模型發布檔案

最新發布模型

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。

按發布時間倒序7 種語言
清除

243 個模型

按發布時間倒序
Alibaba

Wan3.0-Video

Wan3.0-Video 是 Alibaba 的一體化多模態影片生成模型,以單一模型支援文字生影片、圖片生影片及參考素材生影片。(docs.qwencloud.com) 支援文字、圖片、影片、音訊、文件及公開網頁作為輸入或參考素材;支援首影格、首尾影格控制,以及影片編輯與延長。(docs.bailian.console.aliyun.com) 可原生產生畫面與音訊,包括對白、背景音樂和音效;支援音…

了解模型繁體中文
ByteDance

SeedRealtime

SeedRealtime 是原生音視訊全雙工大型模型,以統一架構融合音訊、視訊與文字,面向連續多模態資訊流中的即時互動。發布日期為 2026 年 8 月 5 日。(seed.bytedance.com) **音視訊聯合理解:**結合聲音、畫面及時間資訊理解場景、語意指涉和使用者意圖,可輔助跨語言交流及多人對話。 **主動互動:**持續感知環境變化,在適當時機提醒使用者,並可在互動中呼叫工具。 **…

了解模型繁體中文
Tencent

Hunyuan3D-Buffalo 1.0

Hunyuan3D-Buffalo 1.0 是騰訊混元提出的統一多模態 3D 研究框架,在單一架構中結合 3D 理解、生成與編輯。它以 Hunyuan3D-VLM 處理語義、結構與空間理解,並以 Hunyuan3D DiT 進行 3D 合成。(tencent-hunyuan.github.io) 3D 理解:針對 3D 物件進行問答、語義與空間定位。 文字生成 3D:根據文字提示生成 3D 資產。…

了解模型繁體中文
Alibaba

Qwen-Image-3.0

Qwen-Image-3.0 是千問圖像 3.0 系列的標準版,著重平衡圖像品質、生成速度與成本,適合日常創作及持續內容生產;不同於較重視複雜排版與細節表現的 Pro 版。(docs.qwencloud.com) 接收文字與圖像輸入,輸出圖像;支援文生圖、圖生圖及圖像編輯。(help.aliyun.com) 官方表示支援最長 4.5K token 的複雜圖文指令,並可渲染小字、12 種語言及多種字…

了解模型繁體中文
Alibaba

Qwen3.8-Max

Qwen3.8-Max 是 Alibaba 於 2026 年 8 月 3 日發布的 Qwen 旗艦多模態基礎模型,面向程式開發、實際工作、研究與長程任務。模型採用稀疏混合專家(MoE)架構與混合注意力機制,總參數量為 2.4 兆,每次啟用約 950 億參數。(alibabacloud.com) 支援文字、圖片與影片輸入,輸出為文字;可用於長文件與長影片理解、程式設計、研究、辦公及代理任務。 支援函…

了解模型繁體中文
ByteDance

Seed-Evolving

Seed-Evolving 是面向 AI 代理(Agent)與程式開發的 Seed 系列模型。它使用固定 Model ID 呼叫,但底層版本會自動升級,因此同一 ID 不代表永遠使用同一固定版本。(docs.volcengine.com) 支援複雜任務編排、長程規劃、程式碼生成及工具呼叫,適合軟體開發、深度研究與自動化工作流程。 支援文字、圖片、影片與文件理解,以及文字生成、深度思考、函式呼叫、結…

了解模型繁體中文
MiniMax

MiniMax H3

MiniMax H3 是通用全模態生成模型,主要面向能夠結合文字、圖片、影片與音訊參考素材的影片創作,生成含原生立體聲的影片。官方於 2026 年 7 月 31 日發布,並於 2026 年 8 月 3 日宣布開放權重。(minimax.io) 支援文字生影片、圖片生影片、首尾影格控制,以及使用圖片、影片和音訊進行多模態參考創作;可用於影片編輯、動作參考及片段延續。 輸出影片長度為 4–15 秒,2…

了解模型繁體中文
ByteDance

Seedance 2.5

Seedance 2.5 是以多模態影音聯合生成為基礎的影片創作模型,著重敘事、參考素材控制與影音編輯。官方公告發布日期為 2026 年 7 月 31 日。(seed.bytedance.com) 單次可生成最長 30 秒的影音片段,並可透過多輪延長製作更長的內容。 單次生成可使用最多 30 張圖片、10 段影片及 10 段音訊作為參考;支援白模、動作與創意參考。 支援以時間戳控制影音內容及局部編…

了解模型繁體中文
DeepSeek

DeepSeek-V4-Flash

DeepSeek-V4-Flash-0731 是 DeepSeek-V4-Flash 的正式版本,定位為注重速度與效率的文字模型,適合推理、程式開發及智能體任務。官方於 2026 年 7 月 31 日宣布其 API 正式版進入公開測試;該版本與預覽版保持相同模型結構與尺寸,重新進行了後訓練。(api-docs.deepseek.com) 強化程式開發與智能體能力,可用於程式碼生成、軟體工程、工具使…

了解模型繁體中文
Alibaba

Qwen3.7-Text-Embedding

Qwen3.7-Text-Embedding 是通義實驗室基於 Qwen3.7 訓練的多語言文字嵌入模型,將文字轉換為向量,適用於語意搜尋、檢索增強生成(RAG)、聚類與分類。(alibabacloud.com) 支援文字及程式碼處理;官方文件列出 201 種語言與方言,包括繁體中文。(alibabacloud.com) 支援自訂向量維度;官方嵌入文件列出 256、512、768、1,024(預設…

