VTP-Small-f16d64
VTP-Small-f16d64 是 VTP 系列的 Small 版视觉分词器和图像特征提取模型,由 MiniMax 与华中科技大学研究人员开展相关研究。模型权重已公开,可用于本地部署;官方模型页标示约 0.2B 参数。(github.com) 将图像编码为潜在表示,并支持图像重建;可提取图像特征,用于视觉表示学习和线性探测。 支持图文对比特征,可用于零样本图像分类;也可作为扩散模型的视觉分词器,…
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。
VTP-Small-f16d64 是 VTP 系列的 Small 版视觉分词器和图像特征提取模型,由 MiniMax 与华中科技大学研究人员开展相关研究。模型权重已公开,可用于本地部署;官方模型页标示约 0.2B 参数。(github.com) 将图像编码为潜在表示,并支持图像重建;可提取图像特征,用于视觉表示学习和线性探测。 支持图文对比特征,可用于零样本图像分类;也可作为扩散模型的视觉分词器,…
通义千问图像编辑 Plus 系列的 2025 年 12 月 15 日快照,面向非实时图像编辑。模型接收图像及文字编辑指令,输出编辑后的图像;官方调用示例展示了结合三张参考图进行编辑。(docs.modelstudio.console.alibabacloud.com) 相较 2025 年 10 月 30 日快照,官方称该版本提升了角色一致性、工业设计和几何推理能力,并集成打光等 LoRA 能力以减…
Wan2.6-Image 是阿里巴巴万相系列的通用图像生成与编辑模型,由阿里云百炼提供推理服务。官方将其定位为支持图文一体化推理生成的全能图像模型。(help.aliyun.com) 接收文本和图像输入,可输出图像及文本;支持多图输入、图像编辑和图文混排输出。 支持多图创意融合、美学风格迁移,以及构图和光影控制;官方强调其生成内容的一致性、可控性和表现力。 可用于基于参考图的创意合成、图像编辑、风…
Wan2.6-T2I(万相2.6-文生图)是阿里巴巴的图像生成模型,通过阿里云百炼提供推理服务。官方公告将其定位为基于文本生成高质量、富有表现力图像的模型。(docs.modelstudio.console.alibabacloud.com) 官方强调画面质感、美学表现和指令遵循,并列出艺术风格控制、真实感人像、长文本理解及历史文化题材覆盖等能力。可用于创意视觉内容、风格化插画和人像生成等场景。(…
Qwen Voice-Design 是通义千问语音模型中的声音设计模型,通过文字描述创建定制音色,属于语音合成相关服务。官方发布记录将其列于 2025-12-12。(docs.modelstudio.console.alibabacloud.com) 输入简单的声音描述,即可设计相应音色;与 qwen3-tts-vd-realtime 配合时,可使用设计的音色输出 10 种语言的语音。官方称合成语…
面向 Gemini Live API 的原生音频预览模型,适用于低延迟、实时语音和视频交互。Google 于 2025 年 12 月 12 日发布该版本,称其提升了处理复杂工作流的能力。(aistudio.google.com) 接收连续的音频、视频或文本流,输出音频和文本,可用于构建实时语音助手、视频交互和自然对话体验。 支持音频生成、函数调用、Google 搜索接地和思考能力。 输入上限为 1…
GLM-TTS 是面向工业应用的文本转语音(TTS)合成系统。它采用两阶段架构:先由语言模型将文本转换为语音 token,再通过 Flow Matching 和声码器生成音频。官方公告称其训练使用了约 10 万小时数据。(zhipuai.cn) 支持流式语音生成、情感和韵律表达;主要支持中文,也支持中英混合文本。 支持零样本音色克隆,官方项目文档称可使用 3–10 秒提示音频;无需针对特定说话人微…
GLM-ASR-Nano-2512 是面向复杂真实场景的开源自动语音识别模型,输入语音并输出转录文本。官方公布的参数规模为 1.5B;作为特征提取模块的 Whisper V3 音频编码器参数未计入该数字。(zhipuai.cn) 支持普通话、英语、粤语及其他方言,并针对低音量、轻声或低语识别进行了优化。官方仓库称模型支持 17 种语言,相关可用性评价条件为 WER ≤…
Qwen3-LiveTranslate-Flash 是面向多语言音视频翻译与口译的模型。该 API ID 对应 2025 年 12 月 1 日的模型快照;阿里云发布记录将其列于 2025 年 12 月 4 日。(help.aliyun.com) 支持音频和视频输入,输出翻译文本,也可同时输出文本和语音;适用于音视频内容翻译和跨语言交流。 官方称模型具备离线和实时音视频翻译能力,可理解 19 种语言…
