Seed-2.1-Pro-Preview
Seed-2.1-Pro-Preview 是 ByteDance Seed 團隊提供社群搶先體驗的預覽模型,於 Arena AI 的 Code Arena 發布。(seed.bytedance.com) 可透過 Code Arena 體驗,適合試用程式設計相關任務。 Seed 團隊後續表示,Seed2.1 Preview 參與前端場景的人類偏好評測,在 Code Arena: Frontend 榜…
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。
Seed-2.1-Pro-Preview 是 ByteDance Seed 團隊提供社群搶先體驗的預覽模型,於 Arena AI 的 Code Arena 發布。(seed.bytedance.com) 可透過 Code Arena 體驗,適合試用程式設計相關任務。 Seed 團隊後續表示,Seed2.1 Preview 參與前端場景的人類偏好評測,在 Code Arena: Frontend 榜…
Fun-ASR-Flash 是阿里雲百鍊提供的非即時自動語音辨識(ASR)模型,輸入音訊、輸出文字,透過 HTTP 處理錄音檔案。(alibabacloud.com) 官方稱支援 30 種語言,包括中文、英語、日語、韓語、越南語及法語等;支援官話、吳、湘、贛、客、閩、粵等漢語方言,以及 20 多種地方官話口音。 針對中文古詩詞辨識進行最佳化,並支援標點預測、數字與日期等文字正規化,以及提示上下文。…
GLM-5.2 是 Zhipu AI 面向長程任務的旗艦模型,於 2026 年 6 月 16 日發布,重點強化長上下文、程式開發與智慧代理工作流程。模型權重公開,官方公告標示採用 MIT 授權。(z.ai) 長上下文:官方表示支援 1M token 上下文,適合處理大型程式碼庫及持續多步驟的工程任務。 程式開發與推理:支援調整思考強度,以權衡能力、延遲與計算成本;適用於大型實作、除錯、效能最佳化及…
HappyHorse-1.1-I2V 是 Alibaba 的首幀圖生影片模型,透過阿里雲百鍊提供推論服務。官方新加坡區域發布紀錄列出的日期為 2026-06-16。(alibabacloud.com) 以一張圖片作為首幀,可搭配文字提示詞生成有聲影片,適合將靜態素材轉成動態短片。 官方表示,相較前代,模型改善了皮膚質感、跨片段角色一致性、動作流暢度、文字呈現穩定性及影音同步;這些是能力描述,並非對…
HappyHorse-1.1-R2V 是 Alibaba 於阿里雲百鍊提供的參考圖生影片模型。官方發布紀錄日期為 2026 年 6 月 16 日。(alibabacloud.com) 接收文字與最多 9 張參考圖片,產生影片;官方表示此版本改善了主體、場景風格及畫面一致性,並提升人物、場景、風格與鏡頭動態的可控性。(alibabacloud.com) 支援音訊;輸出規格為 480P、720P 或…
HappyHorse-1.1-T2V 是透過阿里雲百煉提供的文字生成影片模型:輸入文字提示,產生帶音訊的影片。官方表示,此版本加強了文字語意理解、鏡頭調度及動態生成表現。可用於依創作描述製作短片和影片素材。(alibabacloud.com) 支援 480P、720P、1080P;影片長度為 3–15 秒,格式為 MP4,畫面更新率為 24 fps。(alibabacloud.com) 此 API…
Qwen3.5-OCR 是基於 Qwen3.5 的光學文字辨識(OCR)模型,由阿里雲百煉提供推理服務,專為文件解析、文字定位與關鍵資訊擷取而設計。(help.aliyun.com) 支援圖片文字擷取、多輪對話和文件解析;適用於身分證、駕照等證件資訊擷取,以及文件、表格、試卷和手寫內容辨識。(docs.bailian.console.aliyun.com) 可透過 Responses API 直接…
Hy-Embodied-0.5-VLA-RoboTwin 是騰訊 Hy-Embodied-0.5-VLA 的視覺—語言—動作(VLA)模型檢查點,基於 UMI 預訓練版本,針對 RoboTwin 2.0 的 50 項雙臂操作任務進行監督式微調。模型權重依 Apache-2.0 授權發布。(huggingface.co) 接收多視角影像、機器人狀態及自然語言任務指令,產生連續動作片段,可用於模擬雙臂…
Hy-Embodied-0.5-VLA-UMI 是騰訊 Robotics X 與 Hy 團隊發布的視覺—語言—動作(VLA)預訓練模型權重,定位為適配不同機器人本體與任務的通用微調起點,而非一般文字聊天模型。官方於 2026 年 6 月 15 日發布此模型、相關程式碼及資料集。(github.com) 結合視覺觀察、自然語言任務指令及機器人狀態,產生連續的機器人動作片段,可用於雙臂操作等具身智慧研…
Kimi K2.7 Code 是 Moonshot AI 的開放權重模型,專為程式設計、程式碼智能代理及長時間、多步驟的軟體工程任務設計。官方於 2026 年 6 月 12 日公告發布。(kimi.com) 支援文字、圖片和影片輸入,適合程式碼理解、開發工作流程及智能代理任務。(kimi.com) 上下文視窗為 262,144 tokens,可用於較大型程式碼庫及多輪編程工作。(kimi.com)…
PP-OCRv6_medium_rec 是 PP-OCRv6 的 medium 級文字辨識模型,主要面向伺服器部署;它是 OCR 流程中的文字辨識元件,而非完整的文字偵測與辨識流程。模型採用 PPLCNetV4、LightSVTR 與 CTC/NRTR 多頭解碼架構,官方列出的模型儲存大小為 73.3 MB。(github.com) 單一模型支援 50 種語言,包括簡體中文、繁體中文、英文、日文及…
PP-OCRv6_medium_det 是百度 PaddleOCR 的中等規模文字偵測模型,適合伺服器端部署;其架構為 PPLCNetV4 + RepLKFPN,官方列出的模型儲存大小為 59.4 MB。(paddleocr.ai) 模型接收影像,定位含文字的區域並輸出邊界框,可作為 OCR 流程的前段,供後續文字辨識模型使用。PP-OCRv6 整體方案適用於文件、街景、證件及工業零組件等場景;官…
PP-OCRv6_small_rec 是 PP-OCRv6 系列的輕量化文字辨識模型,適合行動端等注重效率的部署場景。它是 OCR 流程中的文字辨識模組,而非完整的文字偵測與辨識流程;模型約有 520 萬個參數。(huggingface.co) 接收文字影像,輸出辨識文字;單一模型支援 50 種語言,包括簡體中文、繁體中文、英文、日文及 46 種拉丁語系語言。 可用於文件數位化、影像文字擷取,以及…
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…