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…
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…
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。(…
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…
Hy3 是腾讯混元于 2026 年 7 月 6 日正式发布的语言模型,面向推理、编程和智能体等生产力任务。它采用融合快慢思考的混合专家(MoE)架构,总参数量 295B,每次激活 21B 参数,支持最高 256K 上下文。正式版建立在 Hy3 preview 基础上,与预览版相比强化了模型表现和稳定性。(tencent.com) 支持复杂推理、指令遵循、上下文学习、代码生成,以及智能体的任务规划和…