Gemini 3.5 Flash
Google 于 2026 年 5 月 19 日发布 Gemini 3.5 Flash。它是 Gemini 3.5 系列首发模型,面向高速推理、编程和多步骤智能体工作流。(blog.google) 原生多模态推理模型,基于 Gemini 3 Flash;支持文本、图像、音频和视频输入,输出文本。模型卡列出的上下文窗口最大为 100 万 token,最大输出为 64K token。可通过思考级别调节…
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 于 2026 年 5 月 19 日发布 Gemini 3.5 Flash。它是 Gemini 3.5 系列首发模型,面向高速推理、编程和多步骤智能体工作流。(blog.google) 原生多模态推理模型,基于 Gemini 3 Flash;支持文本、图像、音频和视频输入,输出文本。模型卡列出的上下文窗口最大为 100 万 token,最大输出为 64K token。可通过思考级别调节…
Qwen3.5-LiveTranslate-Flash 的实时版本,基于 Qwen3.5-Omni,面向多语言实时语音及音视频同声翻译。稳定版 API ID 为 qwen3.5-livetranslate-flash-realtime;官方文档称其当前能力等同于快照版 qwen3.5-livetranslate-flash-realtime-2026-05-19。(help.aliyun.com)…
GPT-Realtime-Whisper 是面向实时转录的流式语音转文字模型,可通过 Realtime API 使用。OpenAI 于 2026 年 5 月 7 日发布该模型。(openai.com) 模型可在用户说话时持续输出低延迟的转录文本,开发者可权衡延迟与准确性。适用场景包括会议、课堂、直播和活动字幕,以及为会议笔记、语音助手和客户服务等工作流提供实时转录内容。(developers.op…
GPT-Realtime-Translate 是面向实时多语言场景的流式语音到语音翻译模型,侧重口译,而非回答问题或执行任务的通用语音助手。(developers.openai.com) 接收流式语音,自动识别源语言,在输入音频仍在到达时输出翻译语音及目标语言转录文本增量。官方公告称支持 70 多种输入语言和 13 种输出语言。(openai.com) 13 种目标语言为西班牙语、葡萄牙语、法语、…
GPT-Realtime-2 是面向实时语音交互和复杂语音智能体工作流的 API 模型。OpenAI 将其描述为首款具备 GPT-5 级推理能力的语音模型,支持语音到语音交互。发布日期为 2026 年 5 月 7 日。(openai.com) 支持文本和音频输入、输出,以及图像输入;可通过 Realtime API 构建实时语音应用。(developers.openai.com) 支持函数调用、并…
OpenAI 面向专业网络安全工作的专用预览模型。2026 年 5 月 7 日,OpenAI 宣布向负责保护关键基础设施的防御人员推出有限预览。(openai.com) 为经授权的红队测试、渗透测试、漏洞研究和受控验证等专业工作流提供更宽松的安全任务响应。 可辅助合作伙伴在授权环境中验证漏洞可利用性、开发概念验证,以及支持协调披露和修复工作。 官方表示,首个预览版本主要针对安全任务的响应宽容度进行…
Gemini 3.1 Flash-Lite 是 Gemini 3 系列中面向高吞吐、低延迟和成本敏感型任务的多模态模型。Google 于 2026 年 5 月 7 日宣布该正式版在 Gemini Enterprise Agent Platform 正式推出;此前的预览版于 2026 年 3 月 3 日发布。(cloud.google.com) **输入和输出:**支持文本、图像、音频和视频输入,输…
GPT-5.5 Instant 是 OpenAI 面向日常对话的 Instant 模型。官方于 2026 年 5 月 5 日宣布推出,逐步取代 GPT-5.3 Instant,成为当时 ChatGPT 的默认模型,并通过 API 标识 chat-latest 提供。(openai.com) 改进日常问题回答、照片和图像分析、STEM…