HappyHorse-1.1-I2V
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–…
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。
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…
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…
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…
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)…