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

432 个模型

按发布时间倒序
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
Anthropic

Claude Opus 5

Claude Opus 5 是 Anthropic 面向日常复杂任务的 Opus 系列模型,侧重软件工程、知识工作和智能体任务。官方发布日期为 2026 年 7 月 24 日。截至查询日,官方文档将其列为仍可用的旧版模型,退役时间不早于 2027 年 7 月 24 日。(anthropic.com) 支持文本和图像输入、文本输出;上下文窗口为 100 万 token,常规最大输出为 12.8 万…

了解模型简体中文
Google

Gemini 3.5 Flash Cyber

Gemini 3.5 Flash Cyber 是基于 Gemini 3.5 Flash 构建并经过网络安全任务微调的轻量级模型,重点是高效发现、验证和修复软件漏洞。(deepmind.google) 分析大型代码库及其执行路径,寻找并验证安全漏洞、辅助生成补丁。 在 CodeMender 中可由多个模型调用或子智能体协作,汇总生成报告;适用于频繁安全扫描、提交代码扫描及对时间敏感的发布流程。…

了解模型简体中文
Google

Gemini 3.5 Flash-Lite

Google 于 2026 年 7 月 21 日发布的低延迟、高吞吐、注重成本效率的多模态模型,面向大规模智能体工作流和数据处理。它基于 Gemini 3.1 Flash-Lite。(blog.google) 支持文本、图像、视频、音频和 PDF 输入,输出文本;API 文档列出的输入上限为 1,048,576 tokens,输出上限为 65,536 tokens。(ai.google.dev)…

了解模型简体中文
Google

Gemini 3.6 Flash

Gemini 3.6 Flash 是 Google 基于 Gemini 3.5 Flash 构建的原生多模态推理模型,定位为兼顾质量、速度和 token 效率的通用工作模型,面向编码、知识工作和大规模智能体工作流。(deepmind.google) 接受文本、图片、音频、视频和 PDF 输入,输出文本;输入上限为 1,048,576 token,输出上限为 65,536…

了解模型简体中文
Alibaba

Qwen-Image-3.0

Qwen-Image-3.0 是通义千问图像系列的第三代基础图像生成模型。qwen-image-3.0 是面向日常创作、兼顾速度与成本的标准版本;它与 qwen-image-3.0-pro 是不同的 API 型号。(qwen.ai) 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。(alibabacloud.com) 官方介绍支持最长约 4,500 token 的图文指令,可生成报纸、…

了解模型简体中文
Alibaba

Qwen3.7-Flash

Qwen3.7-Flash 是 Qwen3.7 原生视觉语言系列的 Flash 模型。本条 API ID 指向 2026 年 7 月 15 日的快照版本;阿里云模型更新公告于 2026 年 7 月 21 日列出该版本。推理服务由阿里云百炼提供。(alibabacloud.com) 支持文本、图像和视频输入,输出文本;支持文本生成、推理和视觉理解。(alibabacloud.com) 支持函数调用、…

了解模型简体中文
Baidu

HPD-Parsing

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…

了解模型简体中文
ByteDance

Seed Audio 1.0

面向完整声音场景的音频创作模型,在统一框架中生成并协调人声、音效和环境声,而不只是单独合成语音。官方公告日期为 2026 年 7 月 20 日,并称模型已通过 BytePlus 提供。(seed.bytedance.com) 可根据自然语言提示生成包含角色对白、情绪、环境氛围和音效的协调音频场景;支持对角色对白进行提示词级时间控制,官方公告称时间精度为 100 毫秒。(seed.bytedance…

了解模型简体中文
Alibaba

Qwen-Image-3.0-Pro

Qwen-Image-3.0-Pro 是阿里云百炼提供推理服务的图像生成与编辑模型,面向复杂版面和生产内容创作。官方上架公告列出的日期为 2026-07-20。(alibabacloud.com) 输入文本及可选参考图像,输出图像;支持文生图、图生图和图像编辑,也支持负面提示词。可用于报纸、分镜、菜单、试卷等复杂图文版面,以及人物和界面图像创作。(alibabacloud.com) 官方称其支持多…

了解模型简体中文
Alibaba

Qwen 3.8-Max-Preview

Qwen 3.8-Max-Preview 是通义千问系列的旗舰基础模型预览版,参数规模为 2.4 万亿。阿里巴巴官方公告称,模型于 2026 年 7 月 19 日在 Token Plan、Qoder 和 QoderWork 平台发布;该公告发表于 2026 年 7 月 20 日。(alibabagroup.com) 官方介绍称,相比上一代旗舰 Qwen3.7-Max,本模型强化了代码工程和专业办公…

了解模型简体中文
MiniMax

Music-3.0

MiniMax 的音乐生成模型,接收音乐风格、情绪等文字描述,并可结合歌词生成完整歌曲。官方称其改进了创作意图理解、乐器表现和人声自然度。(platform.minimax.io) 可根据提示词控制音乐风格、情绪和场景,并结合歌词生成演唱与编曲;也支持纯器乐生成。 可使用歌词优化功能,在没有现成歌词时生成歌曲;独立歌词生成 API 是另一项服务。 适用于视频、游戏或应用的主题曲等创作场景。单首生成…

了解模型简体中文
Moonshot AI

Kimi K3

Kimi K3 是面向长程编程、知识工作和推理的开放权重多模态模型。它采用混合专家(MoE)架构,总参数量为 2.8 万亿,每个 token 激活约 1040 亿参数;上下文窗口为 1,048,576 tokens。模型原生支持视觉理解,可处理文本、图像和视频。(kimi.com) **长程编程与智能体任务:**理解大型代码库、使用终端工具,辅助软件开发、GPU 内核优化、编译器开发和科研计算。…

了解模型简体中文
Tencent

Hy-Embodied-RxBrain-1.0

Hy-Embodied-RxBrain-1.0(RxBrain)是具身世界认知多模态基础模型,由腾讯 Robotics X、福田实验室与腾讯混元团队联合打造,基于 Hy-Embodied-VLM 系列开发。模型约有 62 亿参数,采用按模态路由的 Mixture-of-Transformers 架构,结合语言推理与视觉想象。(developer.cloud.tencent.cn) 具身理解与推理:…

了解模型简体中文
Tencent

Hy-Embodied-VLM-1.0

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。(…

了解模型简体中文