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…
GPT-5.5 Instant 是 OpenAI 面向日常對話與實用任務的模型。OpenAI 於 2026 年 5 月 5 日宣布推出;本筆資料所指的 May Update 於 2026 年 5 月 28 日發布,涵蓋 ChatGPT 與 API。當時 API 使用的模型 ID 為 chat-latest。(openai.com) 適合日常問答、實用協助、文字撰寫與程式碼相關任務。 官方表示,相較…
Claude Opus 4.8 是 Anthropic 於 2026 年 5 月 28 日發布的 Opus 系列模型,建立於 Opus 4.7 之上,著重程式設計、推理、知識工作與代理式任務。官方目前將其列為仍可使用的舊版模型,退役日期不早於 2027 年 5 月 28 日。(anthropic.com) 接受文字及圖片輸入,產生文字輸出;支援自適應思考,預設思考強度為 high。 上下文視窗為…
Gemini 3 Pro Image,又稱 Nano Banana Pro,是基於 Gemini 3 Pro 的圖像生成與編輯模型,適合複雜構圖及多輪圖像編輯。(blog.google) **首次推出:**2025 年 11 月 20 日,Google 宣布推出 Nano Banana Pro。(blog.google) **此版本發布:**2026 年 5 月 28 日,Google Cloud…
Gemini 3.1 Flash Image 又稱 Nano Banana 2,是 Google 的多模態圖片生成與編輯模型,著重低延遲、高吞吐量及價格效能平衡;相較 Gemini 3 Pro Image,更適合快速迭代與大量開發者工作流程。(ai.google.dev) 可依文字及參考圖片生成圖片,並透過對話指令反覆編輯;適用於行銷素材、產品視覺、社群內容與應用程式中的圖片工作流程。…
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…