Qwen3.7-Max
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…
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。
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…