Wan3.0-Video
Wan3.0-Video 是阿里巴巴的全能型视频生成模型,通过同一模型支持文生视频、图生视频和参考生视频。(docs.qwencloud.com) 支持文本、图像、音频、视频、文件及网页链接等输入,可进行首帧或首尾帧生成、多模态参考生成、视频编辑和视频延长。(docs.qwencloud.com) 支持生成音画、声音开关、智能时长和自适应画幅;输出分辨率为 480P、720P 或 1080P,视频…
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。
Wan3.0-Video 是阿里巴巴的全能型视频生成模型,通过同一模型支持文生视频、图生视频和参考生视频。(docs.qwencloud.com) 支持文本、图像、音频、视频、文件及网页链接等输入,可进行首帧或首尾帧生成、多模态参考生成、视频编辑和视频延长。(docs.qwencloud.com) 支持生成音画、声音开关、智能时长和自适应画幅;输出分辨率为 480P、720P 或 1080P,视频…
SeedRealtime 是原生音视频全双工大语言模型,面向连续多模态信息流中的实时交互。它在统一的端到端架构中融合音频、视频和文本,支持边看、边听、边说。(seed.bytedance.com) 音视频联合理解:结合画面、声音和时序信息理解场景、语音歧义及视觉指代,并在多人对话中区分说话者和交流内容。 主动交互与工具调用:持续感知环境变化,在适当时机主动提醒,并可在交互中调用工具。 对话节奏控制…
Hunyuan3D-Buffalo 1.0 是腾讯混元提出的统一 3D 多模态研究框架,整合 3D 理解、生成、编辑和部件生成。它以 Hunyuan3D-VLM 连接语义与空间理解,并结合 Hunyuan3D DiT 进行 3D 合成。(tencent-hunyuan.github.io) 3D 理解:针对 3D 对象进行问答、语义及空间定位。 文生 3D:根据文字提示生成 3D 资产。 指令编辑…
Qwen-Image-3.0 是千问图像生成模型的标准版,侧重平衡生成质量、速度和成本;它不同于更侧重复杂布局与细节质量的 Pro 版。(docs.qwencloud.com) 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。 官方称其支持最长约 4.5K token 的复杂提示词,可生成信息密集的排版、图中图和清晰文字,支持 12 种语言及多种字体。 适合海报、网页、UI 设计等日常…
Qwen3.8-Max 是 Alibaba 于 2026 年 8 月 3 日正式发布的通义千问旗舰多模态基础模型。它采用稀疏混合专家(MoE)架构和混合注意力机制,总参数量为 2.4 万亿,每次激活 950 亿参数。官方发布公告:Alibaba Cloud 公告。(alibabacloud.com) 模型支持文本、图像和视频输入,输出文本;支持原生视觉理解、函数调用、结构化输出和上下文缓存。适用场…
Seed-Evolving 是面向智能体(Agent)和编程(Coding)场景的 Seed 系列深度思考模型。它使用统一模型 ID,版本升级自动生效,因此同一 ID 不固定对应某个历史版本。(docs.volcengine.com) 首次发布:2026-06-23。 **输入所给日期:2026-08-01。**官方将其列为一次版本更新,而非首次发布日期;该次更新增强了通用能力、Coding 和…
DeepSeek-V4-Flash-0731 是 DeepSeek-V4-Flash 的正式版本,重点增强智能体能力。官方于 2026 年 7 月 31 日宣布其 API 上线公测。该版本与预览版的模型结构和尺寸相同,重新进行了后训练。(api-docs.deepseek.com) 面向文本生成、推理、编程和智能体任务,适合代码开发、工具调用及自动化工作流。 原生支持 Responses API…
Qwen3.7-Text-Embedding 是基于 Qwen3.7 的多语言文本向量模型,由阿里云百炼提供推理服务,将文本转换为向量,供检索等下游任务使用。(help.aliyun.com) 支持多语言文本及代码处理,可用于语义搜索、检索增强生成(RAG)、推荐、聚类和分类。 可选向量维度为 256、512、768、1024、1536、2048 和 2560,默认 1024。 支持任务指令及稠密…
Qwen-Audio-3.0-ASR-Flash 是阿里云百炼提供的非实时自动语音识别模型,输入音频并输出文本,适合短录音转写;它与实时 Streaming 版及离线文件转写 Filetrans 版是不同模型。(alibabacloud.com) 官方公告称支持包括中文、英语、日语和韩语在内的 30 种语言,以及多种中文方言和 20 多种地区口音。 针对中国古诗词识别进行了优化,并增强标点预测和文…
非实时语音识别与文件转写模型,面向完整音频或视频文件,将语音转为文本。适用于短视频字幕、客服质检、会议记录及金融双录等场景。(docs.qwencloud.com) 支持中文、英语、日语、韩语等多种语言,以及多种汉语方言和地区口音。 支持热词和上下文增强,可改善特定领域词汇的识别;支持说话人分离、标点预测和文本规范化,并针对古诗词识别进行了优化。(alibabacloud.com) 通过 HTTP…
通义实验室面向低延迟、高并发实时交互推出的流式语音识别模型。输入音频,输出转写文本;阿里云百炼提供推理服务。(alibabacloud.com) 支持实时流式转写、上下文增强及专业词汇识别;官方公告还列出热词、标点预测和文本规范化能力。(alibabacloud.com) 支持中文普通话、粤语、吴语、闽南语等方言及多种地区口音,也支持英语、日语、韩语等多种语言。(alibabacloud.com)…
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…
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…
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…