Qwen-Plus
Qwen-Plus 的日期版文本生成模型,侧重能力与速度的平衡,适合中等复杂度任务。官方称其推理效果和速度介于 Qwen-Max 与 Qwen-Turbo 之间。(docs.bailian.console.aliyun.com) 支持文本输入和文本输出,可用于中英文及多语言问答、代码生成、逻辑推理、创意写作和角色扮演。 相比 2025-01-12 版本,官方称其中文和英文能力、代码、逻辑及多语言能…
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。
Qwen-Plus 的日期版文本生成模型,侧重能力与速度的平衡,适合中等复杂度任务。官方称其推理效果和速度介于 Qwen-Max 与 Qwen-Turbo 之间。(docs.bailian.console.aliyun.com) 支持文本输入和文本输出,可用于中英文及多语言问答、代码生成、逻辑推理、创意写作和角色扮演。 相比 2025-01-12 版本,官方称其中文和英文能力、代码、逻辑及多语言能…
GPT-4o 是 OpenAI 的通用多模态模型。本条记录对应 GPT-4o(2025 年 1 月 29 日更新),即官方发布说明中针对 ChatGPT 的更新,而非 GPT-4o 系列的首次发布。(help.openai.com) 可处理文本和上传的图像,适用于问答、图表与复杂示意图分析、空间布局理解、数学和技术问题求解,以及编程辅助。 此次更新加强了图像理解,以及数学、科学和编程任务表现;官方…
Qwen2.5-Max 是 Alibaba 通义千问团队推出的大规模混合专家(MoE)语言模型。官方称其使用超过 20 万亿 token 预训练,并经监督微调和人类反馈强化学习后训练。(qwenlm.github.io) 模型面向文本理解和生成,可用于多语言对话、文本写作、代码生成和逻辑推理等任务。官方模型信息页称,滚动版本 qwen-max 的功能等同于快照 qwen-max-2025-01-2…
Janus-Pro-7B 是 DeepSeek 的统一多模态理解与生成模型,属于 Janus-Pro 系列。它采用自回归框架,将理解和生成的视觉编码路径分开,并使用统一的 Transformer 进行处理。(huggingface.co) 支持图像与文本输入的多模态理解,可用于图像描述、视觉问答等任务。 支持根据文本提示生成图像,可用于视觉创作和多模态研究。 官方仓库列出的序列长度为 4096;模…
Janus-Pro-1B 是 DeepSeek Janus-Pro 系列的统一多模态理解与生成模型。它采用自回归架构,将视觉理解和图像生成的编码路径分开,并使用统一 Transformer 处理。官方列出的序列长度为 4096。(huggingface.co) 图像理解:结合图像和文本进行图像描述、视觉问答等任务。 文生图:根据文本提示生成图像,可用于创意原型和多模态研究。 部署:官方提供模型权重…
Computer-Using Agent(CUA)是 OpenAI 为操作图形用户界面训练的智能体模型。它结合 GPT-4o 的视觉能力与通过强化学习获得的推理能力;2025 年 1 月的研究预览通过 Operator 产品向用户提供。(openai.com) CUA 通过截图理解屏幕状态,规划步骤并使用虚拟鼠标和键盘点击、滚动或输入;遇到障碍时可尝试自我纠正或请求用户协助。用途包括填写表单、浏览…
ERNIE-iRAG-1.0 是百度的图像生成模型,采用基于图像的检索增强生成(iRAG)技术,结合百度搜索图片资源与基础模型能力,根据文本生成图片。(ai.baidu.com) 主要用于文本生成图像,可用于创意配图和视觉内容制作。 百度后续文档称,ERNIE-iRAG 图像生成接口支持传入参考图;具体可用参数应以实际接入接口为准。(qianfan.cloud.baidu.com) 生成结果仍需人…
Google 的 Gemini 2.0 Flash Thinking Experimental 预览版本,侧重结合 Flash 的速度与复杂问题推理能力。(aistudio.google.com) 支持多模态输入和文本输出,可用于复杂问题分析、数学与科学问题推理,以及结合多模态信息的理解任务。(blog.google) Thinking 模式旨在通过生成过程中的推理增强回答,并可展示思考过程;实际…
Kimi k1.5 是 Moonshot AI 的多模态推理模型,采用强化学习训练。官方研究报告讨论了长思考链和短思考链方法,以及文本与视觉数据的联合训练。(github.com) 模型面向数学推理、编程和视觉理解等任务,可用于解题、代码分析及图文推理。官方报告给出的基准测试结果属于特定评测条件,不保证所有实际任务达到相同表现。(github.com) 输出可能出错,重要结论和代码应由使用者复核。…
