万相2.1-图生视频-Turbo
萬相2.1系列圖生影片Turbo模型,以較快的生成速度將靜態圖片轉為動態影片,透過阿里雲百煉提供推論服務。(help.aliyun.com) 根據首影格圖片生成影片,可結合提示詞描述期望的運動和畫面。官方介紹稱模型支援大幅度複雜運動、遵循物理規律、多種藝術風格和影視級畫面質感,並提升了指令遵循能力。(help.aliyun.com) 可用於靜態圖片動態化、視覺創意和短影片素材製作。 輸出為無聲影片…
模型發布檔案
彙整模型發布動態,按發布時間瀏覽,探索值得關注的新模型。
萬相2.1系列圖生影片Turbo模型,以較快的生成速度將靜態圖片轉為動態影片,透過阿里雲百煉提供推論服務。(help.aliyun.com) 根據首影格圖片生成影片,可結合提示詞描述期望的運動和畫面。官方介紹稱模型支援大幅度複雜運動、遵循物理規律、多種藝術風格和影視級畫面質感,並提升了指令遵循能力。(help.aliyun.com) 可用於靜態圖片動態化、視覺創意和短影片素材製作。 輸出為無聲影片…
Gemini 2.0 Flash-Lite 是 Gemini 2.0 系列中針對速度、規模和成本效益最佳化的多模態模型。Google 於 2025 年 2 月 25 日宣布其正式上市,可用於生產環境。此前的公開預覽版於 2025 年 2 月 5 日發布。(aistudio.google.com) 支援文字、圖片、音訊和影片輸入,輸出文字;輸入上限為 1,048,576 token,輸出上限為 8,…
Claude 3.7 Sonnet 是 Anthropic 於 2025 年 2 月 24 日發布的混合推理模型,在同一模型中提供標準回答和擴展思考兩種模式。(anthropic.com) 支援文字和影像輸入,輸出文字;可用於對話、內容分析、創意任務和程式設計。(anthropic.com) 擴展思考模式會在回答前進行更深入的推理;API 使用者可以設定思考 token 預算,在速度、成本和回答品…
Moonlight-16B-A3B-Instruct 是 Moonshot AI 發布的指令微調版文字生成模型,採用混合專家(MoE)架構,總參數約 160 億、每 token 啟用參數約 30 億。Moonlight 使用 Muon 最佳化器,訓練資料量為 5.7 兆 token。(huggingface.co) 模型面向指令遵循和對話式文字生成,可用於問答、摘要、寫作輔助及程式碼、數學任務實驗…
Moonlight-16B-A3B 是 Moonshot AI 發布的預訓練基礎語言模型,採用混合專家(MoE)架構,約有 160 億總參數、每個 token 啟用約 30 億參數。它使用 Muon 優化器在 5.7 兆 token 上訓練。該基礎模型與另行發布的指令微調版本 Moonlight-16B-A3B-Instruct 不同。(huggingface.co) 支援文字生成,官方標註上下文…
Image-01 是 MiniMax 的影像生成模型,支援根據文字描述生成不同尺寸的圖片;官方定價頁將其列為歷史模型。(platform.minimax.io) 支援以文字描述和參考圖片生成圖片,可用於創意設計、社群媒體配圖和商業視覺素材。(platform.minimax.cn) 官方發布文章介紹了對場景、光影、人物和物體細節的生成能力,並列出 16:9、4:3、3:2、2:3、3:4、9:16…
Google Cloud Document AI 的自訂文件資訊擷取模型版本,由 Gemini 2.0 Flash 驅動。使用者可定義需要擷取的欄位,將文件內容轉換為結構化實體。(docs.cloud.google.com) 根據自訂 schema 擷取文件欄位,適用於處理不同格式和版面的業務文件。Custom Extractor 提供零樣本、少樣本和微調方式;零樣本只需定義 schema,微調可…
Qwen-Omni-Turbo 是通義千問的多模態理解與生成模型。阿里雲百鍊的模型更新公告將其列於 2025-02-14。(help.aliyun.com) 支援文字、影像、音訊和影片輸入,也支援混合模態輸入理解。 支援文字與語音同時串流輸出,提供四種自然對話音色。 可用於多模態內容問答、音影片內容理解和語音互動等場景;影像和影片是輸入模態,不應據此理解為支援影像或影片生成。(help.aliyu…
I2V-01-Director 是 MiniMax Video-01 系列的圖生影片導演版模型,以鏡頭運動控制為重點。輸入圖片並結合文字描述,生成影片;它與文生影片模型 T2V-01-Director 同屬 01-Director 系列。(minimaxi.com) 支援透過提示詞中的運鏡指令或自然語言描述控制鏡頭運動。官方介紹了推、拉、搖、移、晃動、跟隨和固定鏡頭等效果,並提供可組合的運鏡方式。…
T2V-01-Director 是 MiniMax 海螺影片模型家族中的文字生成影片模型,側重鏡頭運動控制和電影式敘事。模型接收文字提示,生成影片;它不同於圖片生成影片模型 I2V-01-Director。(minimax.io) 可透過自然語言或方括號指令控制運鏡,例如 [Push in]、[Pan left] 和 [Tracking shot];支援組合或順序運鏡。官方稱明確指令通常更精確。(…
Google 於 2025 年 2 月 5 日發布的 Gemini 2.0 Flash-Lite 公開預覽版,面向重視成本和速度的開發情境。Google 表示,它在多數基準測試中優於 Gemini 1.5 Flash,同時保持相同的速度和成本。(blog.google) 支援多模態輸入,具有約 100 萬 token 的上下文視窗。…
Gemini 2.0 Pro 的實驗性公開預覽版本。Google 在發布時將其定位為當時最擅長程式設計和處理複雜提示詞的 Gemini 模型。(blog.google) 支援多模態輸入和文字輸出,適合程式碼生成、複雜問題處理以及大量資訊的分析和理解。 官方公布的上下文視窗為 200 萬 token;實際可用額度可能隨平台和服務設定變化。 官方介紹其具備呼叫 Google 搜尋和程式碼執行等工具的能…
Gemini 2.0 Flash 是 Google 面向高效率和正式應用的多模態模型。gemini-2.0-flash-001 於 2025 年 2 月 5 日作為正式可用版本發布。(aistudio.google.com) 接受文字、圖片、音訊和影片輸入,產生文字輸出;可用於多模態內容理解、摘要、資訊擷取及對話等任務。 支援函式呼叫、程式碼執行、結構化輸出、搜尋接地和上下文快取。輸入上限為 1,…
Google Cloud Document AI 的 Enterprise Document OCR 處理器版本,用於從文件中辨識和擷取文字及版面資訊。官方於 2025 年 2 月 3 日公告該版本以候選發行版(Release Candidate)形式推出;目前處理器清單將其列為公開預覽版,並說明它與 v2.1 相似。(docs.cloud.google.com) 辨識文件中的印刷文字和手寫文字,…
InstructGPT 透過人工示範,以及人們對不同回答的偏好,學習依照指令完成任務,而不只是接續提示文字。OpenAI 在 2022-01-27 的公告中確認,InstructGPT 已成為其 API 的預設模型。這不是 ChatGPT 網頁版的上線日期。本文中的 InstructGPT 是模型名稱,不是已核實的 API 呼叫 ID。 OpenAI 公告