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

264 モデル

公開日の新しい順
Baidu

PP-OCRv6_small_det

PP-OCRv6_small_detは、PaddleOCRのPP-OCRv6シリーズに属する小型の文字検出モデルです。画像内の文字領域を特定する用途向けで、モバイル環境での精度と効率の両立を重視しています。LCNetV4とRepLKFPNを採用し、パラメーター数は約248万、公式資料に記載されたモデルサイズは9.6 MBです。(huggingface.co) 印刷文字、手書き文字、回転・湾曲した文…

Baidu

PP-OCRv6_tiny_rec

PP-OCRv6_tiny_recは、PP-OCRv6シリーズの軽量な文字認識モデルです。画像内の文字列を読み取る認識モジュールであり、エッジ・IoT環境での利用を想定しています。推論モデルと学習モデルが公開されています。(paddleocr.ai) 簡体字中国語、繁体字中国語、英語、ラテン文字系言語など、49言語に対応します。(paddleocr.ai)…

Baidu

PP-OCRv6_tiny_det

PP-OCRv6_tiny_detは、PaddleOCRチームが開発したPP-OCRv6系列の超軽量文字領域検出モデルです。約43万パラメータ、モデル保存サイズは1.9 MBで、エッジ端末やIoT向けに設計されています。PPLCNetV4系バックボーンとRepLKFPNを使用します。(github.com) 画像中の文字領域を検出し、印刷文字、手書き、回転・湾曲した文字、装飾文字などの位置特定に利…

Google

DiffusionGemma

DiffusionGemmaは、Google DeepMindが開発した実験的なオープンウェイトのマルチモーダル生成モデルです。Gemma 4のMoEアーキテクチャを基盤とし、低遅延のローカル利用やテキスト拡散の研究を目的としています。重みはApache 2.0ライセンスで公開されています。公式発表日は2026年6月10日です。(blog.google) 対象リリース:diffusiongemma…

Anthropic

Claude Mythos 5

Claude Mythos 5は、サイバーセキュリティと生物学研究向けの高性能モデルです。Claude Fable 5と同じ基盤モデルを使用しますが、一部の安全措置が異なります。2026年6月9日に発表されました。(anthropic.com) テキストと画像を入力し、テキストを出力します。コンテキストウィンドウは100万トークン、最大出力は128Kトークンです。適応的思考は常時有効で、デフォルト…

Anthropic

Claude Fable 5

Claude Fable 5は、Anthropicが一般利用向けに提供するMythosクラスのモデルです。長時間にわたる複雑な作業、ソフトウェア開発、専門的な知識作業を主な対象としています。Claude Mythos 5とは基盤モデルを共有しますが、安全対策とアクセス条件が異なります。(anthropic.com) 公開日:2026年6月9日。(anthropic.com) Claude APIモ…

Google

Gemini 3.5 Live Translate

Gemini 3.5 Live Translateは、会話を低遅延で音声から音声へ翻訳するためのプレビュー版モデルです。Googleは2026年6月9日に発表し、開発者向けにGemini Live APIとGoogle AI Studioでの公開プレビューを開始しました。(blog.google) 70以上の言語を自動検出し、話者が話し終わるのを待たずに連続翻訳します。翻訳音声では、話者のイントネ…

Zhipu AI

SCAIL-2

SCAIL-2は、参照キャラクターに駆動動画の動きを移す、オープンソースの制御可能なキャラクターアニメーションモデルです。骨格などの中間ポーズ表現を必須としないエンドツーエンド方式を採用しています。(huggingface.co) キャラクターの動作転写、異なる人物間のキャラクター置換、複数キャラクターのアニメーションに対応します。動物による駆動や、SAM3D-Bodyのメッシュ描画を利用したゼロ…

Alibaba

Qwen3.7-Max

Qwen3.7シリーズの最大規模・最高性能に位置づけられるモデルの2026年6月8日スナップショットです。5月20日のスナップショットに視覚理解が追加され、現実世界の場面を把握するマルチモーダル対話型エージェントに対応します。推論サービスの提供元はAlibaba Cloud Model Studioです。(alibabacloud.com) テキスト・画像・動画を入力し、テキストを出力します。テキ…

OpenAI

GPT-Rosalind-5.5

2026年6月3日に発表された、生命科学研究向けの専門推論モデル。GPT-5.5を追加学習したモデルで、生物学、創薬、トランスレーショナル医療の研究を支援する。GPT-5.5のエージェント型コーディングとツール利用能力を基盤としている。(openai.com) 医薬品化学:化学構造の理解、構造活性相関、薬効・毒性・ADMEの予測、リード化合物の最適化、逆合成の検討。 ゲノミクス・定量生物学:分析計…

