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…
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。
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…
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)…
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…
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…
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…
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…
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…
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…
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…
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…
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…
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 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…
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…
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…
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。…
NAVA(Native Audio-Visual Alignment)は、BaiduのERNIE Teamによる音声・映像の同時生成モデルです。約63億パラメータの基幹モデルに、音声と映像を対応付けてから条件情報を融合する「Align-then-Fuse MMDiT」を採用しています。(huggingface.co) テキストから、時間的に同期した映像と音声を生成します。効果音や会話を伴う短い映像…
PaddleOCR-VL-1.6は、PaddleOCR-VL-1.5を基に改良された、文書解析向けの軽量な視覚言語モデルです。約0.9Bパラメータで、モデルカードのライセンスはApache-2.0です。(github.com) 文書画像などからテキスト、数式、表、図表、印章を認識し、文書の構造化に利用できます。中国語の古文書や希少文字の認識も強化されています。最大111言語を対象としています。(a…
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…