Gemini 2.5 Flash Image
Google 的原生图像生成与编辑模型,别名 Nano Banana。此条对应 2025 年发布时的预览版 API ID,而非后来推出的正式版 ID。(developers.googleblog.com) 根据自然语言生成图像,并对现有图像进行局部修改,例如更换背景、移除对象或调整姿态。 理解并融合多张输入图像,在多次生成或编辑中保持人物或对象的外观一致性。 利用 Gemini 的世界知识理解视觉…
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。
Google 的原生图像生成与编辑模型,别名 Nano Banana。此条对应 2025 年发布时的预览版 API ID,而非后来推出的正式版 ID。(developers.googleblog.com) 根据自然语言生成图像,并对现有图像进行局部修改,例如更换背景、移除对象或调整姿态。 理解并融合多张输入图像,在多次生成或编辑中保持人物或对象的外观一致性。 利用 Gemini 的世界知识理解视觉…
Wan2.2-S2V-Detect 是万相数字人视频模型 wan2.2-s2v 的辅助图像检测模型,用于在生成视频前检查人物肖像是否符合该模型的输入规范。它本身不生成视频;通过检测的图片可与人声音频一起交给 wan2.2-s2v 生成说话、唱歌或表演视频。(docs.bailian.console.aliyun.com)…
Qwen-Deep-Research(千问深入研究)是面向复杂研究任务的高级智能体系统。官方上架公告日期为 2025-08-22。qwen-deep-research 是持续更新的主线模型,并非固定快照。(docs.bailian.console.aliyun.com) 支持澄清研究问题、制定研究计划、拆解任务,并通过多轮互联网搜索、阅读与分析生成可溯源的研究报告。 可用于需要综合多方资料的专题研…
Qwen-MT-Image 是阿里云百炼提供的图片翻译模型服务,输入图片并输出翻译后的图片,面向图像本地化场景。官方于 2025 年 8 月 22 日将其列入模型上架公告。(docs.bailian.console.aliyun.com) 官方公告称模型支持包括中文、英文和日文在内的 11 种语言,可将图片内容翻译为指定语言,并尽量还原原图排版和内容。(docs.bailian.console.a…
Hunyuan-T1 是腾讯混元的深度推理模型,采用 Hybrid-Transformer-Mamba 混合架构,面向需要多步思考的文本任务。腾讯云历史模型文档将 hunyuan-t1-latest 列为推理模型。(tencent.github.io) 2025 年 8 月 22 日的版本更新公告称,模型提升了高难数学、复杂推理、高难代码、指令遵循和文本创作质量。适用场景包括数学与科学问题分析、代…
DeepSeek-V3.1-Base 是 DeepSeek-V3.1 的基础预训练语言模型,在原始 DeepSeek-V3 基础模型检查点上继续进行长上下文扩展训练;DeepSeek-V3.1 后训练模型在此基础上构建。官方于 2025 年 8 月 21 日公告发布。(deepseek.com) 模型卡列出的总参数量为 671B,每个 token 激活 37B 参数,上下文长度为 128K…
DeepSeek-V3.1 于 2025 年 8 月 21 日发布,是面向对话、推理与智能体任务的混合推理模型,同一模型支持思考和非思考两种模式。发布时,官方 API 的 deepseek-chat 对应非思考模式,deepseek-reasoner 对应思考模式。(deepseek.com) 支持 128K token 上下文,适合长文本处理、多轮对话和复杂任务。 官方称其通过后训练增强了工具使…
Doubao-Seed-1.6-vision 是字节跳动推出的视觉理解与思考模型,侧重通用多模态理解和推理。官方称,与 doubao-seed-1-5-vision-pro 相比,它在教育、图像审核、巡检与安防、AI 搜索问答等场景表现更强。官方发布表提供了对话(Chat)API 调用指引。(docs.volcengine.com) 可用于辅助分析图像及回答视觉相关问题。模型输出仍可能出现理解或推…
**发布日期:**2025年8月11日。(huggingface.co) GLM-4.5V 是面向多模态理解与视觉推理的视觉语言模型,基于 GLM-4.5-Air,采用混合专家(MoE)架构,总参数量为1060亿,激活参数量为120亿。官方发布了模型权重,模型卡标注许可证为 MIT。(docs.z.ai) 接受文本、图像、视频和文件输入,输出文本;国际版 API 文档标注最大输出为16K…
Wan2.2-I2V-Flash 是通义万相 2.2 的快速图生视频模型,由阿里云百炼提供推理服务。官方发布记录列出的日期为 2025-08-11;同一记录中的国际部署条目日期为 2025-08-15。(docs.bailian.console.aliyun.com) 以图片作为视频首帧,可结合文本提示生成视频;官方称其提升了生成速度、稳定性和指令遵循能力,并改进图片文字、人像及商品的一致性与运镜…