了解模型繁體中文
Google

Gemini Robotics On-Device 2

Gemini Robotics On-Device 2 是針對機器人本地運行最佳化的視覺-語言-動作(VLA)模型,旨在支援通用機器人操作。模型架構基於端側 Gemma 模型與 Gemini Robotics 1.5 技術。(deepmind.google) **輸入與輸出:**接收文字指令、影像和以數值表示的機器人本體感測資訊,輸出以數值表示的機器人動作。(deepmind.google) **…

了解模型繁體中文
Google

Gemini Robotics ER 2 Streaming Preview

Gemini Robotics ER 2 Streaming Preview 是面向機器人具身推理的視覺語言模型端點,針對透過 Gemini Live API 進行低延遲、即時文字串流而最佳化,屬於公開預覽版。(aistudio.google.com) 支援文字、圖片、影片和音訊輸入,輸出文字;支援雙向串流、函式呼叫、搜尋參照及思考。輸入上限為 131,072 個 token,輸出上限為 65,5…

了解模型繁體中文
Google

Gemini Robotics ER 2 Preview

Gemini Robotics ER 2 Preview 是面向機器人的具身推理視覺語言模型預覽版,基於 Gemini 3.5 Flash,旨在提供空間、時間與物理環境推理。Google 於 2026 年 7 月 30 日宣布公開預覽。(aistudio.google.com) 接受文字、圖片、影片及音訊輸入,輸出文字;輸入上限為 131,072 tokens,輸出上限為 65,536…

了解模型繁體中文
Google

Gemini Robotics 2

Gemini Robotics 2 是 Google DeepMind 開發的視覺-語言-動作(VLA)模型,將視覺與語言輸入轉換為機器人動作控制,支援雙臂機器人及人形機器人的全身控制。Google 於 2026 年 7 月 30 日公布。(deepmind.google) **全身操作:**可協調人形機器人行走、蹲下、伸展及搬運物品;官方示範包括從桌面取物後放入較低層的置物箱。(deepmind…

了解模型繁體中文
Alibaba

Qwen-Audio-3.0-ASR-Flash

非即時自動語音辨識(ASR)模型,輸入音訊、輸出文字,適合短音訊轉寫。它與即時串流的 Streaming 版本及長檔案轉寫的 Filetrans 版本是不同模型。(alibabacloud.com) 支援中文、英文、日文、韓文等共 30 種語言,以及官話、吳、湘、贛、客、閩、粵七大漢語方言群和 20 多種地區口音。 支援預編譯熱詞、即時熱詞及上下文輸入,可改善專業詞彙辨識;強化古詩詞辨識、標點預測…

了解模型繁體中文
Alibaba

Qwen-Audio-3.0-ASR-Flash-Filetrans

Alibaba 的非即時語音辨識模型,專為完整音訊或影片檔案的非同步轉寫設計;輸入為音訊,輸出為文字。適合長錄音及背景檔案處理,而非即時串流辨識。(docs.qwencloud.com) 支援中文、英語、日語、韓語等多種語言,以及多種中文方言和地區口音。 支援熱詞及上下文增強、說話人分離、時間戳、標點預測和文字正規化;官方公告亦提及對古詩詞辨識的優化。(alibabacloud.com) 可用於會…

了解模型繁體中文
Alibaba

Qwen-Audio-3.0-ASR-Flash-Streaming

通義實驗室開發的即時串流語音辨識模型,面向低延遲、高併發互動;輸入音訊,輸出轉寫文字。推理服務由阿里雲百鍊提供。(help.aliyun.com) 支援邊說邊轉寫、上下文增強,以及預編譯和即時熱詞,以改善專業詞彙辨識。 官方公告稱支援中文、英文、日文、韓文等 30 種語言,以及中文七大方言和 20 多種地區口音;並強化古詩詞辨識、標點預測和數字、日期、金額的文字正規化。 適用於即時會議轉寫、字幕、…

了解模型繁體中文
Google

Lyria 3.5

Google 的音樂生成模型,旨在依提示創作不同風格的完整歌曲。模型採用潛在擴散架構。(deepmind.google) 接受文字及圖片輸入,輸出 MP3 音訊和歌詞文字;音訊規格為 44.1 kHz 立體聲。適合歌曲構思、歌詞創作及不同曲風的音樂實驗。(ai.google.dev) 可生成包含主歌、副歌與橋段的歌曲;官方表示,相較以往版本,音樂性、歌詞與人聲表現有所改善,並可透過提示調整速度和長…

了解模型繁體中文
OpenAI

GPT-Live-Transcribe

GPT-Live-Transcribe 是 OpenAI 的低延遲串流語音轉文字模型,供即時音訊轉錄使用。(developers.openai.com) 隨音訊輸入持續輸出增量逐字稿,並在應用程式提交音訊回合後輸出該回合的最終逐字稿;適用於麥克風、通話等即時音訊,以及即時字幕等場景。(developers.openai.com) 支援可調整的延遲、自由格式轉錄上下文、關鍵字提示及多種預期輸入語言提…

了解模型繁體中文
OpenAI

GPT-Transcribe

GPT-Transcribe 是 OpenAI 的語音轉文字模型,適用於已完成的音訊檔案,以及 WebSocket Realtime 工作階段中已提交回合的最終轉錄。官方於 2026 年 7 月 28 日發布。(developers.openai.com) 接收音訊及文字上下文,輸出轉錄文字;可在處理已完成的檔案時串流輸出轉錄結果。(developers.openai.com) 支援自由格式的背景…

了解模型繁體中文