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

243 モデル

公開日の新しい順
Alibaba

Qwen-AgentWorld-35B-A3B

Qwen-AgentWorld-35B-A3Bは、AIエージェントの行動と対話履歴から環境の次の状態を予測する、エージェント環境シミュレーション向けの言語世界モデルです。Qwen3.5-35B-A3B-Baseを基盤とするMoEモデルで、総パラメータは350億、推論時の活性化パラメータは30億です。標準コンテキスト長は262,144トークンです。(huggingface.co) MCP、検索、ター…

ByteDance

Doubao-Seed-2.1-Turbo

Doubao-Seed-2.1-Turboは、Coding、エージェント、マルチモーダル理解の大規模な本番利用を想定した、低コスト・低遅延の深い推論モデルです。ByteDanceは、Seed 2.1シリーズを2026年6月23日に発表しました。これはシリーズの発表日であり、モデルID末尾の日付と同一とは限りません。(seed.bytedance.com) 深い推論、テキスト生成、マルチモーダル理解…

ByteDance

Doubao-Seed-2.1-Pro

ByteDanceのSeed2.1シリーズに属する、コーディングとエージェント向けの旗艦深層推論モデル。複雑な開発や長い手順を伴うタスクを対象とする。(docs.volcengine.com) 要件理解、コード生成、複数ファイルの修正、バグ修正、環境構築、結果検証などの開発支援。 長期計画、ツール呼び出し、ファイル処理、GUI操作を伴うエージェントタスク。 文書・画像・動画などの視覚情報の理解、資…

Baidu

Unlimited-OCR

Unlimited-OCRは、長文書のOCRと文書解析を目的とするオープンなモデルです。DeepSeek-OCRを基盤とし、総パラメータ数は約30億、推論時の活性化パラメータ数は約5.7億と公式に説明されています。(cloud.baidu.com) 単一画像や複数ページの文書を解析できます。公式のローカル推論例では、PDFをページ画像に変換してから処理します。(raw.githubusercont…

ByteDance

Seed-2.1-Pro-Preview

ByteDanceが公開した基盤モデルのプレビュー版です。2026年6月19日、Arena AIのCode Arenaでコミュニティ向けの早期アクセスが開始されました。(seed.bytedance.com) 公式発表ではCode Arenaでの試用が案内されています。ただし、具体的なコード生成能力、性能指標、対応モダリティなどの詳細は示されていません。(seed.bytedance.com) プ…

Alibaba

Fun-ASR-Flash

Alibaba Cloud Model Studioで提供される、短い音声ファイル向けの自動音声認識モデルです。音声を入力し、テキストを出力します。公式のモデル公開一覧では、公開日は2026年6月17日です。ID内の2026年6月15日は公開一覧上の日付とは異なります。(alibabacloud.com) 中国語の7大方言体系と20以上の地域の普通話アクセントに対応。日本語、英語、韓国語などにも対…

Zhipu AI

GLM-5.2

GLM-5.2は、長時間にわたるタスク、特にソフトウェア開発やエージェントによる複数段階の作業に向けた旗艦基盤モデルです。公式発表の公開日は2026年6月16日です。モデル重みは公開され、MITライセンスが適用されます。(z.ai) 入出力はテキスト。コンテキスト長は1Mトークン、最大出力は128Kトークンです。(docs.z.ai) 複数の思考モード、ストリーミング、関数呼び出し、コンテキストキ…

Alibaba

HappyHorse-1.1-I2V

HappyHorse-1.1-I2Vは、1枚の画像を先頭フレームとして動画を生成する画像生成動画モデルです。Alibabaの公式発表では、画像の理解、動きの滑らかさ、人物の同一性、文字描画、音と映像の同期などの改善が挙げられています。静止画像に動きを付ける短編動画制作に利用できます。 (alibabacloud.com) 音声に対応し、出力は480P・720P・1080P、3〜15秒、24 fps…

Alibaba

HappyHorse-1.1-R2V

HappyHorse-1.1-R2Vは、Alibaba Cloud Model Studioで提供される、参照画像から動画を生成するモデルです。テキストと最大9枚の参照画像を入力し、人物、場面、スタイル、カメラワークを反映した動画を生成します。公式発表では、被写体や画面の一貫性が向上したと説明されています。(alibabacloud.com) 参照画像を使った人物・場面・スタイルを伴う映像制作に利…

Alibaba

HappyHorse-1.1-T2V

Alibaba Cloud Model Studio(阿里云百炼)で提供されるテキストから動画を生成するモデル。2026年6月16日に公開された。公式発表によると、テキストの意味理解、カメラワーク、動きの生成を改善し、人物の動作や場面の雰囲気、物理的な動きの自然さ、映像の一貫性を高めている。 (alibabacloud.com) テキストプロンプトから音声付き動画を生成。映像アイデアの試作や短い動…

