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

423 个模型

按发布时间倒序
Alibaba

Qwen-Image-Max

Qwen-Image-Max 是通义千问 Max 系列文生图模型;本模型 ID 对应 2025 年 12 月 30 日的快照版本。官方于 2025 年 12 月 30 日将该版本列入模型更新记录。(docs.modelstudio.console.alibabacloud.com) 接收文本描述,生成图像,适用于人像、自然纹理和带文字的图像创作。 官方称,相比 Plus 系列,该模型改善了生成图像…

了解模型简体中文
MiniMax

MiniMax-M2.1

MiniMax-M2.1 是面向智能体、软件开发和复杂办公任务的开放权重语言模型,是 MiniMax-M2 的升级版本。官方介绍其采用混合专家(MoE)架构,总参数约 2300 亿,每次推理激活约 100 亿参数。(minimax.io) **多语言编程:**针对 Rust、Java、Go、C++、Kotlin、Objective-C、TypeScript 和 JavaScript 等语言进行了增…

了解模型简体中文
Google

Gemini 3 Flash Preview

Gemini 3 Flash Preview 是 Google Gemini 3 系列的多模态预览模型,侧重以较低延迟和成本提供推理、编程及智能体能力。Google 于 2025 年 12 月 17 日公布该模型。(blog.google) 支持文本、图片、视频、音频和 PDF 输入,输出为文本;支持思考、函数调用、代码执行、结构化输出、上下文缓存、网址上下文和搜索接地等功能。(ai.google…

了解模型简体中文
Alibaba

Wan2.6-R2V

Wan2.6-R2V 是阿里巴巴万相 2.6 系列的参考生视频模型。用户可提供角色参考视频和文本提示词,生成以参考主体为主角的新场景;官方称其可用于人物、动物或物品,并支持多个主体共同出镜。(alibabacloud.com) 参考素材可用于提取主体形象及已有音色,以在生成内容中保持角色特征;支持单角色或多角色、有声视频及多镜头叙事。(help.aliyun.com) 可用于短剧、角色表演、故事短…

了解模型简体中文
MiniMax

VTP-Large-f16d64

VTP-Large-f16d64 是 VTP(Visual Tokenizer Pre-training)系列的视觉分词器模型,面向图像表征、重建和生成研究,而非通用文本对话模型。官方模型卡列出的模型规模约为 0.7B 参数。(github.com) **视觉表征与图文对齐:**联合使用图文对比学习、自监督学习和图像重建目标,可提取图像特征,也可计算图像与文本的特征相似度,用于零样本分类等任务。…

了解模型简体中文
MiniMax

VTP-Base-f16d64

VTP-Base-f16d64 是 MiniMax 发布的 Base 版视觉分词器预训练模型,主要用于图像特征提取和生成模型的视觉潜空间表示。VTP 框架联合训练图文对比、自监督和图像重建目标。官方模型页面提供可下载权重,标注模型规模约 0.3B 参数、许可证为 modified-mit。(huggingface.co) 将图像编码为视觉特征或潜变量,并用于图像重建;可结合文本特征进行图文相似度计…

了解模型简体中文
MiniMax

VTP-Small-f16d64

VTP-Small-f16d64 是 VTP 系列的 Small 版视觉分词器和图像特征提取模型,由 MiniMax 与华中科技大学研究人员开展相关研究。模型权重已公开,可用于本地部署;官方模型页标示约 0.2B 参数。(github.com) 将图像编码为潜在表示,并支持图像重建;可提取图像特征,用于视觉表示学习和线性探测。 支持图文对比特征,可用于零样本图像分类;也可作为扩散模型的视觉分词器,…

了解模型简体中文
Alibaba

Qwen-Image-Edit-Plus

通义千问图像编辑 Plus 系列的 2025 年 12 月 15 日快照,面向非实时图像编辑。模型接收图像及文字编辑指令,输出编辑后的图像;官方调用示例展示了结合三张参考图进行编辑。(docs.modelstudio.console.alibabacloud.com) 相较 2025 年 10 月 30 日快照,官方称该版本提升了角色一致性、工业设计和几何推理能力,并集成打光等 LoRA 能力以减…

了解模型简体中文
Alibaba

Wan2.6-Image

Wan2.6-Image 是阿里巴巴万相系列的通用图像生成与编辑模型,由阿里云百炼提供推理服务。官方将其定位为支持图文一体化推理生成的全能图像模型。(help.aliyun.com) 接收文本和图像输入,可输出图像及文本;支持多图输入、图像编辑和图文混排输出。 支持多图创意融合、美学风格迁移,以及构图和光影控制;官方强调其生成内容的一致性、可控性和表现力。 可用于基于参考图的创意合成、图像编辑、风…

了解模型简体中文
Alibaba

Wan2.6-T2I

Wan2.6-T2I(万相2.6-文生图)是阿里巴巴的图像生成模型,通过阿里云百炼提供推理服务。官方公告将其定位为基于文本生成高质量、富有表现力图像的模型。(docs.modelstudio.console.alibabacloud.com) 官方强调画面质感、美学表现和指令遵循,并列出艺术风格控制、真实感人像、长文本理解及历史文化题材覆盖等能力。可用于创意视觉内容、风格化插画和人像生成等场景。(…

