GPT-6 Sol
GPT-6 Sol 是 OpenAI 面向复杂编程和智能体工作流的推理模型,定位于在能力、速度和成本之间取得平衡。OpenAI 将 GPT-6 Astra 定位为综合能力更强的选择;官方模型文档另列有较新的 GPT-6.1 Sol。(openai.com) 支持文本和图像输入、文本输出,可用于软件开发、跨应用业务流程、计算机操作及其他复杂专业工作。(developers.openai.com) 在…
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。
GPT-6 Sol 是 OpenAI 面向复杂编程和智能体工作流的推理模型,定位于在能力、速度和成本之间取得平衡。OpenAI 将 GPT-6 Astra 定位为综合能力更强的选择;官方模型文档另列有较新的 GPT-6.1 Sol。(openai.com) 支持文本和图像输入、文本输出,可用于软件开发、跨应用业务流程、计算机操作及其他复杂专业工作。(developers.openai.com) 在…
Claude Opus 5.5 是 Anthropic 面向长时间智能体编程和知识工作的混合推理模型,也是 Claude 5.5 系列的首个发布版本。Anthropic 称其在大多数工作上的表现达到 Claude Fable 5.1 的水平。(anthropic.com) 编程与智能体:适合大型代码库迁移、重构、调试、代码审查,以及多工具、多步骤的长时间任务。 知识工作与视觉:可分析文档、图表和截…
Gemini 3.8 Flash-Lite TTS 是面向高吞吐量、低延迟和成本效率优化的文字转语音模型。Google 将其定位为 gemini-3.1-flash-tts-preview 的替代选择。(aistudio.google.com) 接收文本并生成语音,可用于批量音频制作、朗读、日常单人语音和实时语音代理级联。 支持预设语音、扩展语音库、自定义语音设计、语音复制和语音混合;语音复制涉及…
Google 的旗舰创意文字转语音模型,侧重高保真声音、富有表现力的演绎、地方口音以及长篇多轮语音的一致性。(aistudio.google.com) 将文本转换为单人或多人语音,可通过结构化元数据控制说话人和表达风格,并使用语音事件标签控制笑声、叹息和停顿等表现。 支持预设声音、扩展声音库、自然语言声音设计、经同意验证的声音复刻,以及声音混音。Google 的 Gemini API 模型页面列出…
腾讯混元的预览版图像生成模型,面向专业视觉内容创作。腾讯云 TokenHub 提供 API 接入。(cloud.tencent.com) 支持文生图、参考图生图和多轮图像编辑,可在消息中结合文本、参考图和历史上下文。(cloud.tencent.com) 支持外部搜索增强、自定义尺寸和生成种子等功能,可用于海报、UI 设计和商品图编辑。(cloud.tencent.com) 当前调用文档支持最高…
端到端非实时语音识别模型,面向长录音及音视频文件转写;输入为音频,输出为文本。适用于会议转写、内容生产和通话分析等场景。(alibabacloud.com) 支持多语言及多地区中文方言识别,包括中文、英语、日语、韩语等;支持多种方言的 ASR/AST 可控输出。 支持热词和上下文增强、说话人分离、标点预测及文本规范化。 通过 HTTP…
Qwen-Audio-3.1-ASR-Flash 是面向短音频的非实时语音识别模型,输入音频、输出文本,适用于多语言语音和文化内容转写。官方发布公告将其列于 2026 年 9 月 21 日。(alibabacloud.com) 支持多语言及多个地区的中文方言识别,并针对中文古诗词的韵律、节奏和文言表达进行优化。 支持上下文增强、标点预测、文本规范化、转写润色,以及多人对话的说话人区分;支持多种方言…
端到端实时语音识别模型,输入音频、输出文本,由阿里云百炼提供推理服务。适用于实时会议转写、直播字幕和智能交互等场景。(alibabacloud.com) 支持流式语音转写、多语言及多地区中文方言识别、中英文切换、热词和上下文增强、标点预测、文本规范化,以及多种方言的可控语音识别或语音翻译输出。官方称其具备噪声鲁棒性。(alibabacloud.com) 支持 WebSocket 接入。实时识别文档…
面向语音消息、语音输入法和企业业务场景的生成式自动语音识别模型,由阿里云百炼提供推理服务。输入为音频,输出为文本。(alibabacloud.com) 支持中文、英文及多语言识别,重点优化印尼语、日语、泰语、菲律宾语、越南语、韩语和马来语;可自动识别语言或指定目标语种。 支持流式上屏、P0/P1 热词、文本归一化、结合前文转写和业务上下文识别,以及可开关的原生文本润色。 中文方言可保留口语原文或转…
