Hy-Nomas
Hy-Nomasは、複数ターンのテキスト指示とカメラ操作によって、自由形式のインタラクティブな動画世界を生成するモデルです。動画をセグメント単位で自己回帰的に生成し、KVキャッシュを使って過去の文脈を引き継ぎます。技術報告では、拡散バックボーンは80億パラメータとされています。(huggingface.co) 生成を続けながら、物体、動作、画風、場面などをテキストで指定できます。カメラ軌道による視…
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。
Hy-Nomasは、複数ターンのテキスト指示とカメラ操作によって、自由形式のインタラクティブな動画世界を生成するモデルです。動画をセグメント単位で自己回帰的に生成し、KVキャッシュを使って過去の文脈を引き継ぎます。技術報告では、拡散バックボーンは80億パラメータとされています。(huggingface.co) 生成を続けながら、物体、動作、画風、場面などをテキストで指定できます。カメラ軌道による視…
MiniMax M3.1 Flashは、エージェント型タスク、コーディング、コンピューター操作、サイバーセキュリティを対象とする、高効率なマルチモーダルモデルです。公開日は2026年10月19日です。匿名モデル「Space Bunny」は本モデルの初期版だったとMiniMaxは説明しています。 (minimax.io) テキスト・画像・動画を入力し、テキストを出力します。コンテキストウィンドウは最…
DeepSeek-V4.1-Flash-1017は、2026年10月17日に公開されたDeepSeek-V4.1-Flashの更新版です。推論、コーディング、エージェントタスク、視覚理解を対象とするマルチモーダルモデルで、公式Webサイト、アプリ、APIで提供されています。APIのモデル名は deepseek-flash です。(api-docs.deepseek.com) テキストと画像の理解、…
GPT-Live-1.1 Quipは、自然な音声会話を目的とするGPT-Live-1.1の小型版で、GPT-Live-1 miniの後継モデルです。OpenAIのシステムカードによると、Plus以上ではGPT-Live-1.1、それ以外ではQuipが標準の音声モデルです。(help.openai.com) 全二重の音声モデルとして、聞き取りと発話を同時に行い、間や割り込み、会話のペースの変化に対応…
Tencent Hunyuanが開発した、外部メモリシステムの長期記憶への書き込みに特化したモデル。MoE構成で、総パラメータ数は約30B、トークンごとの活性化パラメータ数は約3B。モデルの重みはApache 2.0ライセンスで公開されている。(huggingface.co) 保持すべき情報の選択、記憶の表現、新しい情報に基づく既存の記憶の更新を行う。 Mem0、MemOS、Hy-Memoryなど…
GPT-Live-1の後継となる音声対話モデル。OpenAIは2026年10月15日、ChatGPT Voiceへの順次導入を発表した。小型版のGPT-Live-1.1 Quipは別モデル。(help.openai.com) 全二重方式で、聞きながら継続的に応答でき、間や割り込み、会話の速度変化に対応する。自然な音声会話、質問、アイデア出しなどに利用できる。(deploymentsafety.op…
Googleのフロンティアモデル。複雑で長時間にわたる実務向けに、推論、マルチモーダル理解、専門知識を組み合わせたモデルです。Google Cloudでの公開日は2026年10月13日です。 (cloud.google.com) テキスト、画像、音声、動画を入力でき、テキストを出力します。コーディング、複数ステップの調査、文書分析、金融・法律分析、科学・数学、サイバー防御などに利用できます。…
2026年10月12日に発表された、法律実務とエージェント型ワークフロー向けのモデル。GLM-5.3-Flashを基盤とし、法律コーパスによる中間学習と、模擬法律環境での強化学習を行っている。(z.ai) 複数の資料から争点を抽出し、事実と法的根拠を結び付け、論点や成果物を構成する用途を想定する。契約レビュー、証拠の照合、法令・コンプライアンス調査、法律文書の作成を支援できる。Wordへの変更履歴…
リアルタイム対話向けに低遅延を重視した、テキストから音声を生成するモデルです。公式リリース日は 2026年10月12日 です。(docs.qwencloud.com) ストリーミング音声合成、システム音声、音声クローニング、音声デザインに対応します。 日本語を含む複数言語・方言に対応し、自然言語による指示やタグで感情、声の調子、話者の人物像、速度、音量などを調整できます。 音声アシスタント、リアル…
Qwen-Image-2.1の高速化チェックポイントで、テキストからの画像生成と画像編集を行うモデルです。画像生成用の7Bパラメータのアーキテクチャを用い、8ステップのノイズ除去で推論できます。Alibaba Cloud Model StudioのAPIでも提供されています。(huggingface.co) 公開日: 2026年10月9日。公式リポジトリは同日にTurboモデルとAPIの公開を告知…
GPT-6 Luna (October) は、ChatGPTでの日常会話向けに調整されたGPT-6ファミリーのモデルです。OpenAIは2026年10月7日にChatGPT向け更新を発表し、FreeおよびGoプランへの展開は10月8日から開始すると説明しました。(openai.com) ChatGPTのIntelligent UIでは、質問に応じて文章、図、グラフ、ボタンなどを組み合わせた回答を生…
GPT-6 SolはOpenAIのGPT-6ファミリーのモデルです。2026年10月7日の発表では、ChatGPTのPlus、Pro、Business、Enterprise向けChat体験を支える、日常会話用に調整されたモデルとして紹介されました。同日の更新はChatに適用され、WorkとCodexのモデルは変更されませんでした。これはGPT-6 Sol自体の初公開日ではなく、当該Chat体験の発…
Claude Haiku 5.5は、大量処理や低遅延、コスト重視の用途向けに設計された小型モデルです。公開日は2026年10月7日です。(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、通常の最大出力は12万8,000トークンです。(platform.claude.com) 要約、分類、情報抽出、ルーティング、データベースクエリ…
Gemini Nano Banana 2.1は、Nano Banana 2を更新した、高効率な画像生成・対話型画像編集モデルです。Google DeepMindによるとGemini 3.6 Flashを基盤としています。Gemini APIでは2026年10月6日に一般提供(GA)が発表されました。 (aistudio.google.com) Gemini APIのモデル仕様では、テキスト、画像、…
Google DeepMind が開発した、端末上での利用を想定したオープンなマルチモーダル埋め込みモデル。Gemma 4 を基盤とし、重みは Apache 2.0 ライセンスで公開されている。公開日:2026年10月6日。(blog.google) テキスト、コード、画像、動画、音声、およびそれらの組み合わせを共通のベクトル空間に変換する。標準出力は768次元で、512・256・128次元への短…
Qwenシリーズの画像生成・編集モデル。テキストからの画像生成と画像編集を単一モデルに統合し、生成品質、推論効率、コストのバランスを重視している。視覚生成コンポーネントは70億パラメータ。(docs.modelstudio.console.alibabacloud.com) テキストや画像を入力し、画像を出力する。通常画像と透明なRGBA画像の生成、透明レイヤーの編集、写真からの被写体抽出に対応す…