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…
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。
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…
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。 **…
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。…
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…
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…
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…
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…
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…
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…
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…
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…
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…
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、…
Gemini 3.5 Flash Cyber 是以 Gemini 3.5 Flash 為基礎、針對資訊安全任務微調的輕量模型,重點是快速尋找、驗證及修補軟體漏洞。(deepmind.google) 可協助分析大型程式碼庫及多條程式執行路徑,尋找並驗證漏洞。 可搭配 CodeMender 進行定期掃描、版本發布前檢查及程式碼提交掃描;多個代理可分工分析並彙整報告。 Google 表示,在…
Gemini 3.5 Flash-Lite 是 Google 的低延遲、低成本多模態模型,針對高吞吐量任務與輕量代理工作流程最佳化。穩定版於 2026 年 7 月 21 日發布。(blog.google) 支援文字、圖片、影片、音訊及 PDF 輸入,輸出為文字;輸入上限為 1,048,576 tokens,輸出上限為 65,536 tokens。 支援思考、結構化輸出、函式呼叫、程式碼執行、搜尋與…
Gemini 3.6 Flash 是以 Gemini 3.5 Flash 為基礎的原生多模態推理模型,定位為兼顧品質、速度與 token 效率的通用工作模型,適合建構大規模代理工作流程。Google 表示,相較於 3.5 Flash,其程式編寫、知識工作及多模態表現有所提升。(blog.google) 接收文字、圖片、音訊和影片,輸出文字;模型卡列出的上下文視窗最高約 100 萬 token,輸出…
Qwen-Image-3.0 是通義千問第三代圖像生成基礎模型;API ID qwen-image-3.0 對應 Standard 版本,側重日常創作的品質、速度與成本平衡,與 qwen-image-3.0-pro 不同。(qwen.ai) 支援文字與圖片輸入,以及文生圖、圖生圖和圖片編輯;輸出為圖片。(modelstudio.console.alibabacloud.com) 官方稱可處理最長約…
Qwen3.7 系列的原生視覺語言 Flash 模型,由阿里雲百煉提供推論服務;此 API ID 指向 2026 年 7 月 15 日的快照版本。官方稱其相較 Qwen3.6-Flash 加強多模態理解與 Agent 執行能力。(help.aliyun.com) 支援文字、圖片及影片輸入,輸出文字;可用於文字生成、推理及視覺理解。 支援函式呼叫、結構化輸出、前綴續寫及上下文快取。 適用於多模態內容…
HPD-Parsing 是約 10 億參數的輕量級視覺語言模型,專為高吞吐量文件解析設計。模型權重以 Apache 2.0 授權發布。(huggingface.co) 解析文件頁面影像,識別文字、版面結構與閱讀順序,並處理公式及表格等內容,適合文件數位化與批次解析。(arxiv.org) 使用階層式平行解碼:主版面分支協調整體結構,並動態啟動局部內容分支;漸進式多 token 預測(P-MTP)進…
Seed Audio 1.0 是面向完整聲音場景的音訊創作模型,在統一框架中生成並協調人聲、音效和環境聲,而不只是文字轉語音。官方公告日期為 2026 年 7 月 20 日。(seed.bytedance.com) 可依提示詞安排角色對白、情緒、背景氛圍及音效;角色對白的進場時間可按 100 毫秒間隔指定。 支援文字描述和參考音訊控制聲音,並可基於參考音訊延展生成;同一音色可呈現不同情緒與表達方式…