Alibaba

Qwen3.5-OCR

Qwen3.5系列のOCRモデル。文書解析、文字位置の特定、重要情報の抽出を目的とし、Alibaba Cloud Model Studioで提供される。公式発表日は2026年6月16日。 (alibabacloud.com) 画像からテキストを抽出し、身分証明書や運転免許証などの情報抽出に利用できる。 PDF文書の解析と複数ターンの対話に対応する。Responses APIでは画像とPDFを入力で…

Alibaba

Qwen-RobotWorld

Qwen-RobotWorldは、身体性を持つAI向けの、自然言語で条件付けられる動画世界モデルです。現在の視覚的な観測と自然言語による行動指示から、物理的に妥当な将来の視覚軌道を予測します。Qwen-Robot Suiteを構成するモデルの一つです。(alibabacloud.com) ロボットの物体操作、自動運転、屋内ナビゲーション、人の実演からロボットへの動作転移を対象とします。 指示中の物…

Alibaba

Qwen-RobotManip

Qwen-RobotManipは、Qwen-Robot Suiteのうち、ロボットによる物体操作を担う視覚・言語・行動(VLA)基盤モデルです。Qwen3.5-4Bの視覚言語バックボーンと、連続的な行動を生成するフローマッチング方式のDiffusion Transformerを組み合わせています。(qwen.ai) 視覚情報と自然言語の指示に基づき、ロボットの操作行動を生成します。未知の場面や指示…

Alibaba

Qwen-RobotNav

Qwen-RobotNavは、Qwen-Robot Suiteに含まれる、移動ロボット向けの視覚・言語・ナビゲーションモデルです。Qwen3-VLを基盤とし、上位のエージェントから呼び出せるナビゲーション機能として設計されています。(alibabacloud.com) 自然言語の指示に従った移動、地点・物体を目標とするナビゲーション、対象追跡、自動運転を共通の軌道予測インターフェースで扱います。(…

Tencent

Hy-Embodied-0.5-VLA-RoboTwin

Tencent Robotics XとTencent Hy Teamによる、ロボット操作向けの視覚・言語・行動(VLA)モデル。Hy-Embodied-0.5-VLA-UMIを基に、RoboTwin 2.0の双腕操作50タスクで教師ありファインチューニングしたチェックポイントです。モデルカードには約50億パラメータと記載されています。(huggingface.co) 画像、ロボットの状態、自然言語…

Tencent

Hy-Embodied-0.5-VLA-UMI

Hy-Embodied-0.5-VLA-UMIは、Tencent Robotics XとTencent Hy Teamが開発した視覚・言語・行動(VLA)システムの事前学習済みチェックポイントです。対象ロボットやタスクに合わせてファインチューニングするための汎用的な出発点として公開されています。公開日は2026年6月15日です。(github.com) 画像、言語指示、ロボットの状態を扱い、連続的…

Moonshot AI

Kimi K2.7 Code

Kimi K2.7 Codeは、Moonshot AIが開発した、長時間にわたるソフトウェア開発とエージェント型のコーディングに特化したモデルです。Kimi K2.6を基盤とし、モデルの重みとコードはModified MIT Licenseで公開されています。(huggingface.co) 公開日:2026年6月12日。 (kimi.com) 複雑なコード作成、リポジトリ規模の作業、複数ステップ…

Baidu

PP-OCRv6_medium_rec

PP-OCRv6のmedium級に属する、サーバー向けの文字認識モデルです。画像中の文字をテキストに変換する認識部分を担い、ページ全体の文字位置を検出するには別の検出モデルなどとの組み合わせが必要です。推論モデルの公表サイズは73.3 MBです。(paddleocr.ai) 単一モデルで日本語、簡体字・繁体字中国語、英語、46のラテン文字系言語の計50言語に対応します。PPLCNetV4、Ligh…

Baidu

PP-OCRv6_medium_det

PP-OCRv6系列の中規模テキスト検出モデル。PPLCNetV4とRepLKFPNを基盤とし、サーバーでの高精度な検出を想定している。公式資料に記載されたモデルサイズは59.4 MB。画像内の文字領域を検出し、その位置を後段の認識モデルに渡す。(github.com) 文書、街頭画像、工業部品などを対象とするOCRパイプラインの文字領域検出に利用できる。PP-OCRv6のOCRシステムは日本語を…

Baidu

PP-OCRv6_small_rec

PP-OCRv6シリーズの軽量な文字認識モデルです。smallはモバイル向けの中間規模で、認識モデル単体は約520万パラメータです。LCNetV4、LightSVTR、CTC・NRTRのマルチヘッドデコーダーを採用しています。モデルカード上のライセンスはApache-2.0です。(github.com) 切り出された文字画像からテキストを認識します。日本語、簡体字・繁体字中国語、英語など50言語に…