CogView4-6B
CogView4-6B は智谱が発表したテキストから画像を生成するモデルで、約 60 億パラメータの CogView-4 Diffusers 版を採用し、テキストプロンプトを受け取って画像を生成します。公式は 2025 年 3 月 4 日に、このバージョンへの対応とオープンソース化を発表しました。(github.com) 中国語と英語のプロンプトに対応し、生成画像内に中国語の文字を描画できます。イ…
モデルディレクトリ
新しいモデルを公開日順に見つけられます。
CogView4-6B は智谱が発表したテキストから画像を生成するモデルで、約 60 億パラメータの CogView-4 Diffusers 版を採用し、テキストプロンプトを受け取って画像を生成します。公式は 2025 年 3 月 4 日に、このバージョンへの対応とオープンソース化を発表しました。(github.com) 中国語と英語のプロンプトに対応し、生成画像内に中国語の文字を描画できます。イ…
GPT-4.5 Preview は、OpenAI が 2025 年 2 月 27 日に公開した汎用型 GPT-4.5 の研究プレビューモデルで、自然な対話、幅広い知識、創造性、ユーザーの意図の理解に重点を置いています。回答前に長時間推論することを主な特徴とする推論モデルではありません。(openai.com) テキストの入力と出力、画像入力、ならびに関数呼び出し、構造化出力、ストリーミング出力に対…
万相2.1シリーズの画像生成動画Turboモデル。静止画像を比較的速く動的な動画に変換し、阿里云百炼を通じて推論サービスを提供する。(help.aliyun.com) 最初のフレームの画像から動画を生成し、プロンプトを併用して希望する動きや映像を記述できる。公式の紹介によると、このモデルは大幅で複雑な動き、物理法則の遵守、多様な芸術スタイル、映画・映像作品レベルの画質に対応し、指示に従う能力も向上…
Gemini 2.0 Flash-Lite は、Gemini 2.0 シリーズの中で速度、規模、費用対効果に最適化されたマルチモーダルモデルです。Google は 2025 年 2 月 25 日に正式提供開始を発表し、本番環境で利用できるようになりました。これに先立ち、公開プレビュー版が 2025 年 2 月 5 日にリリースされました。(aistudio.google.com) テキスト、画像、…
Claude 3.7 Sonnet は、Anthropic が 2025 年 2 月 24 日にリリースしたハイブリッド推論モデルで、同一モデル内で標準回答と拡張思考の 2 つのモードを提供します。(anthropic.com) テキストと画像の入力に対応し、テキストを出力します。対話、コンテンツ分析、創作作業、プログラミングに利用できます。(anthropic.com) 拡張思考モードでは、回答…
Moonlight-16B-A3B-Instruct は Moonshot AI が公開した指示に従うようファインチューニングされたテキスト生成モデルで、Mixture of Experts(MoE)アーキテクチャを採用し、総パラメータ数は約160億、トークンごとの活性化パラメータ数は約30億です。Moonlight は Muon…
Moonlight-16B-A3B は Moonshot AI が公開した事前学習済みの基盤言語モデルで、混合エキスパート(MoE)アーキテクチャを採用し、総パラメータ数は約 160 億、各 token で有効化されるパラメータ数は約 30 億です。Muon オプティマイザを使用し、5.7 兆 token で学習されています。この基盤モデルは、別途公開された指示チューニング版 Moonlight-…
Image-01 は MiniMax の画像生成モデルで、テキストによる説明に基づいてさまざまなサイズの画像を生成できます。公式料金ページでは過去のモデルとして掲載されています。(platform.minimax.io) テキストによる説明と参照画像からの画像生成に対応しており、クリエイティブデザイン、ソーシャルメディアの挿絵、商用ビジュアル素材に利用できます。(platform.minimax.…
Google Cloud Document AI のカスタム文書情報抽出モデルのバージョンで、Gemini 2.0 Flash を搭載しています。ユーザーは抽出するフィールドを定義し、文書の内容を構造化されたエンティティに変換できます。(docs.cloud.google.com) カスタム schema に基づいて文書のフィールドを抽出し、さまざまな形式やレイアウトの業務文書の処理に適しています…
