PP-OCRv6_small_det
PP-OCRv6_small_det 是 PaddleOCR 團隊開發的 PP-OCRv6 small 級文字偵測模型,用於定位影像中的文字區域,並非單獨完成文字辨識的生成式模型。官方模型卡列出約 248 萬個參數,採用 LCNetV4 骨幹與 RepLKFPN 特徵金字塔。(huggingface.co) 可定位手寫、印刷、旋轉、彎曲及藝術字等多種文字區域,適用於文件、街景及工業影像等 OCR…
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。
PP-OCRv6_small_det 是 PaddleOCR 團隊開發的 PP-OCRv6 small 級文字偵測模型,用於定位影像中的文字區域,並非單獨完成文字辨識的生成式模型。官方模型卡列出約 248 萬個參數,採用 LCNetV4 骨幹與 RepLKFPN 特徵金字塔。(huggingface.co) 可定位手寫、印刷、旋轉、彎曲及藝術字等多種文字區域,適用於文件、街景及工業影像等 OCR…
PP-OCRv6 系列的超輕量文字識別模型,適合邊緣裝置與物聯網場景。官方模型卡載明約 110 萬個參數;官方文件列出的模型儲存大小為 4.4 MB,並提供推論與訓練模型。(huggingface.co) 將文字區域影像識別為文字,可用於多語言文件、圖片及工業場景的 OCR 流程。 支援 49 種語言,包括繁體中文、簡體中文、英文及 46 種拉丁文字語言。 官方內部多場景評估的文字識別加權平均準確…
PP-OCRv6_tiny_det 是百度飛槳 PaddleOCR 團隊的 PP-OCRv6 系列超輕量文字偵測模型,主要面向邊緣裝置與物聯網部署。模型約有 0.43M 個參數,官方文件列出的模型儲存大小為 1.9 MB;採用 LCNetV4 骨幹與 RepLKFPN 偵測頸部。(huggingface.co) 從影像中定位文字區域,可處理手寫、印刷、旋轉、彎曲及藝術字等多種文字外觀,適用於文件、…
DiffusionGemma 是 Google DeepMind 推出的實驗性開放權重多模態生成模型,基於 Gemma 4 的專家混合(MoE)架構,著重低延遲、本機互動式文字生成;模型權重以 Apache 2.0 授權發布。Google 於 2026 年 6 月 10 日公告。(blog.google) **輸入與輸出:**接受文字、圖片及影片輸入,產生文字輸出;不支援音訊輸入。支援可設定的思考…
Claude Mythos 5 是 Anthropic 針對資安防禦與生命科學研究等用途提供的高能力模型。它與 Claude Fable 5 使用相同的底層模型,但部分領域的安全限制不同;發布時主要提供給 Project Glasswing 的受信任合作夥伴。(anthropic.com) 可接收文字及圖片,輸出文字;適用於對話、分析、程式設計及創意工作。 可用於軟體工程、資安防禦、科學研究與生命…
Claude Fable 5 是 Anthropic 面向一般用途推出的 Mythos 級模型,與 Claude Mythos 5 使用相同的底層模型,但針對網路安全、生物等高風險領域加入額外防護。官方公告發布於 2026 年 6 月 9 日。(anthropic.com) 支援文字與圖片輸入,輸出文字;適用於軟體工程、長時間代理式任務、文件與圖表分析、視覺理解及科學研究輔助。官方展示了大型程式碼…
Gemini 3.5 Live Translate 是 Google 的低延遲語音轉語音翻譯模型,專為近乎即時的口語對話翻譯設計。Google 於 2026 年 6 月 9 日發布公告;此 API 模型版本為預覽版。(blog.google) 支援自動辨識 70 多種語言,持續處理串流語音並輸出翻譯語音,盡量保留講者的語調、語速與音高;也可輸出文字轉錄稿。(blog.google) 支援雙向翻譯及…
SCAIL-2 是開源的可控角色動畫模型,以參考角色影像和驅動影片生成角色動畫;端到端驅動不必依賴骨架等中間姿態表示。模型權重與推論程式碼於 2026 年 6 月 9 日開源。(github.com) 支援動作遷移、角色替換、多角色場景,以及使用多張參考影像補充背面、特寫等資訊,可用於角色動畫製作與影片編輯。(github.com) 官方介紹提到跨身分角色替換、動物影片驅動,以及對部分進階控制表示…
Qwen3.7 系列的旗艦 Max 模型。此 API ID 指向 2026 年 6 月 8 日的快照;相較於 5 月 20 日快照,新增視覺模態理解,支援感知真實世界場景及多模態互動混合智能體能力。(alibabacloud.com) 接受文字、圖片及影片輸入,輸出文字;支援推理、函式呼叫、結構化輸出、連網搜尋、前綴續寫及上下文快取。(alibabacloud.com) 適合文字生成、視覺理解及需…
