Wan3.0-Video
Wan3.0-Videoは、テキスト、画像、動画、音声などを参照して動画を生成するオールインワンモデルです。テキストからの動画生成、画像からの動画生成(開始フレームまたは開始・終了フレーム指定)、参照素材を用いた動画生成に対応します。文書やウェブリンクも参照できます。 (docs.qwencloud.com) 480P・720P・1080P、2〜30秒、30fpsのMP4動画を生成します。 音声生…
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。
Wan3.0-Videoは、テキスト、画像、動画、音声などを参照して動画を生成するオールインワンモデルです。テキストからの動画生成、画像からの動画生成(開始フレームまたは開始・終了フレーム指定)、参照素材を用いた動画生成に対応します。文書やウェブリンクも参照できます。 (docs.qwencloud.com) 480P・720P・1080P、2〜30秒、30fpsのMP4動画を生成します。 音声生…
SeedRealtimeは、音声・映像・テキストを単一のアーキテクチャに統合した、ネイティブな音声・映像フルデュプレックス大規模言語モデルです。連続するマルチモーダル情報を扱い、見ながら、聞きながら、話すリアルタイム対話を目的としています。公開日は2026年8月5日です。(seed.bytedance.com) 音声、映像、時間的な手掛かりを組み合わせ、曖昧な発話や映像内の指示対象を理解します。…
Tencent Hunyuan3Dによる、3D生成・理解・編集を単一の枠組みで扱う統合マルチモーダルモデル。Hunyuan3D-VLMによる意味・構造・空間の理解と、Hunyuan3D DiTによる3D生成を組み合わせている。(tencent-hunyuan.github.io) テキストからの3Dアセット生成。 既存の3Dオブジェクトに対する自然言語指示に基づく編集。 3Dオブジェクトに関する質…
Qwen-Image-3.0は、画質と生成速度のバランスを重視した画像生成・編集モデルの標準版です。公式リリース日は2026年8月4日です。(docs.qwencloud.com) テキストからの画像生成と、画像を入力した編集に対応します。同じモデルIDを使用します。(docs.qwencloud.com) 約4,500トークンまでのプロンプト、複雑な画像・テキストの指示、情報量の多いレイアウトに…
2026年8月3日に発表された、AlibabaのQwenシリーズのフラッグシップ・マルチモーダル基盤モデル。総パラメータ数は2.4兆、推論時の活性化パラメータ数は950億で、Sparse Mixture-of-Expertsとハイブリッドアテンションを採用する。発表時には、Alibaba Cloud Model StudioのAPIで提供された。(alibabacloud.com) テキスト・画像…
Seed-Evolvingは、Agentおよびコーディング向けのSeedシリーズの深い推論モデルです。複雑なタスクの編成、長期計画、コード生成、ツール呼び出しに対応します。同一のモデルIDで自動的に更新版を利用できる、継続的に進化するモデルです。(console.volcengine.com) テキスト・画像・動画の理解、テキスト生成、構造化出力、ツール呼び出しに対応します。(console.vo…
Qwen3.7を基にした多言語テキスト埋め込みモデル。Alibaba Cloud Model Studioが推論サービスを提供する。テキストやコードをベクトル化し、検索、クラスタリング、分類などに利用できる。(docs.modelstudio.console.alibabacloud.com) 日本語、中国語、英語など201の言語・方言に対応する。ベクトル次元は256、512、768、1,024、…
この言語の紹介は準備中です。
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…
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…
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…
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…