Gemini 3.5 Flash-Lite
Google 于 2026 年 7 月 21 日发布的低延迟、高吞吐、注重成本效率的多模态模型,面向大规模智能体工作流和数据处理。它基于 Gemini 3.1 Flash-Lite。(blog.google) 支持文本、图像、视频、音频和 PDF 输入,输出文本;API 文档列出的输入上限为 1,048,576 tokens,输出上限为 65,536 tokens。(ai.google.dev)…
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 7 月 21 日发布的低延迟、高吞吐、注重成本效率的多模态模型,面向大规模智能体工作流和数据处理。它基于 Gemini 3.1 Flash-Lite。(blog.google) 支持文本、图像、视频、音频和 PDF 输入,输出文本;API 文档列出的输入上限为 1,048,576 tokens,输出上限为 65,536 tokens。(ai.google.dev)…
Gemini 3.6 Flash 是 Google 基于 Gemini 3.5 Flash 构建的原生多模态推理模型,定位为兼顾质量、速度和 token 效率的通用工作模型,面向编码、知识工作和大规模智能体工作流。(deepmind.google) 接受文本、图片、音频、视频和 PDF 输入,输出文本;输入上限为 1,048,576 token,输出上限为 65,536…
Qwen-Image-3.0 是通义千问图像系列的第三代基础图像生成模型。qwen-image-3.0 是面向日常创作、兼顾速度与成本的标准版本;它与 qwen-image-3.0-pro 是不同的 API 型号。(qwen.ai) 接受文本和图像输入,输出图像;支持文生图、图生图和图像编辑。(alibabacloud.com) 官方介绍支持最长约 4,500 token 的图文指令,可生成报纸、…
Qwen3.7-Flash 是 Qwen3.7 原生视觉语言系列的 Flash 模型。本条 API ID 指向 2026 年 7 月 15 日的快照版本;阿里云模型更新公告于 2026 年 7 月 21 日列出该版本。推理服务由阿里云百炼提供。(alibabacloud.com) 支持文本、图像和视频输入,输出文本;支持文本生成、推理和视觉理解。(alibabacloud.com) 支持函数调用、…
HPD-Parsing 是面向高吞吐文档解析的轻量级视觉语言模型,参数规模约 10 亿。模型权重以 Apache-2.0 许可发布。(huggingface.co) 使用层级并行解码:主布局分支协调页面结构,动态生成并发的局部内容分支;渐进式多 token 预测(P-MTP)进一步减少解码步数,适合长文档和批量解析。(github.com) 官方报告在 OmniDocBench v1.6 上取得…
面向完整声音场景的音频创作模型,在统一框架中生成并协调人声、音效和环境声,而不只是单独合成语音。官方公告日期为 2026 年 7 月 20 日,并称模型已通过 BytePlus 提供。(seed.bytedance.com) 可根据自然语言提示生成包含角色对白、情绪、环境氛围和音效的协调音频场景;支持对角色对白进行提示词级时间控制,官方公告称时间精度为 100 毫秒。(seed.bytedance…
Qwen-Image-3.0-Pro 是阿里云百炼提供推理服务的图像生成与编辑模型,面向复杂版面和生产内容创作。官方上架公告列出的日期为 2026-07-20。(alibabacloud.com) 输入文本及可选参考图像,输出图像;支持文生图、图生图和图像编辑,也支持负面提示词。可用于报纸、分镜、菜单、试卷等复杂图文版面,以及人物和界面图像创作。(alibabacloud.com) 官方称其支持多…
Qwen 3.8-Max-Preview 是通义千问系列的旗舰基础模型预览版,参数规模为 2.4 万亿。阿里巴巴官方公告称,模型于 2026 年 7 月 19 日在 Token Plan、Qoder 和 QoderWork 平台发布;该公告发表于 2026 年 7 月 20 日。(alibabagroup.com) 官方介绍称,相比上一代旗舰 Qwen3.7-Max,本模型强化了代码工程和专业办公…
MiniMax 的音乐生成模型,接收音乐风格、情绪等文字描述,并可结合歌词生成完整歌曲。官方称其改进了创作意图理解、乐器表现和人声自然度。(platform.minimax.io) 可根据提示词控制音乐风格、情绪和场景,并结合歌词生成演唱与编曲;也支持纯器乐生成。 可使用歌词优化功能,在没有现成歌词时生成歌曲;独立歌词生成 API 是另一项服务。 适用于视频、游戏或应用的主题曲等创作场景。单首生成…
