Gemini 3.5 Flash-Lite
Gemini 3.5 Flash-Liteは、低遅延・高スループットの処理とエージェント型ワークフローに最適化された、低コストのマルチモーダル推論モデルです。Gemini 3.1 Flash-Liteを基盤としています。(deepmind.google) テキスト、画像、動画、音声、PDFを入力し、テキストを出力します。入力上限は1,048,576トークン、出力上限は65,536トークンです。(a…
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。
Gemini 3.5 Flash-Liteは、低遅延・高スループットの処理とエージェント型ワークフローに最適化された、低コストのマルチモーダル推論モデルです。Gemini 3.1 Flash-Liteを基盤としています。(deepmind.google) テキスト、画像、動画、音声、PDFを入力し、テキストを出力します。入力上限は1,048,576トークン、出力上限は65,536トークンです。(a…
Gemini 3.6 Flashは、Gemini 3.5 Flashを基盤とする、速度とマルチモーダル能力のバランスを重視した汎用モデルです。Googleは、コーディング、知識作業、マルチモーダル処理の性能とトークン効率の向上を挙げています。発表日は2026年7月21日です。(blog.google) テキスト、画像、音声、動画を入力し、テキストを出力できます。モデルカードでは、入力コンテキストは…
Qwen-Imageシリーズの第3世代に当たる画像生成基盤モデルです。公式ブログの公開日は2026年7月21日です。なお、Alibaba Cloudの更新履歴では、API ID qwen-image-3.0 のStandard版は2026年8月4日に掲載されており、ブログの公開日とは区別する必要があります。 (qwen.ai)…
Qwen3.7のネイティブな視覚言語モデル系列に属するFlashモデル。Alibaba Cloud Model Studioで提供される日付固定のスナップショット版。公式リリース一覧での掲載日は2026年7月21日。(alibabacloud.com) テキスト・画像・動画を入力し、テキストを出力する。テキスト生成、推論、画像理解に対応する。(alibabacloud.com) Function…
HPD-Parsingは、高スループットの文書解析を目的とした軽量な視覚言語モデルです。モデル規模は約10億パラメータで、重みはApache-2.0ライセンスで公開されています。(huggingface.co) 文書画像のレイアウトを解析し、ブロックの種類、位置座標、テキストを含む構造化結果を出力します。大量の文書ページの解析や、後続処理用の構造化に利用できます。(paddleocr.ai) 主レ…
Seed Audio 1.0は、音声、効果音、環境音などを単一の枠組みで生成し、場面全体の音を制作するモデルです。ByteDance Seedの公式発表日は2026年7月20日です。 (seed.bytedance.com) 一つのプロンプトで、登場人物の台詞、感情、効果音、環境音を組み合わせた音声シーンを生成できます。台詞の開始時刻は100ミリ秒間隔で指定できます。 テキストによる声の説明や、使…
Qwen-Image-3.0-Proは、複雑なレイアウトや細かな文字表現に重点を置いた画像生成・編集モデルです。テキストと画像を入力し、画像を出力します。Alibaba Cloud Model Studioの公式リリース一覧では、シンガポールの国際デプロイ向けに2026年7月20日に掲載されています。(alibabacloud.com) 最大4.5kトークンの入力に対応。新聞、絵コンテ、メニュー、…
Qwen 3.8-Max-Previewは、AlibabaのQwenシリーズに属するプレビュー版基盤モデルです。公式発表によると、パラメータ数は2.4兆で、2026年7月19日にToken Plan、Qoder、QoderWorkで公開されました。(alibabagroup.com) Alibabaは、前世代のQwen3.7-Maxと比べ、コード開発や専門的なオフィス業務の能力が向上したと説明して…
MiniMaxの音楽生成モデル。創作イメージのテキストと任意の歌詞から、作曲、編曲、歌唱、音声制作を一度に行い、最長5分の楽曲を生成する。オープンウェイト版も公開されている。 (minimax.io) ジャンル、テンポ、楽器、感情、歌唱表現などを記述して楽曲の方向性を指定できる。 歌詞中の [verse]、[chorus]、[bridge] などのタグで楽曲の構成を指定できる。 歌唱入り楽曲やイン…
Kimi K3は、長時間にわたるコーディング、知識労働、推論を対象とするオープンウェイトのマルチモーダルモデルです。公開日は2026年7月16日です。 (kimi.com) 総パラメータ数は2.8兆、トークンごとの活性化パラメータ数は1040億。MoE構成で896の専門家のうち16を選択します。コンテキスト長は1,048,576トークンです。 (huggingface.co) テキスト、画像、動画…
Hy-Embodied-RxBrain-1.0(RxBrain)は、Tencent Robotics X、福田実験室、Tencent Hyチームが開発した、身体性認知向けのマルチモーダル基盤モデルです。世界の理解、推論・計画、行動の結果予測を統合し、下流のロボット動作モデルに高水準の指針を与えることを目的としています。約62億パラメータ規模で、Hy-Embodied-VLM系列を基盤とし、50,1…
物理世界で動作するエンボディドエージェント向けの視覚言語基盤モデル。Hy3-A3B言語バックボーンとHy-ViT2視覚エンコーダーを採用したMoEモデルで、総パラメータ数は約300億、トークンごとの活性化パラメータ数は約30億。Tencent Robotics X、Hy Vision Team、Futian Laboratoryによる成果として公開された。(github.com) 画像や言語に基づ…
この言語の紹介は準備中です。
Qwen-Audio-3.0-TTS-Plusは、高品質な音声生成を重視したテキスト音声合成モデルです。テキストを入力し、音声を出力します。公開日:2026年7月14日。(alibabacloud.com) 従来版より多くの低リソース言語や中国語の方言に対応し、方言の自然さを改善したとされています。 自由形式の指示と詳細なタグにより、感情、口調、役柄、話速、音量、合成スタイルを制御できます。ノイズ…
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…