GPT-5 pro 是 OpenAI 于 2025 年 8 月 7 日随 GPT-5 发布的深度推理版本,面向高难度、复杂任务。官方系统卡将发布时 ChatGPT 中的该配置称为 gpt-5-thinking-pro:它使用更长时间的推理和并行测试时计算,以提高回答的准确性和完整性。这里的名称是发布配置标识,不应直接视为输入中未提供的 API ID。(openai.com) 适用于复杂数学、科学问…
OpenAI 在 GPT-5 系统卡中将 gpt-5-main-mini 标记为快速、高吞吐量模型,并将其列为 GPT-4o mini 的后续模型。它与系统卡中的深度推理模型 gpt-5-thinking-mini 是不同的模型。(openai.com) 该模型属于 GPT-5 统一系统的快速模型系列;系统卡介绍,当使用达到限制时,各模型的 mini 版本处理剩余查询。GPT-5 系统的常见用途包…
GPT-5 Chat 是 GPT-5 系列中曾用于 ChatGPT 的非推理模型,与 API 中的推理模型 gpt-5 不同。官方模型页面称,该 ID 指向此前用于 ChatGPT 的 GPT-5 快照。(openai.com) 支持文本和图像输入、文本输出,以及流式输出、函数调用和结构化输出;可用于对话、文本生成、图像理解和结合函数调用的应用。上下文窗口为 128,000 tokens,最大输出…
GPT-5 nano 是 GPT-5 系列中面向速度和成本敏感型任务的轻量模型。其 API 模型 ID 为 gpt-5-nano,固定版本快照为 gpt-5-nano-2025-08-07。(developers.openai.com) 支持文本和图像输入、文本输出,以及推理 token;适合摘要、分类等任务。 支持函数调用、结构化输出和流式输出,可通过 Responses API 和 Chat…
GPT-5 mini 是 GPT-5 的更快速、成本更低的版本,适合成本敏感、低延迟和高吞吐量场景,尤其适合任务定义明确、提示词精确的工作负载。(developers.openai.com) 支持文本输入和输出、图像输入,以及推理 token;可用于文本处理、视觉理解、编程和调用工具的应用。(developers.openai.com) 支持流式输出、函数调用和结构化输出;可通过参数控制推理强度和…
GPT-5 是 OpenAI 于 2025 年 8 月 7 日面向开发者发布的推理模型,重点用于编程和需要多步操作的智能体任务。gpt-5-2025-08-07 是其固定版本快照;本条 API 模型 ID 为 gpt-5。(openai.com) 支持文本和图像输入、文本输出,可用于代码生成与调试、复杂代码库问答、前端开发、长文档处理和视觉理解。(openai.com) 支持函数调用、结构化输出和…
MiniMax Speech 2.5 是面向多语种文本转语音和音色复刻的语音生成模型,是 Speech 02 的后续版本。官方于 2025 年 8 月 7 日发布并宣布全球上线。(minimax.io) **多语种语音合成:**官方国际公告称支持 40 多种语言,并提供多样化音色库;中文、英语等语言的表现相较前代有所提升。(minimax.io) **音色复刻:**官方称可复刻口音、说话风格和情绪…
Qianfan-Correct 是百度面向写作教学的垂类专精模型,侧重日常作文批改。官方将其归类为千帆推理服务 API V2 的文本生成模型。(ai.baidu.com) 模型利用自然语言处理和深度神经网络技术,提供作文分数评定及评分理由分析,可用于辅助教师开展作文批改和写作教学。(ai.baidu.com) 官方公告未说明该模型的上下文长度、参数规模、支持语言、具体评分标准或评测结果。评分与理由…
Qianfan-ToyTalk 是百度面向低龄儿童角色扮演场景的垂类专精文本模型。它通过模拟不同角色的交流场景,提供沉浸式角色扮演体验;百度将其列为千帆推理服务 API V2 的文本生成模型。(cloud.baidu.com) 可用于设计面向儿童的角色对话和互动体验。模型定位于文本生成,不能据此推断其具备语音或图像能力;上下文长度、最大输出长度和具体安全机制未能从本次读取的官方公告中核实。面向儿童…
ERNIE 4.5 Turbo VL 是百度面向图像理解的视觉语言模型。百度官方更新记录称,其图片理解、创作、翻译和代码能力有所提升,并降低了首 Token 时延。(ai.baidu.com) 模型可用于结合图片的理解与问答,以及内容创作、翻译和代码相关任务。官方列出的上下文长度为 128K tokens。(ai.baidu.com) 百度国际站模型列表为该 128K 版本列出最大输入 123K…