Qwen3-Omni-Flash 是基于 Thinker–Talker 混合专家(MoE)架构的全模态模型。阿里云发布记录将该版本列于 2025 年 12 月 4 日。(help.aliyun.com) 支持文本、图像、音频和视频输入,可输出文本和语音;支持流式响应及多轮视听交互。 支持系统提示词定制,可用于调整角色、对话风格和输出要求。官方升级介绍称支持 119 种语言的文本交互、19 种语言的…
Qwen3-Omni-Flash 的实时全模态版本,采用 Thinker–Talker 混合专家(MoE)架构,面向多模态理解和实时语音交互。(docs.modelstudio.console.alibabacloud.com) 可理解文本、图像、音频和视频,并生成语音;官方称支持 119 种语言的文本交互和 20 种语言的语音交互。 支持指令遵循和系统提示词定制,可调整对话风格和角色设定。 适用…
Wan2.6-I2V 是阿里巴巴万相系列的图生视频模型:以图片作为首帧,结合文本提示及可选音频生成有声视频。(alibabacloud.com) 支持智能分镜和多镜头叙事,以及音画同步、声音生成和多人对话。 可用于将静态视觉素材制作成短片、产品展示或叙事视频。(help.aliyun.com) 当前官方模型列表注明支持 720P 和 1080P,视频时长为 2–15 秒,30 fps,MP4 格式…
Wan2.6-T2V 是阿里巴巴万相系列的文生视频模型,通过文本提示词生成视频。官方上架记录所列日期为 2025 年 12 月 3 日。(help.aliyun.com) 支持智能分镜和多镜头叙事,生成主体、场景和氛围相协调的短视频;官方称其指令遵循和视觉质量有所提升。(help.aliyun.com) 支持音画同步,可传入自定义音频;未提供音频时,可根据视频内容生成匹配的背景音乐或音效。(hel…
Qwen-Plus 是通义千问 Qwen3 系列的通用文本模型。qwen-plus-2025-12-01 是 2025 年 12 月 1 日的快照版本,支持文本生成与推理,并提供思考和非思考模式。(help.aliyun.com) 相较 2025 年 7 月 28 日快照,官方称本版本提升了推理、智能体、多轮工具调用和主观创作能力。可用于文本对话、内容创作、推理和智能体任务。在阿里云百炼华北 2(…
DeepSeek-V3.2-Speciale 是 DeepSeek-V3.2 的长思考增强版本,面向高难度推理研究与社区评测,并结合了 DeepSeek-Math-V2 的定理证明能力。模型权重已发布,采用 MIT 许可证。(api-docs.deepseek.com) 适用于复杂数学推理、证明与逻辑验证、编程竞赛题及模型能力评测。DeepSeek 报告称,该模型在 IMO、CMO、ICPC…
DeepSeek-V3.2 是面向推理和智能体任务的通用文本模型,是 V3.2-Exp 的正式后继版本,目标是在推理能力与输出长度之间取得平衡。发布日期为 2025 年 12 月 1 日。(deepseek.com) 支持思考和非思考模式,两种模式均支持工具调用;思考模式可将多轮推理与工具调用结合。适用于日常问答、通用智能体和代码相关任务。(api-docs.deepseek.com) 输入和输出…
千问语音系列的声音复刻模型,用于从参考音频创建相似音色。阿里云百炼提供推理服务。(help.aliyun.com) 官方介绍称,提供5秒以上的音频即可复刻声音;结合 qwen3-tts-vc-realtime,可使用复刻音色生成10个语种的语音,并根据文本调整语气。可用于个性化语音合成等场景。(help.aliyun.com) 本模型的信息页标注输入模态为音频、输出模态为文本;生成语音需结合相应的…
DeepSeekMath-V2 是面向自然语言数学证明和自验证推理的大语言模型,基于 DeepSeek-V3.2-Exp-Base 构建。DeepSeek 官方研究索引标注的发布日期为 2025 年 11 月 27 日。(deepseek.com) 生成数学证明,检查证明中的逻辑缺陷,并根据检查结果迭代改进。 可用于数学竞赛题求解、证明草稿生成与审阅,以及数学推理研究。 官方论文报告:在扩展测试时…
Qwen3-TTS-Flash 是通义千问的非实时文本转语音模型;本条为 2025-11-27 快照版本。输入为文本,输出为音频。官方模型上架记录将其列于 2025 年 11 月 27 日。(help.aliyun.com) 支持多种语言和方言、同一音色的多语言输出,并可依据文本调整语气、处理复杂文本合成。可用于文本朗读、配音和多语言语音内容制作。(help.aliyun.com) 音色数量的官方…
通义千问的实时文本转语音模型,输入文本并输出音频,面向低延迟语音合成。官方上架记录将该模型列于 2025-11-27;该日期也是模型 ID 中的快照日期。(docs.bailian.console.aliyun.com) 支持多语言和方言语音合成,同一音色可用于多语言输出;可根据文本自适应调整语气,并处理较复杂的文本。(docs.bailian.console.aliyun.com) 适用于实时播…