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

244 モデル

公開日の新しい順
ByteDance

Bernini

Bernini 7+14Bは、動画生成と編集を統合するモデルです。マルチモーダル大規模言語モデル(MLLM)によるセマンティックプランナーと、拡散トランスフォーマー(DiT)によるレンダラーを組み合わせます。完全版にはQwen2.5-VLベースのプランナーとWan2.2の拡散コンポーネントが含まれます。(github.com) テキストからの画像・動画生成、画像編集、動画編集、参照素材を用いた動画…

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…

Tencent

Hy-MT2-30B-A3B

Hy-MT2-30B-A3Bは、Tencentが公開した、実際の複雑な利用場面を対象とする多言語翻訳モデルです。30B-A3BのMoEモデルで、Hy-MT2シリーズの大規模版に位置付けられます。公開日は2026年5月21日です。(github.com) 33言語間の翻訳と、多言語による翻訳指示への追従に対応します。(github.com) 用語指定、文脈、文体、区切り文字や構造化データに関する翻訳…

Tencent

Hy-MT2-7B

Hy-MT2-7Bは、TencentのHy-MT2シリーズに属する70億パラメータの多言語翻訳モデルです。2026年5月21日にモデルが公開されました。モデルカードにはApache-2.0ライセンスが記載されています。(github.com) 日本語、英語、中国語を含む33言語間の翻訳に対応し、多言語の翻訳指示に従うよう設計されています。一般的な翻訳のほか、業務・専門分野の文書、用語や文体を指定し…

Tencent

Hy-MT2-1.8B

Hy-MT2-1.8Bは、Tencentの多言語翻訳モデル群Hy-MT2に属する、18億パラメータの軽量モデルです。実際の複雑な翻訳場面を対象とする「高速思考」型モデルで、2026年5月21日にオープンソース公開されました。モデルカードにはApache License 2.0が記載されています。 (github.com) 日本語を含む33言語間の翻訳と、多言語の翻訳指示への追従を目的としています。…

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…

Google

Gemini 3.5 Flash

Googleが2026年5月19日に発表したGemini 3.5シリーズのFlashモデル。Gemini 3 Flashを基盤とする、ネイティブなマルチモーダル推論モデルで、高速な応答とエージェント処理・コーディングを重視している。思考レベルにより、品質・コスト・遅延のバランスを調整できる。(blog.google) テキスト、画像、音声、動画を入力し、テキストを出力する。Google…

Alibaba

Qwen3.5-LiveTranslate-Flash-Realtime

Qwen3.5-Omniを基盤とする、リアルタイムの多言語音声・映像翻訳モデルです。音声を入力し、映像から取得した画像を文脈として併用できます。翻訳結果はテキスト、またはテキストと音声で出力できます。国際会議、ライブ配信のローカライズ、オンライン授業、商談などが想定用途です。(qwen.ai) 60言語を理解し、そのうち29言語はテキストと音声、残る31言語はテキストのみで出力できます。音声クロー…

ByteDance

Lance

Lanceは、画像・動画の理解、生成、編集を単一の枠組みで扱う、ネイティブ統合マルチモーダルモデルの研究プロジェクトです。アクティブパラメータは約30億です。完成済みの製品モデルではなく、研究用成果物として公開されています。(github.com) テキストからの画像・動画生成、画像からの動画生成、画像・動画の編集。 画像・動画に関する質問応答やキャプション生成などの視覚理解。 統合マルチモーダル…

Tencent

WorldStereo 2.0

WorldStereo 2.0は、Tencentのマルチモーダル3Dワールドモデル「HY-World 2.0」を構成する、ワールド拡張用のモデルです。約170億パラメータを持ち、カメラ軌跡と幾何情報を考慮しながら、一貫性のある複数視点のキーフレームを生成します。(github.com) HY-World 2.0のワールド生成パイプラインでは、パノラマ生成、軌跡計画に続く拡張段階を担当します。後段の…

