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…
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、…
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…
Qwen-Image-3.0-Pro 是阿里巴巴千問系列的旗艦影像生成與編輯模型,透過阿里雲百鍊提供推論服務。它接收文字及影像輸入,輸出影像。(alibabacloud.com) 支援文字生成影像,以及結合文字指令與 1–3 張參考圖進行影像編輯。(alibabacloud.com) 官方稱支援最多 4.5k token 輸入、密集資訊及圖中圖版面、小至 10px 的文字,以及 12 種語言和 2…
Qwen 3.8-Max-Preview 是通義千問的新一代基礎模型預覽版,參數量為 2.4 兆。阿里巴巴表示,初步測試中其表現僅次於 Fable 5;這是官方測試說法,非獨立驗證結果。(alibabagroup.com) 官方指出,相較於 Qwen3.7-Max,本模型加強了程式碼工程與專業辦公能力,可用於全端開發、資料分析及 Office 辦公工作流程等複雜長程任務。發布時可透過 Token…
Hy-Embodied-RxBrain-1.0(RxBrain)是由騰訊 Robotics X 實驗室、福田實驗室與騰訊混元團隊打造的開源具身世界認知基礎模型。它結合語言推理與視覺想像,為機器人的高層認知、規劃及下游動作模型提供支援。模型約有 62 億個參數,基於 Hy-Embodied-VLM 系列開發。(developer.cloud.tencent.cn) **具身理解與推理:**根據圖像或…
Hy-Embodied-VLM-1.0 是為真實物理世界中的具身智慧代理設計的視覺語言基礎模型,由 Tencent Robotics X、Hy Vision Team 與福田實驗室共同打造。採用混合專家(MoE)架構,總參數約 30B,每個 token 啟用約 3B 參數;語言骨幹為 Hy3-A3B,視覺編碼器為 Hy-ViT2。(github.com) 接收文字與圖片輸入並產生文字;官方模型卡標…
此語言的介紹正在準備中,敬請期待。
Qwen-Audio-3.0-TTS-Plus 是阿里雲百鍊提供的高品質文字轉語音模型,Plus 版本側重音質、自然度和細節表現。官方公告記載的發布日期為 2026 年 7 月 14 日。(alibabacloud.com) 輸入文字、輸出音訊;支援語音合成與即時語音合成。(alibabacloud.com) 支援自然語言指令及細粒度標籤控制,可調整情緒、語氣、角色、語速、音量和合成風格;也支援聲…