Gemini Robotics On-Device 2
Gemini Robotics On-Device 2 是面向通用机器人操作的端侧视觉—语言—动作(VLA)模型,针对机器人硬件上的本地推理和网络受限场景进行了优化。模型卡说明其基于 Gemini Robotics 1.5 技术及端侧 Gemma 模型。(deepmind.google) **输入和输出:**接收文本指令、环境图像和以数值表示的机器人本体感知信息,输出数值形式的机器人动作。(dee…
模型发布档案
聚合模型发布动态,按发布时间浏览,发现值得关注的新模型。
Gemini Robotics On-Device 2 是面向通用机器人操作的端侧视觉—语言—动作(VLA)模型,针对机器人硬件上的本地推理和网络受限场景进行了优化。模型卡说明其基于 Gemini Robotics 1.5 技术及端侧 Gemma 模型。(deepmind.google) **输入和输出:**接收文本指令、环境图像和以数值表示的机器人本体感知信息,输出数值形式的机器人动作。(dee…
面向机器人具身推理的视觉语言模型预览端点,针对通过 Live API 进行低延迟实时文本流式输出而优化。Google 于 2026 年 7 月 30 日发布公开预览版。(aistudio.google.com) 接受文本、图片、视频和音频输入,输出文本;支持双向流式交互、函数调用、思考和 Google 搜索接地。输入上限为 131,072 token,输出上限为 65,536 token。(ai.…
Gemini Robotics ER 2 Preview 是面向机器人的视觉语言模型(VLM)预览端点,基于 Gemini 3.5 Flash,侧重具身推理,可作为机器人系统的高层规划与协调模块。Google 于 2026 年 7 月 30 日宣布通过 Gemini API 公开预览该端点。(aistudio.google.com) 接收文本、图像、视频和音频输入,输出文本;输入上限为 131,0…
Gemini Robotics 2 是 Google DeepMind 于 2026 年 7 月 30 日公布的机器人 AI 系列。其中同名的 Gemini Robotics 2 是视觉-语言-动作(VLA)模型,可将视觉和语言输入转化为机器人运动控制,面向人形及双臂机器人。(deepmind.google) **全身控制与灵巧操作:**可协调人形机器人行走、弯腰、取放物体,并控制多指手或夹爪。官…
Qwen-Audio-3.0-ASR-Flash 是阿里云百炼提供的非实时自动语音识别模型,输入音频并输出文本,适合短录音转写;它与实时 Streaming 版及离线文件转写 Filetrans 版是不同模型。(alibabacloud.com) 官方公告称支持包括中文、英语、日语和韩语在内的 30 种语言,以及多种中文方言和 20 多种地区口音。 针对中国古诗词识别进行了优化,并增强标点预测和文…
非实时语音识别与文件转写模型,面向完整音频或视频文件,将语音转为文本。适用于短视频字幕、客服质检、会议记录及金融双录等场景。(docs.qwencloud.com) 支持中文、英语、日语、韩语等多种语言,以及多种汉语方言和地区口音。 支持热词和上下文增强,可改善特定领域词汇的识别;支持说话人分离、标点预测和文本规范化,并针对古诗词识别进行了优化。(alibabacloud.com) 通过 HTTP…
通义实验室面向低延迟、高并发实时交互推出的流式语音识别模型。输入音频,输出转写文本;阿里云百炼提供推理服务。(alibabacloud.com) 支持实时流式转写、上下文增强及专业词汇识别;官方公告还列出热词、标点预测和文本规范化能力。(alibabacloud.com) 支持中文普通话、粤语、吴语、闽南语等方言及多种地区口音,也支持英语、日语、韩语等多种语言。(alibabacloud.com)…