Kimi K3 是面向长程编程、知识工作和推理的开放权重多模态模型。它采用混合专家(MoE)架构,总参数量为 2.8 万亿,每个 token 激活约 1040 亿参数;上下文窗口为 1,048,576 tokens。模型原生支持视觉理解,可处理文本、图像和视频。(kimi.com) **长程编程与智能体任务:**理解大型代码库、使用终端工具,辅助软件开发、GPU 内核优化、编译器开发和科研计算。…
Hy-Embodied-RxBrain-1.0(RxBrain)是具身世界认知多模态基础模型,由腾讯 Robotics X、福田实验室与腾讯混元团队联合打造,基于 Hy-Embodied-VLM 系列开发。模型约有 62 亿参数,采用按模态路由的 Mixture-of-Transformers 架构,结合语言推理与视觉想象。(developer.cloud.tencent.cn) 具身理解与推理:…
Hy-Embodied-VLM-1.0 是面向现实物理世界具身智能体的视觉语言基础模型,由腾讯 Robotics X、混元视觉团队与福田实验室联合研发。它采用混合专家(MoE)架构,总参数约 300 亿,每个 token 激活约 30 亿参数。(github.com) 接收文本和图像,支持与动作相关的状态理解、动作与状态转变推理,以及多步骤、自适应推理,可用于机器人场景理解、空间推理和任务规划。(…
面向实时交互优化的文本转语音模型:输入文本,输出音频。官方公告称其侧重低延迟合成,首包延迟控制在 200 毫秒以内;实际延迟可能受使用条件影响。(alibabacloud.com) 支持多种语言和中文方言,并可通过自由形式指令及细粒度标签控制情绪、语气、角色、语速和音量等表达。(help.aliyun.com) 支持流式输出、自定义音色和指令控制,适用于语音助手、实时对话和智能客服等场景。(pla…
Qwen-Audio-3.0-TTS-Plus 是阿里云面向高质量语音生成的语音合成模型,输入文本、输出音频;Plus 版本侧重音质、自然度和细节表现。官方公告同时列出语音合成和实时语音合成能力。(alibabacloud.com) 支持自然语言指令和细粒度标签控制,可调整情绪、语气、角色、语速、音量和合成风格;官方称其较前一版本增强了小语种、中文方言及复杂声学条件下的表现。(alibabaclo…
GPT-5.6 Sol 是 OpenAI GPT-5.6 系列的旗舰推理模型,面向复杂专业工作。OpenAI 于 2026 年 7 月 9 日宣布该系列正式开放;此前曾于 2026 年 6 月 26 日启动有限预览。(openai.com) 可用于编程、代码库分析、研究、科学、网络安全、设计及其他多步骤知识工作;支持不同推理强度。(openai.com) API 支持文本和图像输入、文本输出,以及…
GPT-Live-1 mini 是 OpenAI 的 GPT-Live 系列语音模型,面向自然、实时的人机语音对话。OpenAI 于 2026 年 7 月 8 日公布该模型,并在发布时将其作为 ChatGPT Free 用户的默认语音模型。(openai.com) 采用全双工架构,能够在说话的同时持续聆听,处理停顿、插话和对话节奏变化。 可将需要更深入推理、搜索或工具操作的任务委派给后台模型;发布…
GPT-Live-1 是面向实时自然对话的全双工语音模型,可同时聆听和说话,并将较复杂的推理和工具调用委派给后台模型或智能体。(developers.openai.com) 支持连续对话、打断处理、实时翻译,以及根据停顿或背景声音调整交互;开发者可通过提示词调整语气、语速和风格。(openai.com) 支持文本和音频输入、输出,可用于语音助手、语言学习、电话客服、预约和其他语音业务流程。(dev…
Seedream 5.0 Pro 是字节跳动面向高精度、专业设计与图像创作场景的多模态图像生成和编辑模型。官方于 2026 年 7 月 8 日发布该模型。(seed.bytedance.com) 支持文生图、单张或多张参考图生图,以及多图融合。 可将数据、概念和密集文字组织为信息图或其他视觉版式,适用于海报、电商素材和产品原型等创作。 支持通过点位、框选、坐标、草图等方式指定编辑区域,并支持图层拆…
HunyuanOCR-1.5 是轻量化、端到端的 OCR 专用视觉语言模型,沿用 HunyuanOCR-1.0 的模型主干,重点提升推理速度和文字视觉任务能力。官方于 2026 年 7 月 7 日宣布发布。(github.com) 将文档解析、文字检测与识别、信息抽取和图文翻译整合到单一模型中,可用于处理文档、表格和公式等文字密集型图像。 针对低资源语言 OCR、古文字 OCR 和多图文字问答等能…
GPT-5.5 Instant Mini 是 OpenAI 在 ChatGPT 中推出的备用模型。根据发布公告,当用户达到 GPT-5.5 Instant 或 Auto 的速率限制时,它会替代 GPT-5.3 Instant Mini 接续对话。(help.openai.com) 与 GPT-5.3 Instant Mini 相比,官方称该模型更善于跟踪不断变化的用户意图、调整语气,并减少重复或过…