Qwen3-Omni-Flash
Qwen3-Omni-Flash 是基于 Thinker–Talker 混合专家(MoE)架构的全模态模型。本 ID 指向 2025 年 9 月 15 日的快照版本,不应与名称带有 realtime 的独立模型混同。(help.aliyun.com) 接收文本、图像、音频和视频,输出文本或语音;支持函数调用,以及思考和非思考模式。 官方称其支持 119 种语言的文本交互和 20 种语言的语音交互,…
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。
Qwen3-Omni-Flash 是基于 Thinker–Talker 混合专家(MoE)架构的全模态模型。本 ID 指向 2025 年 9 月 15 日的快照版本,不应与名称带有 realtime 的独立模型混同。(help.aliyun.com) 接收文本、图像、音频和视频,输出文本或语音;支持函数调用,以及思考和非思考模式。 官方称其支持 119 种语言的文本交互和 20 种语言的语音交互,…
Qwen3-Omni-Flash 的实时全模态版本,基于 Thinker–Talker 混合专家(MoE)架构,面向实时多模态交互。官方公告列出的发布日期为 2025-09-17;模型 ID 中的 2025-09-15 是版本标识,不应与公告日期混同。(help.aliyun.com) 接收文本、音频、图片和视频输入,生成文本及语音;通过 Realtime API 的 WebSocket 接入。(…
混元生3D 3.0 是腾讯的3D内容生成模型。腾讯云于 2025-09-16 宣布混元生3D专业版上线,采用该模型生成更高精度和质量的3D模型。当前专业版接口可选择3.0或3.1;两者是不同模型版本。(cloud.tencent.com) 支持根据文本描述或二维图片生成3D模型;专业版还提供多视图、白模、草图和低面数模型生成等能力,并可选PBR材质。(cloud.tencent.com) 可用于3…
GPT-5-Codex 是 OpenAI 针对 Codex 及类似环境中的智能体编程任务优化的 GPT-5 版本,重点面向真实软件工程工作。(openai.com) 支持快速交互式代码修改,也可自主处理较长、复杂的软件工程任务,并辅助代码审查。发布时可在 Codex 云端任务、代码审查、CLI 和 IDE 扩展中使用。(openai.com) 支持文本输入和输出,以及图像输入;可结合截图处理前端或…
Qwen-VL-OCR 是基于 Qwen-VL 训练的视觉理解与 OCR 模型,用于图文识别、解析和处理。该 API ID 对应 2025 年 8 月 28 日的模型快照。(help.aliyun.com) 官方称,此快照升级了文字定位能力,并提升了通用文字识别及卡证、票据信息抽取能力。可用于识别图中文字,以及提取卡证和票据信息。(help.aliyun.com) OCR 和信息抽取结果可能出错,…
万相 2.2 系列的首尾帧生视频模型,侧重较快生成:根据首帧、尾帧图片及可选文本提示词,生成两张图片之间的过渡视频。官方称其优化了动态稳定性、生成成功率和指令遵循能力。(docs.bailian.console.aliyun.com) **输入与输出:**输入图片和文本,输出无声视频;可用提示词描述主体运动或镜头变化。 **用途:**适合制作指定起止画面的短视频过渡、画面衔接和动态片段。 **输出…
MiniMax Music 1.5 是 MiniMax 的音乐生成模型,可根据自然语言描述创作最长 4 分钟的歌曲。官方公告发布于 2025 年 9 月 11 日。(minimax.io) 通过文本描述控制歌曲的风格、情绪、场景和人声特征;高级模式可为前奏、主歌、副歌等段落编排歌词。 生成不同音色与唱腔的人声,以及多层次器乐编曲,包括部分中国传统和小众乐器。 生成具有前奏、主歌、副歌、桥段和尾奏等…
Qwen-Plus 的 2025 年 9 月 11 日快照版本,面向文本生成和推理任务。官方发布记录日期为 2025-09-11。(help.aliyun.com) 支持文本输入和文本输出,以及思考和非思考模式。相较 2025-07-28 快照,官方称其思考模式的指令遵循能力有所提升、总结回复更精简;非思考模式的中文理解和逻辑推理能力有所增强。 可用于文本理解、总结、问答、推理和代码相关任务。官方…
文心大模型X1.1是百度于2025年9月9日发布的深度思考模型,发布时已上线百度智能云千帆平台,面向企业客户和开发者。X1.1主要采用迭代式混合强化学习训练框架。(cloud.baidu.com) 支持深度推理问答、指令遵循、逻辑推理、数学、代码任务、智能体规划和工具调用。(cloud.baidu.com) 百度称,与文心X1相比,X1.1的事实性、指令遵循和智能体能力分别提升34.8%、12.5…