DeepSeek-R1-Distill-Llama-70B 是 DeepSeek 发布的约 70B 参数稠密推理模型。它以 Llama-3.3-70B-Instruct 为基础,使用 DeepSeek-R1 生成的样本进行微调,是 R1 蒸馏模型系列的一员,而非完整的 DeepSeek-R1 模型。(github.com)…
DeepSeek-R1-Distill-Qwen-32B 是 DeepSeek 发布的约 320 亿参数稠密推理模型,以 Qwen2.5-32B 为基础,使用 DeepSeek-R1 生成的样本进行微调。官方开放了模型权重,模型卡标注许可证为 MIT。(github.com) 模型面向文本生成和推理,可用于数学问题求解、代码生成与分析、问答及研究实验。官方评测报告了数学、科学问答和编程基准成绩;实…
DeepSeek-R1-Distill-Qwen-14B 是 DeepSeek 发布的推理型文本生成模型,以 Qwen2.5-14B 为基础,使用 DeepSeek-R1 生成的样本进行蒸馏和微调。官方开放了模型权重,模型卡标注 MIT 许可证。(github.com) 模型面向数学、编程和其他需要多步推理的文本任务,可用于推理研究、问答和本地部署。官方报告中,该型号在 AIME…
DeepSeek-R1-Distill-Llama-8B 是 DeepSeek 发布的约 80 亿参数推理蒸馏模型。它以 Llama 3.1 8B 为基础,使用 DeepSeek-R1 生成的样本进行微调;它不是完整的 DeepSeek-R1 大模型。(github.com) 模型面向文本推理,可用于数学解题、代码相关任务及推理研究。官方报告中,该型号的 AIME 2024 pass@1 为 50…
DeepSeek-R1-Distill-Qwen-7B 是 DeepSeek 发布的约 70 亿参数级稠密推理模型,基于 Qwen2.5-Math-7B,使用 DeepSeek-R1 生成的样本进行微调。它是 R1 蒸馏系列的一个独立模型,并非完整的 DeepSeek-R1。(github.com) 模型面向数学、代码和自然语言推理等文本任务,可用于解题、编程辅助及推理研究。官方评测中,该模型在…
DeepSeek-R1-Distill-Qwen-1.5B 是 DeepSeek 发布的约 15 亿参数级推理蒸馏模型,以 Qwen2.5-Math-1.5B 为基础,使用 DeepSeek-R1 生成的样本进行微调。模型权重已公开,模型卡标注 MIT 许可证。(github.com) 模型面向文本生成和推理,可用于数学问题求解、编程辅助及推理实验,也可下载权重进行本地部署和研究。官方评测中,该型…
DeepSeek-R1-Zero 是 DeepSeek 的推理型大语言模型,基于 DeepSeek-V3-Base,在未先进行监督微调的情况下,通过大规模强化学习训练。它与后续的 DeepSeek-R1 是不同版本。(huggingface.co) 模型面向复杂推理,可用于数学问题、代码和推理方法研究。官方模型卡列出其总参数量为 671B、每次激活参数量为 37B、上下文长度为 128K;模型权重…
DeepSeek-R1 是 DeepSeek 发布的第一代推理模型,面向数学、编程和自然语言推理等任务。官方于 2025 年 1 月 20 日正式发布该模型,同步开放模型权重并推出 API;这里记录的是官方首发日,而非月底占位日期。(api-docs.deepseek.com) 后训练阶段使用大规模强化学习,可用于复杂问题求解、代码辅助和研究;首发 API 提供思维链输出。官方称其在数学、代码和推…
阿里云百炼提供的通义万相 2.0 极速版文生图模型:输入文本,输出图像,适合质感人像、创意设计画作及其他图像创作。(help.aliyun.com) 支持中英文提示词、反向提示词和智能提示词改写;正向提示词上限为 800 个字符,超出部分自动截断。(help.aliyun.com) 图像宽、高各支持 512–1440 像素,默认 1024×1024;官方将最大生成能力描述为约 200…
通义万相 2.1 图生视频 Plus 模型,通过阿里云百炼提供推理服务,将输入图片转换为动态视频。 (help.aliyun.com) 支持结合图片和提示词生成视频,官方介绍其可表现复杂运动、物理规律和影视风格画面,适合制作图片动态展示及短视频素材。 (docs.bailian.console.aliyun.com) 国内 API 文档规定该型号输出为 720P、固定 5 秒,默认生成无声视频;相…
Emoji-Detect 是阿里云百炼用于辅助 Emoji 表情包视频生成的图像检测模型。它检测输入图片中的人物形象是否符合视频生成要求;检测通过时,可返回人脸区域及扩展表情区域的坐标,供后续视频生成使用。它本身不是视频生成模型。(alibabacloud.com) 输入为图像。官方 API 文档列出的格式包括 JPEG、JPG、PNG、BMP 和 WEBP;图片宽高各须为 400–7000 像素…