GLM-5.2
GLM-5.2は、長時間にわたるタスク、特にソフトウェア開発やエージェントによる複数段階の作業に向けた旗艦基盤モデルです。公式発表の公開日は2026年6月16日です。モデル重みは公開され、MITライセンスが適用されます。(z.ai) 入出力はテキスト。コンテキスト長は1Mトークン、最大出力は128Kトークンです。(docs.z.ai) 複数の思考モード、ストリーミング、関数呼び出し、コンテキストキ…
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。
GLM-5.2は、長時間にわたるタスク、特にソフトウェア開発やエージェントによる複数段階の作業に向けた旗艦基盤モデルです。公式発表の公開日は2026年6月16日です。モデル重みは公開され、MITライセンスが適用されます。(z.ai) 入出力はテキスト。コンテキスト長は1Mトークン、最大出力は128Kトークンです。(docs.z.ai) 複数の思考モード、ストリーミング、関数呼び出し、コンテキストキ…
HappyHorse-1.1-I2Vは、1枚の画像を先頭フレームとして動画を生成する画像生成動画モデルです。Alibabaの公式発表では、画像の理解、動きの滑らかさ、人物の同一性、文字描画、音と映像の同期などの改善が挙げられています。静止画像に動きを付ける短編動画制作に利用できます。 (alibabacloud.com) 音声に対応し、出力は480P・720P・1080P、3〜15秒、24 fps…
HappyHorse-1.1-R2Vは、Alibaba Cloud Model Studioで提供される、参照画像から動画を生成するモデルです。テキストと最大9枚の参照画像を入力し、人物、場面、スタイル、カメラワークを反映した動画を生成します。公式発表では、被写体や画面の一貫性が向上したと説明されています。(alibabacloud.com) 参照画像を使った人物・場面・スタイルを伴う映像制作に利…
Alibaba Cloud Model Studio(阿里云百炼)で提供されるテキストから動画を生成するモデル。2026年6月16日に公開された。公式発表によると、テキストの意味理解、カメラワーク、動きの生成を改善し、人物の動作や場面の雰囲気、物理的な動きの自然さ、映像の一貫性を高めている。 (alibabacloud.com) テキストプロンプトから音声付き動画を生成。映像アイデアの試作や短い動…
Qwen3.5系列のOCRモデル。文書解析、文字位置の特定、重要情報の抽出を目的とし、Alibaba Cloud Model Studioで提供される。公式発表日は2026年6月16日。 (alibabacloud.com) 画像からテキストを抽出し、身分証明書や運転免許証などの情報抽出に利用できる。 PDF文書の解析と複数ターンの対話に対応する。Responses APIでは画像とPDFを入力で…
Tencent Robotics XとTencent Hy Teamによる、ロボット操作向けの視覚・言語・行動(VLA)モデル。Hy-Embodied-0.5-VLA-UMIを基に、RoboTwin 2.0の双腕操作50タスクで教師ありファインチューニングしたチェックポイントです。モデルカードには約50億パラメータと記載されています。(huggingface.co) 画像、ロボットの状態、自然言語…
Hy-Embodied-0.5-VLA-UMIは、Tencent Robotics XとTencent Hy Teamが開発した視覚・言語・行動(VLA)システムの事前学習済みチェックポイントです。対象ロボットやタスクに合わせてファインチューニングするための汎用的な出発点として公開されています。公開日は2026年6月15日です。(github.com) 画像、言語指示、ロボットの状態を扱い、連続的…
Kimi K2.7 Codeは、Moonshot AIが開発した、長時間にわたるソフトウェア開発とエージェント型のコーディングに特化したモデルです。Kimi K2.6を基盤とし、モデルの重みとコードはModified MIT Licenseで公開されています。(huggingface.co) 公開日:2026年6月12日。 (kimi.com) 複雑なコード作成、リポジトリ規模の作業、複数ステップ…
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…
この言語の紹介は準備中です。
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…
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…
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…
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…