Qwen-AgentWorld-35B-A3B
Qwen-AgentWorld-35B-A3B 是面向智能体环境模拟的语言世界模型。官方 GitHub 公告列出的发布日期为 2026 年 6 月 24 日,同日发布 AgentWorldBench 评测基准。模型权重以 Apache-2.0 许可证开放。(github.com) 基于 Qwen3.5-35B-A3B-Base,采用混合专家架构,总参数约 350 亿,每次激活约 30 亿;上下文长…
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-AgentWorld-35B-A3B 是面向智能体环境模拟的语言世界模型。官方 GitHub 公告列出的发布日期为 2026 年 6 月 24 日,同日发布 AgentWorldBench 评测基准。模型权重以 Apache-2.0 许可证开放。(github.com) 基于 Qwen3.5-35B-A3B-Base,采用混合专家架构,总参数约 350 亿,每次激活约 30 亿;上下文长…
Doubao-Seed-2.1-Turbo 是 Seed 2.1 系列中面向规模化生产的低成本、低时延深度思考模型,适合成本、吞吐量和大量线上调用优先的场景。(docs.volcengine.com) 支持深度思考、文本生成、多模态理解、工具调用和结构化输出。(docs.volcengine.com) 适用于代码生成与工程交付、智能体多步骤任务,以及视觉和视频内容理解。Seed 2.1 系列公告还…
Doubao-Seed-2.1-Pro 是字节跳动面向编程与智能体任务的旗舰深度思考模型,侧重复杂任务探索和高价值生产场景。(docs.volcengine.com) 支持深度思考、文本生成、多模态理解、工具调用和结构化输出;官方建议结构化输出使用 json_schema 模式。(docs.volcengine.com) 面向复杂编程、长链路智能体任务和多步骤工程交付,可用于需求理解、长期规划、代…
Unlimited-OCR 是百度发布的开源端到端 OCR 与长文档解析模型,基于 DeepSeek-OCR 构建,采用约 30 亿总参数、5 亿激活参数的混合专家架构。模型代码和权重公开,模型卡标注为 MIT 许可证。(arxiv.org) 使用参考滑动窗口注意力(R-SWA),在解码过程中保持 KV 缓存大小恒定,以降低长输出的注意力计算和内存压力。 官方论文称,在标准 32K 最大长度设置下…
Seed-2.1-Pro-Preview 是 ByteDance 发布的基础模型预览版。官方于 2026-06-19 宣布在 Arena AI 的 Code Arena 提供社区抢先体验。(seed.bytedance.com) 官方将该预览版放在 Code Arena 供用户体验,适合用于探索和评估编程相关任务。公告未详细说明其具体能力、支持的输入或输出模态、上下文长度及基准成绩,不能据此确认这…
Fun-ASR-Flash 是面向录音文件转写的非实时语音识别模型,通过 HTTP API 将音频转换为文本。官方公告将本版本列为语音识别模型。(alibabacloud.com) 支持普通话、粤语、吴语、闽南语、客家话、赣语、湘语、晋语,以及英语、日语、韩语等多种语言和地区口音。 官方称模型针对古诗词的节奏、韵律和文言表达进行了优化,适用于文化传承、教育讲解和有声读物等内容的转写。 支持使用对话…
GLM-5.2 是面向长程任务的旗舰模型,重点支持项目级编程和智能体工作流。官方公告发布日期为 2026 年 6 月 16 日。(z.ai) 支持 1M token 上下文,适用于大型代码库、长文档、复杂调试、系统优化和多阶段研究任务。 支持不同思考强度,以权衡任务表现、延迟和计算成本。官方公告称,其 IndexShare 架构在 1M 上下文下可降低每 token 计算量,并改进了推测解码。 官…
HappyHorse-1.1-I2V 是阿里云百炼提供的首帧图生视频模型:以输入图像为基础,可通过文本提示引导生成有声视频。官方称,相比此前版本,其画面质感、动作流畅度、跨片段人物一致性、文字渲染稳定性及音画同步有所改善。(alibabacloud.com) 输入图像和可选文本,输出视频;适合将人物、商品或创意图片扩展为动态短片、分镜素材等。 支持 480P、720P、1080P;视频时长为 3–…
