Qwen3-Omni-Flash
Qwen3-Omni-Flashは、Thinker–Talker型のMixture of Experts(MoE)アーキテクチャを採用した全モダリティ対応モデルです。テキスト・画像・音声・動画を理解し、テキストと音声を出力します。公式発表では、119言語のテキスト対話と20言語の音声対話に対応するとしています。(help.aliyun.com) 文章作成、音声アシスタント、マルチメディア分析などに…
モデルディレクトリ
新しいモデルを公開日順に見つけられます。
Qwen3-Omni-Flashは、Thinker–Talker型のMixture of Experts(MoE)アーキテクチャを採用した全モダリティ対応モデルです。テキスト・画像・音声・動画を理解し、テキストと音声を出力します。公式発表では、119言語のテキスト対話と20言語の音声対話に対応するとしています。(help.aliyun.com) 文章作成、音声アシスタント、マルチメディア分析などに…
Qwen3-Omni-Flashのリアルタイム版マルチモーダルモデル。Thinker–TalkerのMixture-of-Experts(MoE)アーキテクチャを採用し、テキスト、画像、音声、動画を入力として理解し、テキストと音声を出力する。テキストは119言語、音声は20言語での対話に対応する。2025年9月15日時点のスナップショット版である。(docs.qwencloud.com) リアルタ…
Tencentの3D生成モデル。テキストや2D画像から、高精度・高品質の3Dモデルを生成する「混元生3D(専門版)」に採用されている。専門版の提供開始日は2025年9月16日。これは専門版の公開日であり、モデル単体の別の公開日を示すものではない。(cloud.tencent.com) テキスト、画像、複数視点画像やスケッチからの3D生成に対応し、テクスチャ付きモデル、テクスチャなしのジオメトリ、低…
GPT-5-Codexは、Codexや類似環境でのエージェント型コーディングに最適化されたGPT-5の派生モデルです。2025年9月15日に発表され、同年9月23日にResponses APIでの提供が開始されました。 (openai.com) 新規プロジェクトの構築、機能やテストの追加、デバッグ、大規模なリファクタリング、コードレビューを対象としています。短い対話的な編集にも、長時間の複雑なタス…
Qwen-VLを基に訓練された、画像内の文字認識・解析・処理に特化したOCRモデルです。2025-08-28は日付付きスナップショットで、公式のモデル更新履歴には2025年9月13日に掲載されています。(help.aliyun.com) 画像内の文字認識や文書の解析に利用できます。Alibabaの更新情報によると、このスナップショットでは文字位置の特定、一般的な文字認識、身分証明書や伝票からの情報…
Wan2.2-KF2V-Flashは、始点と終点の2枚の画像から、その間をつなぐ動画を生成する高速モデルです。テキスト指示も入力できます。公式発表では、動きの安定性、生成成功率、指示への追従性を改善したと説明しています。画像間のトランジションや短い映像クリップの制作に利用できます。(help.aliyun.com) 公開日:2025年9月12日。(help.aliyun.com) 入力・出力:画像…
MiniMax Music 1.5は、自然言語の指示から楽曲を生成する音楽生成モデルです。2025年9月11日に発表されました。(minimax.io) 曲のスタイル、雰囲気、利用シーンを自然言語で指定し、最大4分の楽曲を生成できます。 高度なモードでは、イントロ、ヴァース、コーラスなどのセクションごとに歌詞を配置できます。 さまざまな声質や歌唱スタイル、重層的な楽器編成を生成できます。中国の伝統…
AlibabaのQwen-Plusに属する、テキスト生成・推論向けの2025年9月11日版スナップショットです。思考モードでは、2025年7月28日版と比べて指示追従と要約回答の簡潔さが改善されています。非思考モードでは中国語の文章理解と論理推論が強化されています。公開日は2025年9月11日です。(help.aliyun.com) 入力・出力はテキストです。文章の理解・生成、要約、質問応答、論理…
Baiduの深い思考を行う推論モデル。2025年9月9日に発表された。文心X1を改良し、反復型の混合強化学習と自己蒸留データを用いた学習を採用している。発表時には百度智能云の千帆プラットフォームで企業や開発者向けに提供された。(cloud.baidu.com) 質問応答、指示への追従、論理推論、数学、コード、ツール呼び出し、エージェント型タスクに対応する。百度によれば、文心X1と比較して事実性は3…
Qwen3-ASR-Flashは、大規模言語モデルを基盤とする多言語音声認識モデルです。音声を入力してテキストを書き出し、言語の自動判別にも対応します。本モデルIDは2025年9月8日のスナップショット版で、公式のモデル更新一覧にも同日付で掲載されています。(help.aliyun.com) 日本語を含む複数言語の音声認識に対応します。録音された発話の文字起こしや音声データのテキスト化に利用できま…
Kimi K2の2025年9月版となる、指示追従型の大規模言語モデル。Mixture-of-Experts(MoE)アーキテクチャを採用し、総パラメータ数は1兆、トークンごとの活性化パラメータ数は320億。(huggingface.co) プログラミング:エージェントによる実際の開発タスクや、フロントエンドコードの生成を強化。 ツール利用:ツール呼び出しと、Claude CodeやRoo…
Qwen3シリーズのMaxモデルのプレビュー版。テキスト生成と推論を対象とし、思考モードと非思考モードを備える。公式発表では、思考モードにおけるエージェント向けプログラミング、常識、数学、科学、一般的な推論能力の強化が説明されている。(help.aliyun.com) テキスト生成、プログラミング支援、数学・科学などの推論タスクに利用できる。公式の過去のモデル仕様では、北京およびシンガポールの提供…
Tongyi LabのCosyVoiceシリーズに属する、プロ向けの音声合成・音声クローニングモデル。テキストから音声を生成し、リアルタイムのストリーミング合成に対応する。読み上げや、カスタム音声を使った音声アプリケーションに利用できる。(alibabacloud.com) 公開時の案内では、5~20秒の参照音声からカスタム音声を作成できる。現在のガイドでは10~20秒の音声を推奨している。(he…