万相2.1-图生视频-Turbo
万相2.1系列图生视频Turbo模型,以较快生成速度将静态图片转为动态视频,通过阿里云百炼提供推理服务。(help.aliyun.com) 根据首帧图片生成视频,可结合提示词描述期望的运动和画面。官方介绍称模型支持大幅度复杂运动、物理规律遵循、多种艺术风格和影视级画面质感,并提升了指令遵循能力。(help.aliyun.com) 可用于静态图片动态化、视觉创意和短视频素材制作。 输出为无声视频;分…
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。
万相2.1系列图生视频Turbo模型,以较快生成速度将静态图片转为动态视频,通过阿里云百炼提供推理服务。(help.aliyun.com) 根据首帧图片生成视频,可结合提示词描述期望的运动和画面。官方介绍称模型支持大幅度复杂运动、物理规律遵循、多种艺术风格和影视级画面质感,并提升了指令遵循能力。(help.aliyun.com) 可用于静态图片动态化、视觉创意和短视频素材制作。 输出为无声视频;分…
Gemini 2.0 Flash-Lite 是 Gemini 2.0 系列中针对速度、规模和成本效益优化的多模态模型。Google 于 2025 年 2 月 25 日宣布其正式上市,可用于生产环境。此前的公开预览版于 2025 年 2 月 5 日发布。(aistudio.google.com) 支持文本、图片、音频和视频输入,输出文本;输入上限为 1,048,576 token,输出上限为 8,1…
Claude 3.7 Sonnet 是 Anthropic 于 2025 年 2 月 24 日发布的混合推理模型,在同一模型中提供标准回答和扩展思考两种模式。(anthropic.com) 支持文本和图像输入,输出文本;可用于对话、内容分析、创意任务和编程。(anthropic.com) 扩展思考模式会在回答前进行更深入的推理;API 用户可以设置思考 token 预算,在速度、成本和回答质量之间…
Moonlight-16B-A3B-Instruct 是 Moonshot AI 发布的指令微调版文本生成模型,采用混合专家(MoE)架构,总参数约 160 亿、每 token 激活参数约 30 亿。Moonlight 使用 Muon 优化器,训练数据量为 5.7 万亿 token。(huggingface.co) 模型面向指令跟随和对话式文本生成,可用于问答、摘要、写作辅助及代码、数学任务实验。…
Moonlight-16B-A3B 是 Moonshot AI 发布的预训练基础语言模型,采用混合专家(MoE)架构,约有 160 亿总参数、每个 token 激活约 30 亿参数。它使用 Muon 优化器在 5.7 万亿 token 上训练。该基础模型与另行发布的指令微调版本 Moonlight-16B-A3B-Instruct 不同。(huggingface.co) 支持文本生成,官方标注上下…
Image-01 是 MiniMax 的图像生成模型,支持根据文本描述生成不同尺寸的图片;官方定价页将其列为历史模型。(platform.minimax.io) 支持文本描述和参考图片生成图片,可用于创意设计、社交媒体配图和商业视觉素材。(platform.minimax.cn) 官方发布文章介绍了对场景、光影、人物和物体细节的生成能力,并列出 16:9、4:3、3:2、2:3、3:4、9:16…
Google Cloud Document AI 的自定义文档信息抽取模型版本,由 Gemini 2.0 Flash 驱动。用户可定义需要抽取的字段,将文档内容转换为结构化实体。(docs.cloud.google.com) 根据自定义 schema 抽取文档字段,适用于处理不同格式和版式的业务文档。Custom Extractor 提供零样本、少样本和微调方式;零样本只需定义 schema,微调…
Qwen-Omni-Turbo 是通义千问的多模态理解与生成模型。阿里云百炼的模型更新公告将其列于 2025-02-14。(help.aliyun.com) 支持文本、图像、音频和视频输入,也支持混合模态输入理解。 支持文本与语音同时流式输出,提供四种自然对话音色。 可用于多模态内容问答、音视频内容理解和语音交互等场景;图像和视频是输入模态,不应据此理解为支持图像或视频生成。(help.aliyu…