HappyHorse-1.1-R2V 是阿里云百炼提供的参考图生视频模型。官方更新公告将其列于 2026 年 6 月 16 日。(alibabacloud.com) 输入文本提示词和 1–9 张参考图片,生成视频;支持有声视频。 旨在保持参考主体、场景、风格和画面的一致性,并增强人物、场景及镜头表现的可控性。可用于需要在不同场景中保持角色一致性的视频创作。 输出支持 480P、720P、1080P…
HappyHorse-1.1-T2V 是阿里云百炼提供的文生视频模型,以文本为输入、视频为输出。官方称其加强了文本语义理解、镜头调度和动态生成,在人物动作、场景氛围、物理运动及画面一致性方面有所提升。(alibabacloud.com) 支持生成有声视频,输出规格为 480P、720P 或 1080P,单片段 3–15 秒,24 fps,MP4…
Qwen3.5-OCR 是基于 Qwen3.5 架构的光学字符识别(OCR)模型,由阿里云百炼提供推理服务。官方模型上架记录的日期为 2026-06-16。(alibabacloud.com) 支持文档解析、文本定位和关键信息提取,适用于扫描文档、表格、票据及身份证、驾驶证等证件的信息提取。 支持多轮交互;可通过 Response API 直接传入 PDF 进行文档解析,无需先拆成图片。 模型信息…
Hy-Embodied-0.5-VLA-RoboTwin 是腾讯 Robotics X 与混元团队发布的视觉—语言—动作(VLA)模型检查点。它以 Hy-Embodied-0.5-VLA 为基础,在 RoboTwin 2.0 的 50 项双臂操作任务上进行了监督微调,主要面向机器人操作研究和仿真评测。(huggingface.co) 结合视觉观测、自然语言指令和历史帧,生成连续机器人动作块;架构使…
Hy-Embodied-0.5-VLA-UMI 是腾讯 Hy-Embodied-0.5-VLA 具身智能系统的 UMI 预训练权重,面向机器人视觉—语言—动作(VLA)学习,作为适配目标机器人和任务时进一步微调的通用起点。它不是同系列针对 RoboTwin 2.0 任务后训练的 RoboTwin 权重。(huggingface.co) 结合视觉观测、自然语言任务指令和机器人状态,生成连续机器人动作…
Kimi K2.7 Code 是面向编程和长程软件工程任务的智能体模型,模型权重已公开。官方于 2026 年 6 月 12 日发布。(kimi.com) 适用于代码库重构、跨文件功能开发、调试和多轮编程任务,也可通过 Kimi API 集成到开发工具和智能体工作流。 采用混合专家(MoE)架构,总参数量为 1T,每个 token 激活 32B 参数;上下文窗口为 262,144 tokens。官方…
PP-OCRv6_medium_rec 是 PaddleOCR 的 PP-OCRv6 系列中等规模文本识别模型,主要面向服务端及较高精度需求的 OCR 场景。官方提供推理和训练模型,模型卡标注 Apache-2.0 许可证。(github.com) 单模型支持简体中文、繁体中文、英文、日文及 46 种拉丁语系语言,共 50 种语言;可用于文档、街景和工业字符等场景。(github.com) 基于…
PP-OCRv6_medium_det 是百度飞桨 PP-OCRv6 系列的中等规模文本检测模型,适合服务端部署。它以图像为输入,定位文字区域;采用 PPLCNetV4 骨干网络和 RepLKFPN 特征金字塔。官方模型列表标注的模型存储大小约为 60 MB。(paddlepaddle.github.io) 可作为 OCR 流水线的文字定位组件,适用于文档、截图、自然场景和工业图像等场景;检测结果…
PP-OCRv6_small_rec 是 PP-OCRv6 的 small 档文本识别模型,面向移动端和桌面端等轻量部署场景。它是 OCR 流程中的识别模块,而非完整的文本检测与识别系统。官方模型卡列出约 520 万参数;PaddleOCR 文档列出的模型存储大小为 20.4 MB。(paddleocr.ai) 接收文字图像并识别文本;可与文本检测等模块配合,用于多语言文档、场景文字和工业文字处理…
PP-OCRv6_small_det 是百度飞桨 PaddleOCR 团队开发的 PP-OCRv6 小型文本检测模型,适合移动端部署。模型约有 248 万参数,采用 LCNetV4 骨干和 RepLKFPN 特征金字塔;官方文档列出的模型存储大小为 9.6 MB。模型卡标注采用 Apache-2.0 许可证。(huggingface.co) 输入图像,定位并输出包含文字的区域框,可作为 OCR 流…
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…