Gemini, destiné aux interactions vocales et vidéo en temps réel et à faible latence. Google indique que cette version améliore le…
GLM-TTS est un système de synthèse vocale à partir de texte, conçu pour des usages de production. Zhipu AI l’a annoncé le 10 décembre 2025 et a indiqué rendre ses poids disponibles. Le dépôt officiel…
GLM-ASR-Nano-2512 est un modèle ouvert de reconnaissance automatique de la parole, conçu pour les conditions acoustiques complexes. Il transforme l’audio en texte. La taille annoncée est de 1,5…
Qwen3-LiveTranslate-Flash est un modèle multilingue de traduction et d’interprétation audio et vidéo, fondé sur l’infrastructure Qwen3-Omni. La version identifiée ici est un instantané daté du 1er…
Qwen3-Omni-Flash est un modèle multimodal fondé sur une architecture Mixture-of-Experts Thinker–Talker. Il accepte du texte, des images, de l’audio et de la vidéo, et produit du texte ou de l’audio.…
Version temps réel du modèle multimodal Qwen3-Omni-Flash, fondée sur une architecture de mélange d’experts Thinker–Talker. Cette version est un instantané daté du 1er décembre 2025 ; son lancement…
Wan2.6-I2V est un modèle de génération vidéo à partir d’une image servant de première image. Il accepte aussi une instruction textuelle et, en option, un fichier audio. Il convient notamment à…
Wan2.6-T2V est un modèle de génération de vidéos à partir de texte de la famille Wan d’Alibaba. Il accepte du texte et, selon la documentation, une entrée audio ; il produit des vidéos avec audio…
Qwen-Plus est un modèle de génération de texte et de raisonnement proposé par Alibaba Cloud Model Studio. La version qwen-plus-2025-12-01 est un instantané daté du 1er décembre 2025. Le journal…
DeepSeek-V3.2-Speciale est une variante de DeepSeek-V3.2 conçue pour pousser les capacités de raisonnement, notamment sur les tâches complexes. Elle combine un raisonnement prolongé avec des capacités…
Publié le 1er décembre 2025, DeepSeek-V3.2 est un modèle de langage généraliste ouvert, orienté vers le raisonnement et les agents. Il succède à DeepSeek-V3.2-Exp. Il vise un équilibre entre capacité…
Qwen-Voice-Enrollment est un modèle de clonage vocal de la famille Qwen. L’annonce officielle le répertorie à la date du 27 novembre 2025. (help.aliyun.com) À partir d’un échantillon audio d’au moins…
DeepSeekMath-V2 est un modèle de langage spécialisé dans le raisonnement mathématique et la démonstration de théorèmes en langage naturel. Il repose sur DeepSeek-V3.2-Exp-Base. L’index de recherche…
Qwen3-TTS-Flash est un modèle de synthèse vocale non temps réel de Tongyi : il transforme du texte en audio. Cette version est l’instantané du 27 novembre 2025, date sous laquelle elle figure dans…
Modèle de synthèse vocale en temps réel : il transforme du texte en audio avec une faible latence. Il prend en charge plusieurs langues et dialectes, conserve une même identité vocale entre langues et…