Qwen3-ASR-Flash 是基于大语言模型的多语种语音识别模型。该版本是 2025 年 9 月 8 日的快照,输入音频并输出识别文本。阿里云模型上架公告将其列于 2025 年 9 月 8 日。(help.aliyun.com) 模型可自动判断语种并进行语音转写;官方发布公告称其可识别 11 种语言,并面向复杂音频环境进行识别。适用于短录音、语音消息和口述内容转写等场景。(help.aliyu…
Kimi K2 的指令模型更新版,面向通用对话和智能体任务,重点加强编程能力。采用混合专家(MoE)架构,总参数约 1 万亿,每个 token 激活约 320 亿参数。(kimi.com) 强化智能体编程、前端代码生成和工具调用,可用于软件开发、代码助手和多步骤任务。 上下文窗口从上一版本的 128K 扩展至 256K tokens,适合长文本和长期任务。 发布时的官方 API 支持自动上下文缓存…
Qwen3 系列 Max 模型的预览版本,面向文本生成和推理任务,融合思考模式与非思考模式。官方上架日期为 2025 年 9 月 5 日。(help.aliyun.com) 官方表示,思考模式在智能体编程、常识知识推理,以及数学、科学和通用推理方面有增强。可用于文本生成、编程辅助和复杂问题分析。(help.aliyun.com) 这是预览版本,不应与后续正式版或其他快照混同;输出仍需人工核验。 历…
CosyVoice-v3-plus 是通义实验室 CosyVoice 系列的语音合成与声音复刻模型,面向对音质、表现力和声音相似度要求较高的专业场景。阿里云百炼提供推理服务。(help.aliyun.com) 支持文本转语音及实时流式合成,输入为文本,输出为音频。 支持声音复刻;官方称提供 5–20 秒参考音频即可生成定制声音。 可用于专业语音合成、定制声音等场景。部分系统音色支持 SSML、时间…
Qianfan-IPCharacter 是百度千帆面向社交文娱场景的垂类模型,已上线千帆 ModelBuilder。(qianfan.cloud.baidu.com) 官方称模型基于超过 2 万亿 token 的高质量多源对话数据训练,并融合影视、综艺等真实语料,可模拟人类情感与行为。 支持多角色设定;官方称其角色一致性较强。适用场景包括情感陪伴和游戏陪玩。(qianfan.cloud.baidu…
Doubao-Seed-1.6-flash 是面向低延迟应用的多模态深度思考模型,支持文本和视觉理解。火山方舟将 250828 列为视觉理解模型的版本更新:与 250715 版相比,文本能力基本一致,视觉能力显著提升。(docs.volcengine.com) 可用于智能巡检、手机助手、智能硬件等需要兼顾模型效果、速度和成本的场景。模型输出仍需结合实际任务验证;具体版本的上下文长度、最大输出长度及…
gpt-realtime 是 OpenAI 面向实时语音交互的多模态模型,也是其首个正式发布的 Realtime 模型。它直接处理和生成音频,旨在帮助开发者构建低延迟语音代理,而不必将语音识别和语音合成模型串接起来。2025 年 8 月 28 日,OpenAI 发布了该模型及 Realtime API 正式版;对应的固定快照为 gpt-realtime-2025-08-28。(openai.com…
Qianfan-EngCard-VL 是百度面向教育场景的垂类专精图像理解模型。百度千帆将其列为推理服务 API V2 的图像理解模型。(cloud.baidu.com) 针对已经完成区域切割的英文答题卡填空部分,模型可按题目原有顺序自动识别答案,适用于辅助教学评阅。(qianfan.cloud.baidu.com) 官方描述的适用输入是已完成区域切割的英文答题填空部分;不能据此推断模型支持整张答…
百度千帆的垂类专精图像理解模型,面向单张图片的信息识别与提取;官方社区将其列为教育垂类模型。(cloud.baidu.com) 识别并抽取单张图片中的信息,输出便于工程处理的 YAML 格式。 可用于教育场景中的图片内容提取及后续结构化处理。(qianfan.cloud.baidu.com) 官方说明聚焦单张图片输入,不能据此推定支持多图输入。 官方公告未说明该模型的准确率、支持语言、图片尺寸限制…
Google 的原生图像生成与编辑模型,别名 Nano Banana。此条对应 2025 年发布时的预览版 API ID,而非后来推出的正式版 ID。(developers.googleblog.com) 根据自然语言生成图像,并对现有图像进行局部修改,例如更换背景、移除对象或调整姿态。 理解并融合多张输入图像,在多次生成或编辑中保持人物或对象的外观一致性。 利用 Gemini 的世界知识理解视觉…
Wan2.2-S2V-Detect 是万相数字人视频模型 wan2.2-s2v 的辅助图像检测模型,用于在生成视频前检查人物肖像是否符合该模型的输入规范。它本身不生成视频;通过检测的图片可与人声音频一起交给 wan2.2-s2v 生成说话、唱歌或表演视频。(docs.bailian.console.aliyun.com)…