GPT-Rosalind-5.5 是 OpenAI 面向生命科學研究的專用推理模型,基於 GPT-5.5 進一步訓練,結合代理式程式編寫與工具使用能力,支援生物學、藥物發現及轉譯醫學研究。系統卡指出,其生物學領域以外的能力與 GPT-5.5 大致相當。(openai.com) 整合文獻、圖表、實驗紀錄及組學資料,協助證據檢索、分析、科學推理與假設形成。 支援藥物化學、基因體學、定量生物學,以及濕實…
Gemma 4 12B Unified 是 Google DeepMind 的開放權重多模態模型,採用約 120 億參數的稠密架構,旨在筆記型電腦等裝置上執行本地 AI 工作。其統一、無獨立編碼器架構以輸入的線性投影取代傳統視覺與音訊編碼器。(blog.google) 接收文字、圖片和原生音訊輸入,產生文字輸出;也可透過處理連續影格理解影片。(ai.google.dev) 支援推理、程式碼生成與修…
Qwen3.7 系列中兼顧效能與成本的 Plus 模型,強調文字、視覺與智慧代理能力。此 ID 是 2026 年 5 月 26 日的快照版本,由阿里雲百鍊提供推論服務。(help.aliyun.com) 接受文字、圖片及影片輸入,輸出文字;支援深度思考、函式呼叫、結構化輸出、聯網搜尋、前綴續寫及上下文快取。 適用於文字生成、視覺理解、程式編寫與生產力工作流程;官方亦列出讀取畫面並操作 GUI、依視…
MiniMax M3 是 MiniMax 的原生多模態語言模型,重點面向程式開發、智慧代理與長上下文任務。官方表示模型權重已公開。發布日期為 2026 年 6 月 1 日。(minimax.io) **程式與代理任務:**支援程式碼生成、除錯、任務拆解、工具呼叫及多步推理,可用於軟體開發、自動化工作流程和長時間協作。 **長上下文:**採用 MiniMax Sparse Attention(MSA…
Universal Audio Tokenizer 是騰訊 WeChat AI 發布的音訊 tokenizer,以單一碼本將音訊轉換為離散 token,旨在兼顧語言語意對齊與一般音訊感知,供音訊大型語言模型整合使用。官方於 2026-06-01 首次在 GitHub 與 Hugging Face 發布。(github.com) 將輸入音訊編碼為離散 token,並從 token 重建波形;官方提供…
NAVA(Native Audio-Visual Alignment for Generation)是用於聯合生成音訊與影片的研究模型與框架,模型規模為 63 億參數。它先建立音訊與影片之間的對應,再以外部條件引導聯合去噪,目標是產生時間同步、語意一致的影音內容。(arxiv.org) 可依文字提示生成影音,也可使用首影格圖片作為影片生成條件;官方程式另列有純文字轉音訊模式。 支援以參考語音控制生…
PaddleOCR-VL-1.6 是百度飛槳推出的輕量級多模態文件解析模型,以 PaddleOCR-VL-1.5 為基礎優化,視覺語言模型參數量為 0.9B。它隨 PaddleOCR v3.6.0 於 2026 年 5 月 28 日發布,並提供開源模型權重。(github.com) 解析文件版面、閱讀順序、文字、公式、表格與圖表;加強中文古籍、生僻字、印章及文字偵測辨識能力。 適用於掃描件、拍攝文…
Bernini 是統一影片生成與編輯的研究框架,結合多模態大型語言模型(MLLM)語意規劃器與擴散 Transformer(DiT)渲染器。輸入資料中的版本標識為 Bernini-7+14B:完整管線以 Qwen2.5-VL-7B-Instruct 為規劃器基礎,並以 Wan2.2-T2V-A14B 為渲染器基礎;7B 與 14B 分別指兩個組件,而非兩個獨立的 API…
Qwen3.7-Max 是 Qwen3.7 系列中面向智慧代理任務的旗艦模型。阿里雲百鍊目前將 qwen3.7-max 標示為功能等同於 qwen3.7-max-2026-05-20 快照;該快照對外提供純文字能力。(alibabacloud.com) 支援文字生成、深度思考、函式呼叫、結構化輸出、聯網搜尋、前綴續寫及上下文快取。適用於程式設計、辦公與生產力工作,以及較長週期的自主代理任務。(he…
Hy-MT2-30B-A3B 是騰訊混元 Hy-MT2 系列的開放權重多語言翻譯模型,採用混合專家(MoE)架構,總參數量約 300 億、啟用參數量約 30 億,面向複雜實際場景中的快速翻譯。模型以 Apache License 2.0 授權。(github.com) 支援 33 種語言互譯,並支援 5 種民漢翻譯或方言場景。 可依指令進行結構化、分隔符、上下文、術語表與風格翻譯,適用於一般文本、…
Hy-MT2-7B 是騰訊混元 Hy-MT2 系列的 7B 參數多語言文字翻譯模型,定位為面向複雜真實場景的「快思考」模型。官方於 2026 年 5 月 21 日開源發布。(github.com) 支援 33 種語言之間互譯,包括繁體中文,並支援多語言翻譯指令;官方語言清單另列藏語、哈薩克語、蒙古語、維吾爾語及粵語。(github.com) 適用於一般文字、真實業務與專業領域翻譯,也可透過指令提供…