PP-OCRv6_tiny_rec
PP-OCRv6_tiny_rec 是 PaddleOCR PP-OCRv6 系列中最轻量的文本识别模型,面向端侧等资源受限环境。官方模型卡标注约 110 万参数,模型文件约 4.4 MB,采用 Apache-2.0 许可。(huggingface.co) 将图像中的文字区域转换为可编辑、可搜索的文本;可与文本检测模块组合构建 OCR 流程。 单模型支持 49 种语言,可用于多语言文档、图片文字提…
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。
PP-OCRv6_tiny_rec 是 PaddleOCR PP-OCRv6 系列中最轻量的文本识别模型,面向端侧等资源受限环境。官方模型卡标注约 110 万参数,模型文件约 4.4 MB,采用 Apache-2.0 许可。(huggingface.co) 将图像中的文字区域转换为可编辑、可搜索的文本;可与文本检测模块组合构建 OCR 流程。 单模型支持 49 种语言,可用于多语言文档、图片文字提…
PP-OCRv6_tiny_det 是 PaddleOCR 团队开发的 PP-OCRv6 系列超轻量文本检测模型,约有 43 万参数,面向端侧和物联网等资源受限场景。其骨干网络为 LCNetV4,检测特征金字塔采用 RepLKFPN。(huggingface.co) 输入图像,定位其中的文本区域,可用于印刷、手写、旋转、弯曲及艺术文字等场景。 可作为 OCR 流水线的检测模块,配合文本识别模型,用…
DiffusionGemma 是 Google DeepMind 推出的实验性开放权重多模态生成模型,基于 Gemma 4 26B A4B 混合专家架构,重点探索低延迟文本生成和本地交互应用。权重采用 Apache 2.0 许可证。官方公告发布于 2026 年 6 月 10 日。(blog.google) 总参数量约为 25.2B,推理时激活约 3.8B;最长上下文为 256K token。(ai…
Claude Mythos 5 是 Anthropic 面向网络安全和生物研究的高能力模型。它与 Claude Fable 5 使用相同的底层模型,但在部分领域采用不同的安全防护措施;Mythos 5 的使用受到访问审核限制。(anthropic.com) 支持文本和图像输入,输出文本;上下文窗口为 100 万 token,最大输出为 128K token。自适应思考始终开启,默认 effort…
Claude Fable 5 是 Anthropic 面向通用使用发布的第五代、Mythos 级模型,适合复杂、长周期的知识工作与智能体任务。官方目前将其标记为仍可使用的旧版模型;预计退役时间不早于 2027 年 6 月 9 日。(anthropic.com) 支持文本和图像输入、文本输出;上下文窗口为 100 万 token,最大输出为 128K token。自适应思考始终开启,默认思考强度为…
Gemini 3.5 Live Translate 是面向低延迟实时语音翻译的音频模型。Google 于 2026 年 6 月 9 日发布该模型,并宣布通过 Gemini Live API 和 Google AI Studio 向开发者提供公开预览。(blog.google) 自动识别 70 多种语言,连续处理流式语音,生成译后语音,尽量保留说话人的语调、语速和音高;公告称译文通常落后原声数秒。(…
SCAIL-2 是面向可控角色动画的开源视频生成模型。它使用参考角色图像和驱动视频生成动画,也支持角色替换与多角色场景;端到端驱动不必依赖骨架姿态中间表示。(huggingface.co) 支持角色动作迁移、跨身份角色替换、多角色动画及替换,也支持以动物动作作为驱动,以及零样本使用网格渲染等控制条件。可用于角色动画、视频角色替换及相关研究。(teal024.github.io) 官方推理流程使用参…
Qwen3.7-Max 是 Qwen3.7 系列的 Max 模型,面向智能体应用。本版本是 2026 年 6 月 8 日的模型快照;阿里云官方更新记录将其列于 2026 年 6 月 9 日的全球部署范围更新中,新加坡国际部署范围的更新日期为 2026 年 6 月 10 日。(alibabacloud.com) 支持文本、图像和视频输入,输出为文本。相较于 2026 年 5 月 20 日快照,本版本…
GPT-Rosalind-5.5 是面向生命科学研究的专业推理模型,支持生物学、药物发现和转化医学研究,适用于企业规模的科学工作流。该模型在 GPT-5.5 基础上继续训练。官方公告发布于 2026 年 6 月 3 日。(openai.com) 综合文献、实验记录及多种生物数据中的证据,支持科学分析、假设生成、实验设计和结果解释。 支持药物化学推理、基因组学和定量生物学分析,以及湿实验室故障排查。…
Gemma 4 12B Unified 是 Google DeepMind 发布的开放权重、密集型多模态模型,面向笔记本电脑、桌面设备和小型服务器上的本地推理。它采用统一的无独立多模态编码器架构,通过轻量投影处理图像和音频输入;模型约有 119.5 亿参数,以 Apache 2.0 许可证发布。(blog.google) **多模态输入与文本输出:**支持文本、图像、视频和原生音频输入,生成文本;…
Qwen3.7 系列的高性价比 Plus 模型,面向文本、视觉理解和多模态智能体工作流。该 API ID 指向 2026 年 5 月 26 日的快照版本,推理服务由阿里云百炼提供。(help.aliyun.cn) 接受文本、图片和视频输入,输出文本;支持深度思考、函数调用、结构化输出、联网搜索、前缀续写和上下文缓存。 可用于真实场景理解、屏幕读取与 GUI 操作、依据视觉参考生成代码、移动应用导航…
MiniMax M3 是面向编程、智能体和长程协作的原生多模态模型。官方于 2026 年 6 月 1 日发布,API 模型 ID 为 MiniMax-M3。(minimax.cn) 支持文本、图片和视频输入,以文本形式输出;可用于多模态理解、代码生成与修复、长文档和代码库分析。(huggingface.co) 采用 MiniMax Sparse Attention(MSA),最高支持约 100 万…
Universal Audio Tokenizer 是腾讯微信 AI 发布的紧凑型单码本音频分词器,旨在结合语言对齐与通用音频感知,为音频大语言模型提供统一的音频输入和输出表示。它不是独立的聊天模型或完整的文本转语音服务。(github.com) 将语音、声音和音乐等音频编码为离散 token,并可从 token 重建波形;官方提供预训练权重、推理示例和训练代码。(huggingface.co)…