Tencent

HY-Pano 2.0

HY-Pano 2.0は、HY-World 2.0の3D世界生成パイプラインの初段を担う、360°パノラマ生成モデルです。テキストまたは単一の透視画像から、正距円筒図法(ERP)のパノラマ画像を生成します。公式モデル一覧では、HY-Pano-2のパラメータ数は約800億とされています。(github.com) パノラマ画像の生成や、3D世界生成の初期シーン作成に利用できます。 HY-World 2…

Baidu

ERNIE 5.1

ERNIE 5.1は、Baiduが2026年5月9日に正式発表した汎用モデル。ERNIE 5.0の事前学習基盤を継承し、知識、推論、エージェント作業、検索、創作を重視している。(ernie.baidu.com) 知識に基づく質問応答、論理・数学推論、検索を伴う調査、ツールを使ったエージェント作業に利用できる。 文章作成、長編の物語、専門的なコンテンツ制作にも対応する。公式発表は、コード・推論・エー…

OpenAI

GPT-Realtime-Whisper

GPT-Realtime-Whisperは、ライブ音声を低遅延で文字起こしするストリーミング音声認識モデルです。話者が話している間に文字起こしの差分を逐次出力し、遅延と認識精度の調整を必要とするリアルタイム用途向けに設計されています。Realtime APIで利用できます。 (openai.com) 会議、授業、放送、イベントのライブ字幕、会話中の議事録作成、利用者の発話を継続的に理解する音声エー…

OpenAI

GPT-Realtime-Translate

GPT-Realtime-Translateは、ライブの多言語音声体験向けに設計された、ストリーミング音声翻訳モデルです。OpenAIは2026年5月7日に発表し、Realtime APIで提供しています。(openai.com) 音声の入力中に翻訳音声と翻訳テキストを順次出力します。入力言語は自動検出され、出力先言語を指定します。発表時の対応範囲は入力70言語以上、出力13言語です。(devel…

OpenAI

GPT-Realtime-2

GPT-Realtime-2は、リアルタイムの音声対話とツール利用を目的としたOpenAIのモデルです。OpenAIは、GPT-5クラスの推論能力を備えた同社初の音声モデルとして発表しました。Realtime APIで利用できます。(openai.com) 音声から音声への対話に対応し、会話中の訂正や割り込みに対処しながら推論やツール呼び出しを行えます。並列ツール呼び出しにも対応します。 テキスト…

OpenAI

GPT-5.5-Cyber

GPT-5.5-Cyberは、専門的なサイバーセキュリティ業務向けモデルです。2026年5月7日、重要インフラを守る防御担当者向けに限定プレビューとして発表されました。(openai.com) 許可されたレッドチーム演習、侵入テスト、脆弱性の悪用可能性の検証など、専門的なセキュリティ作業を支援します。 初期プレビューは、GPT-5.5を大幅に上回る能力を目指したものではなく、主にセキュリティ関連の…

Google

Gemini 3.1 Flash-Lite

Gemini 3.1 Flash-Liteは、低遅延・低コストで大量の処理を行う用途に最適化された、Gemini 3系列のマルチモーダル推論モデルです。Gemini 3 Proを基盤としています。(storage.googleapis.com) 2026年3月3日にVertex AIで公開プレビューとして提供され、2026年5月7日にGemini Enterprise Agent…

ByteDance

Cola DLM

Cola DLMは、ByteDance Seedなどが発表した、研究向けの階層型連続潜在空間拡散言語モデルです。対象の公開チェックポイントは、論文のスケーリング実験における学習計算量約2000 EFLOPsのものです。これは推論速度を示す数値ではありません。(arxiv.org) 入力・出力:テキストを入力し、テキストを生成します。Text…

OpenAI

GPT-5.5 Instant

GPT-5.5 Instantは、日常的な対話を対象とするOpenAIのモデルです。2026年5月5日に発表され、当時のChatGPTのデフォルトモデルであるGPT-5.3 Instantを置き換え、APIではchat-latestとして提供されました。(openai.com) 日常的な質問への、より明確で簡潔な回答や自然な対話。 アップロードされた写真・画像の分析、STEM分野の質問への回答、必…