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

226 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…

Baidu

NAVA

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…

Baidu

PaddleOCR-VL-1.6

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…

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。…