模型发布档案

最新发布模型

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。

按发布时间倒序7 种语言
清除

248 个模型

按发布时间倒序
Alibaba

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…

了解模型简体中文
ByteDance

SeedRealtime

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…

了解模型简体中文
Tencent

Hunyuan3D-Buffalo 1.0

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…

了解模型简体中文
Alibaba

Qwen-Image-3.0

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…

了解模型简体中文
Alibaba

Qwen3.8-Max

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…

了解模型简体中文
ByteDance

Seed-Evolving

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…

了解模型简体中文
MiniMax

MiniMax H3

MiniMax H3 是面向多模态内容创作的通用生成模型,于 2026 年 7 月 31 日发布。它统一理解由文本、图像、视频和音频组成的上下文,主要输出带原生双声道音频的视频。(minimax.io) 支持文生视频、图生视频、首尾帧生成,以及使用图片、视频和音频作为参考素材的视频生成。 输出视频时长为 4–15 秒,最高支持 2K 分辨率,并支持多种画幅。 官方列举的用途包括广告、品牌内容、电商…

了解模型简体中文
ByteDance

Seedance 2.5

Seedance 2.5 是字节跳动推出的新一代音视频生成模型,基于音视频联合生成架构,重点提升长叙事、多模态参考和视频编辑能力。官方公告发布日期为 2026-07-31。(seed.bytedance.com) 支持文生视频、首帧及首尾帧生视频、有声视频生成、视频编辑和延长。国内 API 文档所列单次输出时长为 4–30 秒,并支持多轮延长。(docs.volcengine.com) 单次最多参…

了解模型简体中文
DeepSeek

DeepSeek-V4-Flash

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…

了解模型简体中文
Alibaba

Qwen3.7-Text-Embedding

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…

了解模型简体中文
Google

Gemini Robotics On-Device 2

Gemini Robotics On-Device 2 是面向通用机器人操作的端侧视觉—语言—动作(VLA)模型,针对机器人硬件上的本地推理和网络受限场景进行了优化。模型卡说明其基于 Gemini Robotics 1.5 技术及端侧 Gemma 模型。(deepmind.google) **输入和输出:**接收文本指令、环境图像和以数值表示的机器人本体感知信息,输出数值形式的机器人动作。(dee…

了解模型简体中文
Google

Gemini Robotics ER 2 Streaming Preview

面向机器人具身推理的视觉语言模型预览端点,针对通过 Live API 进行低延迟实时文本流式输出而优化。Google 于 2026 年 7 月 30 日发布公开预览版。(aistudio.google.com) 接受文本、图片、视频和音频输入,输出文本;支持双向流式交互、函数调用、思考和 Google 搜索接地。输入上限为 131,072 token,输出上限为 65,536 token。(ai.…

了解模型简体中文
Google

Gemini Robotics ER 2 Preview

Gemini Robotics ER 2 Preview 是面向机器人的视觉语言模型(VLM)预览端点,基于 Gemini 3.5 Flash,侧重具身推理,可作为机器人系统的高层规划与协调模块。Google 于 2026 年 7 月 30 日宣布通过 Gemini API 公开预览该端点。(aistudio.google.com) 接收文本、图像、视频和音频输入,输出文本;输入上限为 131,0…

了解模型简体中文
Google

Gemini Robotics 2

Gemini Robotics 2 是 Google DeepMind 于 2026 年 7 月 30 日公布的机器人 AI 系列。其中同名的 Gemini Robotics 2 是视觉-语言-动作(VLA)模型,可将视觉和语言输入转化为机器人运动控制,面向人形及双臂机器人。(deepmind.google) **全身控制与灵巧操作:**可协调人形机器人行走、弯腰、取放物体,并控制多指手或夹爪。官…

了解模型简体中文
Alibaba

Qwen-Audio-3.0-ASR-Flash

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…

了解模型简体中文
Alibaba

Qwen-Audio-3.0-ASR-Flash-Filetrans

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…

了解模型简体中文
Alibaba

Qwen-Audio-3.0-ASR-Flash-Streaming

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)…

了解模型简体中文
Google

Lyria 3.5

Lyria 3.5 是 Google 的音乐生成模型,使用潜在扩散架构,根据提示生成音乐音频和歌词。Google 于 2026 年 7 月 29 日宣布在 Google Flow Music 推出该模型。(blog.google) 支持文本和图片输入,可生成包含主歌、副歌和桥段等结构的歌曲;音频为 44.1 kHz 立体声,默认输出 MP3,也可请求…

了解模型简体中文
OpenAI

GPT-Live-Transcribe

GPT-Live-Transcribe 是面向实时音频的低延迟流式语音转文字模型,可在语音输入过程中返回增量转录文本。(developers.openai.com) 适用于麦克风、通话及其他实时音频流的转录,例如实时字幕;每个音频轮次提交后可获得最终转录文本。(developers.openai.com) 支持调整延迟、提供自由文本上下文、关键词提示和多个预期输入语言提示。较高延迟可提供更多音频上…

了解模型简体中文
OpenAI

GPT-Transcribe

GPT-Transcribe 是 OpenAI 的高准确度语音转文字模型,面向已完成音频文件的转录,以及 Realtime 会话中已提交音频轮次的转录。API 模型 ID 为 gpt-transcribe。(developers.openai.com) 可对已录制音频返回最终文字,或在处理文件时流式输出文字;适合录音整理、会议记录和客服通话转写等用途。 支持自由形式的录音上下文 prompt、关键…

了解模型简体中文