Google

Gemma 4 12B

Gemma 4 12B Unifiedは、GoogleがノートPC上でのローカル実行を目的に公開した、120億パラメータの高密度マルチモーダルモデルです。事前学習済み版と指示調整版が提供され、Apache 2.0ライセンスで公開されています。(blog.google) テキスト、画像、動画、音声を入力として扱い、テキストを生成します。画像・音声専用の独立したエンコーダーを使わず、軽量な投影を介して…

Alibaba

Qwen3.7-Plus

Qwen3.7シリーズの費用対効果を重視したPlusモデル。テキスト処理に加え、視覚・言語理解とエージェント機能を備える。指定IDは2026年5月26日時点のスナップショットで、阿里云百炼の公式更新履歴には2026年6月1日の公開として掲載されている。(docs.bailian.console.aliyun.com) テキスト・画像・動画を入力し、テキストを出力する。深い思考、Function…

MiniMax

MiniMax M3

MiniMax M3は、コーディングとエージェント業務を重視した、ネイティブマルチモーダルの汎用モデルです。公開日:2026年6月1日。公式発表によると、画像・動画入力に対応し、MiniMax Sparse Attention(MSA)によって最大100万トークンのコンテキストを扱えます。(minimax.io) バグ修正、フロントエンド・バックエンド開発、性能最適化などのソフトウェア開発。 検索…

Tencent

Universal Audio Tokenizer

TencentのWeChat AIによる、Audio-LLM向けの音声・音響トークナイザー。単一コードブックによるコンパクトな表現で、言語的整合性と幅広い音響の知覚を両立することを目的とする。(github.com) 音声や音響から離散トークンを抽出し、トークンから波形を再構成する。公式デモでは音声ファイルの符号化と再構成を行う。 音声内容、声の特徴、音響場面を捉えるSAP教師信号と、音響の細部を…

Anthropic

Claude Opus 4.8

Claude Opus 4.8は、Anthropicが2026年5月28日に発表したOpusシリーズのモデルです。Opus 4.7を基に、コーディング、推論、エージェントによる作業や実務上の知識作業を改善したとされています。公式モデル一覧ではレガシーモデルに分類されています。(anthropic.com) テキストと画像を入力し、テキストを出力します。通常のコンテキストウィンドウは100万トークン…

Google

Gemini 3 Pro Image

Gemini 3 Pro Image(Nano Banana Pro)は、複雑な画像生成や複数ターンにわたる画像編集向けのモデルです。テキストと画像を入力し、テキストと画像を出力できます。(docs.cloud.google.com) 2026年5月28日:指定されたモデルIDがGemini Enterprise Agent Platformで一般提供(GA)となりました。同日の発表では、1K・2…

Google

Gemini 3.1 Flash Image

Gemini 3.1 Flash Imageは、Nano Banana 2とも呼ばれる画像生成・編集モデル。Gemini 3 Pro Imageの高効率な補完モデルとして、低遅延での対話的な編集や、大量の画像生成向けに設計されている。 (ai.google.dev) 初回発表:2026年2月26日。 当初はGemini APIやGoogle Cloudでプレビュー提供された。…

Alibaba

Qwen3.7-Max

Qwen3.7-Maxは、エージェント向けに設計されたQwen3.7シリーズのフラッグシップモデルです。プログラミング、オフィス業務、生産性向上、長時間の自律的なタスク実行を主な用途とします。API ID qwen3.7-max は、確認時点ではスナップショット qwen3.7-max-2026-05-20 と同等の機能を持つと公式文書に記載されています。(help.aliyun.cn) 阿里云百…

Alibaba

Qwen3.7-Max-Preview

Qwen3.7シリーズのMaxモデルのプレビュー版。一般的な対話向けに最適化され、知識に関する質疑応答、指示への追従、創作などに利用できる。入力と出力はテキストのみで、思考モードのみをサポートする。(alibabacloud.com) Function Calling、構造化出力、Web検索、プレフィックス補完に対応。 コンテキストキャッシュ、バッチ推論、モデルのファインチューニングには非対応。…

Google

Gemini Omni Flash

Gemini Omni Flashは、Geminiのマルチモーダルな推論能力と生成メディア技術を組み合わせた、動画の生成・編集向けモデルです。Omniシリーズの最初のモデルとして、2026年5月19日のGoogle I/Oで発表されました。(blog.google) テキスト、画像、音声、動画を入力として扱い、音声付きの動画を生成できます。ただし、実際に利用できる入力形式は製品やAPIのバージョン…