Qwen-Audio-3.1-TTS-Next 是面向统一音频生成的 AudioGen 模型,由阿里云百炼提供推理服务。它不局限于传统文本转语音,可结合文本、时间戳和参考音频,一次生成包含人声、音效和环境音的完整音频。(docs.bailian.console.aliyun.com) 支持中文和英文,可用于单人语音、多人对话、播客、影视声景、环境音和音效生成;适用于内容创作、短视频、播客、影视及游…
面向实时音视频交互的全模态模型,可在接收流式音视频时进行交互,并输出文本和音频。适用于实时语音助手、客服、视觉问答等场景。(alibabacloud.com) 输入文本、流式音频和视频连续图像帧;输出文本和音频。 支持自定义工具调用、远程 MCP 工具和视频聚合。 支持 WebSocket、WebRTC 和 AOQ。WebSocket 接入支持 1、2、4 声道,多通道输入使用 16 kHz…
Qwen-Audio-3.1-Realtime-Plus 是阿里云百炼提供的实时双工语音对话模型。官方上架公告日期为 2026-09-20。(alibabacloud.com) 支持文本和音频输入、输出,以及实时双工语音对话。 支持 Function Calling、联网搜索和声音复刻;沿用 3.0 Plus 的接入协议,保留原有音色并新增 8 个系统音色。 可用于实时语音助手、语音交互及需要调用…
Qwen-Image-2.1 是统一的文本生成图像与图像编辑模型。其视觉生成组件包含约 70 亿参数,采用 32 层单流扩散 Transformer;官方提供模型权重。(github.com) 根据文本生成普通图像或带透明通道的 RGBA 图像,也可编辑透明图层、从照片中提取主体。 支持最多 10 张参考图像;可通过圈选、涂画标记或独立蒙版指定局部编辑区域,并支持保持人物或产品的身份一致性。 官方…
Qwen3.8-Omni-Flash 是面向音视频理解、内容分析及智能体应用的多模态模型,由阿里云百炼提供推理服务。(alibabacloud.com) 支持文本、图片、音频和视频输入,输出文本;可用于音视频理解、会议纪要、字幕生成、文本问答及多模态内容分析。(help.aliyun.cn) 支持思考与非思考模式、函数调用、联网搜索和上下文缓存;思考模式默认开启,推理强度可调。支持 Chat…
百度面向灵活交互和任务型场景的端到端语音语言大模型。2026年9月16日官方公告宣布开启公测;官方API文档仍将接口标注为公测阶段。(cloud.baidu.com) 支持实时自然语音交互、可打断对话,以及服务端自动语音活动检测(VAD)和客户端手动提交音频。(cloud.baidu.com) 支持Function Call连接外部工具和业务系统、联网搜索,以及70余种预置音色。(cloud.ba…
Google 面向实时语音交互和复杂多步骤任务的音频到音频 Live API 模型。它可在保持对话的同时进行后台推理和异步工具调用,适合构建语音智能体。(aistudio.google.com) 接收文本、图像和音频;模型卡也将视频列为输入。常规输出为文本和音频。输入上限为 131,072 tokens,输出上限为 65,536 tokens。(aistudio.google.com) 可配置低、…
Gemini 3.8 Live 是面向低延迟实时语音对话的音频到音频模型,侧重规模化部署和成本效率。它与面向更复杂多步推理任务的 Gemini 3.8 Live Extended Thinking 是不同版本。(blog.google) 支持实时语音交互、交错推理、同步和异步函数调用,以及结合视觉输入进行对话;官方称其可在对话中自动切换 97 种受支持语言。(blog.google) Gemini…
K2.8 Preview 是面向 Kimi Code 编程与智能体工作流的预览模型。官方于 2026 年 9 月 11 日宣布其在 Kimi Code 全量上线;原有模型 ID kimi-for-coding 保持不变。官方称其综合性能接近 K3,编码与智能体能力相较 K2.7 Code 提升,思考效率也有改善;这些对比属于官方定性描述。(kimi.com) **编程与智能体:**适合代码补全、常…
DeepSeek 于 2026 年 9 月 10 日发布 DeepSeek-V4.1-Flash,将其定位为新架构系列中尺寸最小、注重推理效率和吞吐量的多模态模型。(deepseek.com) 采用因果编码器—解码器(CED)混合专家架构,主干参数为 552B;输入预填充阶段每 token 激活 8B 参数,输出生成阶段激活 16B 参数。 原生处理文本和图像,生成文本;适用于图像理解、长上下文任…
AuK-Flash 是腾讯 AuK 语音生成与编辑基础模型的蒸馏版本,面向快速推理。AuK 系列模型约为 15 亿参数;Flash 使用固定 4 步推理,不使用无分类器引导。官方技术报告称,在相同硬件、输出时长和批量条件下,相比 32 步的 AuK 基础模型,实测推理耗时加速约 4.5 倍;实际表现取决于部署条件。(github.com) 模型通过自然语言指令及按任务需要提供的音频,支持零样本文本…