I2V-01-Director 是 MiniMax Video-01 系列的图生视频导演版模型,以镜头运动控制为重点。输入图片并结合文本描述,生成视频;它与文生视频模型 T2V-01-Director 同属 01-Director 系列。(minimaxi.com) 支持通过提示词中的运镜指令或自然语言描述控制镜头运动。官方介绍了推、拉、摇、移、晃动、跟随和固定镜头等效果,并提供可组合的运镜方式。…
T2V-01-Director 是 MiniMax 海螺视频模型家族中的文生视频模型,侧重镜头运动控制和电影式叙事。模型接收文本提示,生成视频;它不同于图生视频模型 I2V-01-Director。(minimax.io) 可通过自然语言或方括号指令控制运镜,例如 [Push in]、[Pan left] 和 [Tracking…
Google 于 2025 年 2 月 5 日发布的 Gemini 2.0 Flash-Lite 公开预览版,面向注重成本和速度的开发场景。Google 表示,它在多数基准测试中优于 Gemini 1.5 Flash,同时保持相同的速度和成本。(blog.google) 支持多模态输入,具有约 100 万 token 的上下文窗口。…
Gemini 2.0 Pro 的实验性公开预览版本。Google 在发布时将其定位为当时最擅长编程和处理复杂提示词的 Gemini 模型。(blog.google) 支持多模态输入和文本输出,适合代码生成、复杂问题处理以及大量信息的分析和理解。 官方公布的上下文窗口为 200 万 token;实际可用额度可能随平台和服务配置变化。 官方介绍其具备调用 Google…
Gemini 2.0 Flash 是 Google 面向高效率和生产应用的多模态模型。gemini-2.0-flash-001 于 2025 年 2 月 5 日作为正式可用版本发布。(aistudio.google.com) 接受文本、图片、音频和视频输入,生成文本输出;可用于多模态内容理解、摘要、信息提取及对话等任务。 支持函数调用、代码执行、结构化输出、搜索接地和上下文缓存。输入上限为 1,0…
Google Cloud Document AI 的 Enterprise Document OCR 处理器版本,用于从文档中识别和提取文字及版面信息。官方于 2025 年 2 月 3 日公告该版本以候选发布版(Release Candidate)形式推出;当前处理器列表将其列为公开预览版,并说明它与 v2.1 相似。(docs.cloud.google.com) 识别文档中的印刷文字和手写文字,…
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…
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…
腾讯混元 Turbo 的固定版本,对应版本号 pv2.0.6,属于通用大语言模型。Turbo 系列采用混合专家(MoE)架构。(cloud.tencent.com) 官方称该版本提升了通用泛化、数学、代码和逻辑推理能力,并优化了字词及文本理解和文本创作质量。可用于文本理解、内容创作、数学问题分析和代码辅助等任务;实际效果应通过具体任务验证。(cloud.tencent.com) 官方上架日:202…
Qianfan-Agent-Speed-32K 是百度自研的 Agent 专用模型,针对企业级大模型应用进行了指令调优,支持 32K 上下文。官方将其定位于问答和智能体场景,可用于构建知识问答、对话及智能体工作流。(ai.baidu.com) 2025-01-02:按百度官方文档所述的该版本发布日期记录,不作为经独立核实的首次发布日期。(ai.baidu.com) **资料说明:当前数据中,该型号…
2024-12-26 · DeepSeek 通用混合专家模型,用于对话、知识问答及编程。更新日志确认,当天 deepseek-chat 接口的底层模型换为初版 V3。 来源
2024-12-11 · Google Gemini 2.0 的早期实验版本,在 Flash 的速度基础上扩展多模态和工具能力,不是次年的稳定版。 来源