了解模型简体中文
Alibaba

Qwen Voice-Design

Qwen Voice-Design 是通义千问语音模型中的声音设计模型,通过文字描述创建定制音色,属于语音合成相关服务。官方发布记录将其列于 2025-12-12。(docs.modelstudio.console.alibabacloud.com) 输入简单的声音描述,即可设计相应音色;与 qwen3-tts-vd-realtime 配合时,可使用设计的音色输出 10 种语言的语音。官方称合成语…

了解模型简体中文
Google

Gemini 2.5 Flash Native Audio Preview

面向 Gemini Live API 的原生音频预览模型,适用于低延迟、实时语音和视频交互。Google 于 2025 年 12 月 12 日发布该版本,称其提升了处理复杂工作流的能力。(aistudio.google.com) 接收连续的音频、视频或文本流,输出音频和文本,可用于构建实时语音助手、视频交互和自然对话体验。 支持音频生成、函数调用、Google 搜索接地和思考能力。 输入上限为 1…

了解模型简体中文
Zhipu AI

GLM-TTS

GLM-TTS 是面向工业应用的文本转语音(TTS)合成系统。它采用两阶段架构:先由语言模型将文本转换为语音 token,再通过 Flow Matching 和声码器生成音频。官方公告称其训练使用了约 10 万小时数据。(zhipuai.cn) 支持流式语音生成、情感和韵律表达;主要支持中文,也支持中英混合文本。 支持零样本音色克隆,官方项目文档称可使用 3–10 秒提示音频;无需针对特定说话人微…

了解模型简体中文
Zhipu AI

GLM-ASR-Nano-2512

GLM-ASR-Nano-2512 是面向复杂真实场景的开源自动语音识别模型,输入语音并输出转录文本。官方公布的参数规模为 1.5B;作为特征提取模块的 Whisper V3 音频编码器参数未计入该数字。(zhipuai.cn) 支持普通话、英语、粤语及其他方言,并针对低音量、轻声或低语识别进行了优化。官方仓库称模型支持 17 种语言,相关可用性评价条件为 WER ≤…

了解模型简体中文
Alibaba

Qwen3-LiveTranslate-Flash

Qwen3-LiveTranslate-Flash 是面向多语言音视频翻译与口译的模型。该 API ID 对应 2025 年 12 月 1 日的模型快照;阿里云发布记录将其列于 2025 年 12 月 4 日。(help.aliyun.com) 支持音频和视频输入,输出翻译文本,也可同时输出文本和语音;适用于音视频内容翻译和跨语言交流。 官方称模型具备离线和实时音视频翻译能力,可理解 19 种语言…

了解模型简体中文
Alibaba

Qwen3-Omni-Flash

Qwen3-Omni-Flash 是基于 Thinker–Talker 混合专家(MoE)架构的全模态模型。阿里云发布记录将该版本列于 2025 年 12 月 4 日。(help.aliyun.com) 支持文本、图像、音频和视频输入,可输出文本和语音;支持流式响应及多轮视听交互。 支持系统提示词定制,可用于调整角色、对话风格和输出要求。官方升级介绍称支持 119 种语言的文本交互、19 种语言的…

了解模型简体中文
Alibaba

Qwen3-Omni-Flash-Realtime

Qwen3-Omni-Flash 的实时全模态版本,采用 Thinker–Talker 混合专家(MoE)架构,面向多模态理解和实时语音交互。(docs.modelstudio.console.alibabacloud.com) 可理解文本、图像、音频和视频,并生成语音;官方称支持 119 种语言的文本交互和 20 种语言的语音交互。 支持指令遵循和系统提示词定制,可调整对话风格和角色设定。 适用…

了解模型简体中文
Alibaba

Wan2.6-I2V

Wan2.6-I2V 是阿里巴巴万相系列的图生视频模型:以图片作为首帧,结合文本提示及可选音频生成有声视频。(alibabacloud.com) 支持智能分镜和多镜头叙事,以及音画同步、声音生成和多人对话。 可用于将静态视觉素材制作成短片、产品展示或叙事视频。(help.aliyun.com) 当前官方模型列表注明支持 720P 和 1080P,视频时长为 2–15 秒,30 fps,MP4 格式…

了解模型简体中文
Alibaba

Wan2.6-T2V

Wan2.6-T2V 是阿里巴巴万相系列的文生视频模型,通过文本提示词生成视频。官方上架记录所列日期为 2025 年 12 月 3 日。(help.aliyun.com) 支持智能分镜和多镜头叙事,生成主体、场景和氛围相协调的短视频;官方称其指令遵循和视觉质量有所提升。(help.aliyun.com) 支持音画同步,可传入自定义音频;未提供音频时,可根据视频内容生成匹配的背景音乐或音效。(hel…

了解模型简体中文
Alibaba

Qwen-Plus

Qwen-Plus 是通义千问 Qwen3 系列的通用文本模型。qwen-plus-2025-12-01 是 2025 年 12 月 1 日的快照版本,支持文本生成与推理,并提供思考和非思考模式。(help.aliyun.com) 相较 2025 年 7 月 28 日快照,官方称本版本提升了推理、智能体、多轮工具调用和主观创作能力。可用于文本对话、内容创作、推理和智能体任务。在阿里云百炼华北 2(…

了解模型简体中文