モデルディレクトリ

最新の AI モデル

新しいモデルを公開日順に見つけられます。

公開日の新しい順7 言語
クリア

390 モデル

公開日の新しい順
Zhipu AI

Glyph

Glyphは、長文を画像に変換して視覚言語モデルで処理する「視覚・テキスト圧縮」により、長いコンテキストを効率的に扱うためのモデルとフレームワークです。公開モデルはGLM-4.1V-9B-Baseを基にしています。(github.com) 長文を画像として入力し、指示や質問に対してテキストで回答します。長文の質問応答や文書理解などに利用できます。公式リポジトリによると、英語・中国語向けのレンダリン…

ByteDance

Seedance 1.0 Pro Fast

ByteDance の動画生成モデル。生成品質、速度、コストのバランスを重視した高速版で、公式説明では Seedance 1.0 Pro と比べて生成速度が最大約3倍とされています。(docs.volcengine.com) 入力:テキスト、または先頭フレームとして使用する画像。 出力:動画。公式資料では 480p、720p、1080p、24 fps、2~12秒、MP4 が示されています。 用途例…

ByteDance

Seed3D 1.0

Seed3D 1.0は、単一画像から物理シミュレーション向けの高精細な3Dアセットを生成する基盤モデルです。Diffusion Transformer(DiT)を用いており、ByteDance Seedの公式発表日は2025年10月23日です。(seed.bytedance.com) 入力画像を基に、詳細な形状、写実的なテクスチャ、物理ベースレンダリング(PBR)材質を備えた3Dアセットを生成しま…

Alibaba

Qwen2.5-VL-Embedding

Qwen2.5-VLを基盤とする統合マルチモーダル埋め込みモデル。テキスト・画像・動画を単独または組み合わせて入力し、統一された表現ベクトルを生成する。クロスモーダル検索、画像・動画検索、クラスタリング、タグ付けなどに利用できる。(help.aliyun.com) ベクトル次元は512、768、1024、2048から選択でき、デフォルトは1024。最大入力長は32,000トークン。(help.al…

Alibaba

Qwen3-Rerank

Qwen LLMを基盤として訓練されたテキスト再ランキングモデル。検索クエリと候補文書の関連性を評価し、候補を並べ替える。日本語を含む100以上の言語と長文入力に対応し、意味検索やRAGに利用できる。公式発表では、性能はオープンソースのQwen3-Rerankシリーズに相当すると説明されている。(help.aliyun.com) 検索で取得した候補文書を関連度順に再評価する。結果には文書のインデッ…

DeepSeek

DeepSeek-OCR

DeepSeek-OCRは、画像を通じたテキストの圧縮と復元を研究するOCRモデルです。DeepSeekの公式リポジトリによる公開日は2025年10月20日です。論文では、画像エンコーダーとMoEデコーダーを組み合わせた構成が説明されています。 (github.com) 画像内の文字認識、文書のMarkdown変換、図の解析、画像内の指定文字列の位置特定などに利用できます。 (github.com…

ByteDance

Doubao-Seed-1.6-lite

ByteDanceの小型・深い思考向け対話モデル。火山方舟の公式発表では、doubao-seed-1-6-250615と比べて推論速度が大幅に向上したと説明されている。速度の具体的な測定値は、この発表では示されていない。 (docs.volcengine.com) 対話型の質問応答や、推論を伴うテキスト処理への利用が考えられる。実際の品質と遅延は、対象タスクで検証する必要がある。 公式のモデル廃止…

ByteDance

Doubao-Seed-1.6

ByteDanceの対話・深い推論向けモデル。火山方舟の2025年10月の公式リリース一覧には、指定されたモデルIDが新規公開モデルとして掲載されている。(docs.volcengine.com) thinkingとnon-thinkingの両モードに対応し、深い推論の有効・無効を切り替えられる。reasoning_effortにも対応する。(docs.volcengine.com)…

Anthropic

Claude Haiku 4.5

Claude Haiku 4.5は、速度とコスト効率を重視したAnthropicの小型言語モデルです。2025年10月15日に公開されました。発表時、Anthropicはコーディング性能がClaude Sonnet 4に近く、コストは約3分の1、速度は2倍以上と説明しています。(anthropic.com) テキストと画像を入力し、テキストを出力できます。分析、コーディング、コンピューター操作、エ…

Google

Veo 3.1 Fast Preview

Googleの動画生成モデルVeo 3.1の高速プレビュー版。テキストや画像を基に、映像と同期した音声を含む動画を生成する。短い映像の制作や、動画アイデアの素早い試作に適している。(cloud.google.com) 2025年10月15日。Google Cloudは同日、Veo 3.1とVeo 3.1 Fastのプレビューを発表した。(docs.cloud.google.com) テキストからの…