Qwen-Omni-Turbo は通義千問のマルチモーダル理解・生成モデルです。阿里雲百煉のモデル更新公告では、2025-02-14 に掲載されています。(help.aliyun.com) テキスト、画像、音声、動画の入力に対応し、複数モダリティを組み合わせた入力の理解にも対応します。 テキストと音声の同時ストリーミング出力に対応し、自然な対話向けの声質を4種類提供します。 マルチモーダルコンテン…
I2V-01-Director は MiniMax Video-01 シリーズの画像から動画を生成するディレクター版モデルで、カメラワークの制御に重点を置いている。画像を入力し、テキストによる説明と組み合わせて動画を生成する。テキストから動画を生成するモデル T2V-01-Director と同じ 01-Director シリーズに属する。(minimaxi.com) プロンプト内のカメラワーク指…
T2V-01-Director は、MiniMax の海螺動画モデルファミリーに属するテキストから動画を生成するモデルで、カメラワークの制御と映画的なストーリーテリングに重点を置いています。モデルはテキストプロンプトを受け取り、動画を生成します。画像から動画を生成するモデル I2V-01-Director とは異なります。(minimax.io) 自然言語または角括弧による指示でカメラワークを制御…
Google が 2025 年 2 月 5 日にリリースした Gemini 2.0 Flash-Lite の公開プレビュー版で、コストと速度を重視する開発シーンを対象としています。Google によると、同じ速度とコストを維持しながら、ほとんどのベンチマークテストで Gemini 1.5 Flash を上回っています。(blog.google) マルチモーダル入力に対応し、約 100 万…
Gemini 2.0 Pro の実験的な公開プレビュー版。Google は発表時、当時の Gemini モデルの中でプログラミングと複雑なプロンプトの処理に最も優れたモデルと位置付けていた。(blog.google) マルチモーダル入力とテキスト出力に対応し、コード生成、複雑な問題の処理、大量の情報の分析と理解に適している。 公式に公表されたコンテキストウィンドウは 200 万トークン。実際の利用…
Gemini 2.0 Flash は、Google が高効率と本番環境での利用に向けて提供するマルチモーダルモデルです。gemini-2.0-flash-001 は 2025 年 2 月 5 日に一般提供版としてリリースされました。(aistudio.google.com) テキスト、画像、音声、動画の入力を受け付け、テキストを出力します。マルチモーダルコンテンツの理解、要約、情報抽出、対話などの…
Google Cloud Document AI の Enterprise Document OCR プロセッサのバージョンで、ドキュメントから文字とレイアウト情報を認識・抽出するために使用されます。公式は 2025 年 2 月 3 日に、このバージョンをリリース候補版(Release Candidate)として提供すると発表しました。現在のプロセッサ一覧では公開プレビュー版として掲載され、v2.…
OpenAI o3-mini は、OpenAI が提供する軽量な推論モデルです。科学、数学、プログラミングなどの技術的なタスクに最適化されており、推論能力、コスト、応答速度のバランスを重視しています。(openai.com) テキストの入力と出力に対応し、数学の問題解決、科学的分析、コードの生成とデバッグなどのタスクに使用できます。 関数呼び出し、構造化出力、ストリーミング出力に対応しています。推…
指定されたAlibaba Cloudの公式発表の直接読み取りはタイムアウトし、再試行も失敗しました。そのため、要件に従って発表原文に基づく独立した検証を完了できず、現時点では詳細の全文を作成しません。 読み取り済みのAlibaba Cloudモデル一覧では、qwen-audio-asr-1204が「通义千问ASR-2024-12-04」として掲載されていますが、この一覧だけでは初回リリース日や機能…
アリババクラウドの公式記事 https://developer.aliyun.com/article/1651640 の読み込みを試みましたが、ウェブページへのリクエストがタイムアウトしました。検索結果の要約では原文を全文読むことの代わりにはならないため、要求どおりの完全な詳細を生成できません。 アリババクラウドの別の公式告知は閲覧可能で、qwen-vl-max-1230 が…
Qwen-VL-Plus はアリババの通義千問シリーズの視覚言語モデルです。このレコードはスナップショット版 qwen-vl-plus-0102 に対応し、公式月刊誌では qwen-vl-plus-2025-01-02 とも呼ばれています。(developer.aliyun.com) このモデルは画像とテキストの理解を対象としています。公式によると、qwen-vl-plus-0809 と比較して、…