GPT-5.6 Terra
GPT-5.6 Terraは、性能とコストのバランスを重視したGPT-5.6ファミリーのモデルです。OpenAIは、日常業務向けで、GPT-5.5に匹敵する性能をより低いコストで提供するモデルと位置付けています。(openai.com) テキストの入力・出力と画像入力に対応します。推論強度はnone、low、medium、high、xhigh、maxから選択でき、既定値はmediumです。(dev…
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。
GPT-5.6 Terraは、性能とコストのバランスを重視したGPT-5.6ファミリーのモデルです。OpenAIは、日常業務向けで、GPT-5.5に匹敵する性能をより低いコストで提供するモデルと位置付けています。(openai.com) テキストの入力・出力と画像入力に対応します。推論強度はnone、low、medium、high、xhigh、maxから選択でき、既定値はmediumです。(dev…
GPT-5.6ファミリーのフラッグシップモデル。複雑な専門業務向けに設計され、コーディング、知識労働、科学、サイバーセキュリティなどを用途とする。GPT-5.6ファミリーの一般提供開始日は2026年7月9日。それ以前の2026年6月26日には限定プレビューが開始された。 (openai.com) テキストの入力・出力と画像入力に対応。ストリーミング、関数呼び出し、構造化出力をサポートする。 コンテ…
GPT-Live-1 miniは、自然な音声対話を目的とするGPT-Liveシリーズのモデルです。2026年7月8日に発表され、ChatGPT Voice向けに段階的な提供が開始されました。 (openai.com) 全二重の音声対話:聞き取りと発話を同時に行い、相づち、発話の間、割り込みに対応します。リアルタイム翻訳にも利用できます。 (openai.com) 複雑な作業の委任:検索や高度な推論…
GPT-Live-1は、自然で表現豊かなリアルタイム音声対話向けの全二重音声モデルです。聞き取りと発話を同時に行い、相づち、間、発話の割り込みに対応します。(openai.com) 音声・テキストの入出力に対応し、リアルタイムの会話や音声翻訳に利用できます。(developers.openai.com) より深い推論やツールの利用をバックエンドのモデルに委譲し、処理中も会話を続けられます。APIで…
Seedream 5.0 Proは、複雑なデザインや実制作向けのマルチモーダル画像生成・編集モデルです。公式発表日は2026年7月8日です。(seed.bytedance.com) テキストからの画像生成、単一・複数の参照画像を使った生成、複数画像の合成。 データや文章を含む情報図、広告・販促物、教育・科学解説用ビジュアルの制作。 点、囲み、座標、手描きの印などを使った部分編集。色や素材の変更、人…
HunyuanOCR-1.5は、文字を中心とする視覚タスク向けの軽量なエンドツーエンドOCR特化型視覚言語モデルです。モデルカードには約10億パラメータと記載されています。公開日は2026年7月7日です。 (github.com) 文書解析、文字の検出・認識、情報抽出、画像内テキストの翻訳を単一モデルで扱います。文書のデジタル化や構造化情報の抽出に利用できます。 古文字や低リソース言語のOCR、複…
GPT-5.5 Instant Mini は、ChatGPT のフォールバック用モデルです。2026年7月6日の発表では、GPT-5.5 Instant または Auto の利用上限に達した際に使われるモデルとして、GPT-5.3 Instant Mini を置き換えると説明されています。(help.openai.com) ChatGPT で会話を継続するために使用されます。OpenAI によると…
GPT-Realtime-2.1 miniは、高速かつ低コストのリアルタイム音声対話向けに蒸留された推論モデルです。OpenAIは2026年7月6日にリリースを発表しました。(developers.openai.com) テキストと音声の入力・出力、画像入力、関数呼び出し、推論トークンに対応します。リアルタイム音声アプリケーションやツールを使う音声エージェントに利用できます。…
OpenAIのRealtime API向け音声対話・推論モデル。GPT-Realtime-2を更新し、英数字の認識、無音・ノイズへの対応、会話の割り込み処理を改善している。公開日は2026年7月6日。(developers.openai.com) 音声から音声への対話、指示への追従、関数呼び出しに対応し、複雑な音声エージェントのワークフローに利用できる。 推論の程度を調整できる。高く設定すると、遅…
Hy3は、Tencentが2026年7月6日に正式公開した、実用性とエージェント用途を重視する大規模言語モデルです。Hy3 previewを基盤に、性能、安定性、コスト効率を改善したとしています。高速・低速の思考を組み合わせたMixture-of-Experts(MoE)モデルで、総パラメータは2950億、活性化パラメータは210億です。(tencent.com) 複雑な推論、指示追従、文脈内学習…
Alibaba Cloud Model Studioで提供される、参照素材から動画を生成するモデルです。テキスト、画像、動画、音声を入力し、人物・小道具・場面の一貫性を保った動画生成を目的とします。画像と動画を混在させた参照は最大5点まで対応し、音声の音色も参照できます。単一人物の演技や複数人物の掛け合いなどに利用できます。 (help.aliyun.com) 公式掲載日:2026年7月1日。 2…
Alibabaのテキストから動画を生成するモデル「万相2.7」の2026年6月12日スナップショット版。公式のモデル更新公告における掲載日は2026年7月1日。日付付きIDの6月12日はスナップショット日であり、公告日とは異なる。(help.aliyun.com) テキストの指示に基づき動画を生成する。音声URLを指定でき、音声を指定しない場合は動画内容に合うBGMや効果音を自動生成する。(hel…
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…
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…
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…
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…
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…
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…