Google

Veo 3.1 Preview

Googleの動画生成モデルVeo 3.1のプレビュー版。Vertex AI向けに2025年10月15日に発表された。Fast Previewは別モデル。(docs.cloud.google.com) テキストや画像からの動画生成、開始・終了フレームの指定、参照画像を使った生成に対応する。映像に同期した音声や効果音の生成にも対応する。(docs.cloud.google.com) 画像を動かす短編…

Alibaba

Qwen3-VL-Flash

Qwen3-VL-Flashは、応答速度を重視した小型の視覚理解モデルです。思考モードと非思考モードに対応し、テキスト・画像・動画を入力してテキストを生成します。公式発表によると、長い動画や文書の理解、物体認識、空間認識、視覚的な2D・3D位置特定に対応します。画像や動画についての質問応答、文書の理解、実世界の視覚情報を伴う推論などに利用できます。(help.aliyun.com) 中国本土向けの…

Tencent

hunyuan-translation

Tencentの多言語翻訳向け大規模言語モデルです。APIでは hunyuan-translation を指定します。2025年10月14日の公式発表は、このモデルのバージョン更新であり、初公開日は2024年10月25日です。(cloud.tencent.com) 日本語、中国語、英語を含む33言語の相互翻訳と、5つの民族言語の翻訳に対応します。多言語テキストの翻訳に利用できます。(cloud.t…

Google

Gemini 2.5 Computer Use

Google DeepMindがGemini 2.5 Proを基に、ユーザーインターフェースの操作向けに追加学習したプレビューモデル。2025年10月7日に発表され、当初はGemini APIおよびVertex AIを通じて提供された。(blog.google) 画面のスクリーンショットを理解し、目的達成までの操作を計画して、クリック、メニュー選択、文字入力などのアクションを提案する。ブラウザー操…

OpenAI

GPT Image 1 mini

GPT Image 1 miniは、画像の生成・編集を低コストで行うための、GPT Image 1の効率重視版です。2025年10月6日に公開されました。 (developers.openai.com) テキストと画像を入力し、画像を出力するネイティブなマルチモーダルモデルです。テキストによる画像生成や、入力画像の編集に利用できます。Images APIの生成・編集エンドポイントに対応します。 (…

OpenAI

GPT-Audio mini

GPT-Audio miniは、GPT Audioの費用対効果を重視した音声モデルです。OpenAIは2025年10月6日、音声から音声への応答を低コストで行うモデルとして公開しました。モデルのAPI IDは gpt-audio-mini、公開時のスナップショットは gpt-audio-mini-2025-10-06 です。(developers.openai.com) テキストと音声の入力・出力…

OpenAI

GPT-Realtime mini

GPT-Realtime miniは、リアルタイムの音声対話向けに設計された、GPT-Realtimeの低コスト版モデルです。音声とテキストを入出力でき、画像は入力のみ対応します。WebRTC、WebSocket、SIPを介したリアルタイム応答や関数呼び出しに対応しており、音声アシスタントや対話型音声エージェントなどに利用できます。(developers.openai.com) 2025年10月6…

Google

Gemini 2.5 Flash Image

Gemini 2.5 Flash Image(Nano Banana)は、画像の理解・生成・編集に最適化され、速度とコスト効率を重視したマルチモーダルモデルです。テキストと画像を入出力できます。(docs.cloud.google.com) 2025年10月2日、Vertex AIで一般提供(GA)が発表されました。GA版ではアスペクト比の指定、画像のみの応答、リージョナルエンドポイント、バッチ予…

OpenAI

Sora 2 Pro

Sora 2 Proは、OpenAIの動画・音声生成モデルです。2025年9月30日のSora 2発表時に、より高画質な実験的モデルとして紹介されました。当初はChatGPT Proユーザーがsora.comで利用でき、API提供は将来の計画とされていました。(openai.com) テキストまたは画像を入力し、同期した音声を伴う、細部に富んだ動きのある動画を生成できます。映像の構想、短い動画クリ…

OpenAI

Sora 2

Sora 2は、OpenAIの動画・音声生成モデルです。2025年9月30日に発表されました。テキストや画像をもとに動画を生成し、映像と同期した会話や効果音も生成できます。(openai.com) 複数ショットにまたがる指示に対応し、写実的、映画風、アニメ風などの表現が可能です。映像制作、ストーリーテリング、視覚的なアイデアの試作などに利用されていました。従来モデルより物理的な動きの再現性と制御性…