Tencent HY 2.0 Instruct
Tencent HY 2.0 Instruct は、指示に従った文章生成向けの汎用モデルです。Tencent の公式発表によると、基盤モデルを TurboS から混元 2.0 に更新し、指示追従、複数ターンや長文の理解、文学創作、知識の正確性、コード、推論の能力を強化しています。公開日は 2025年11月11日 です。(cloud.tencent.com) 対話型アシスタント、長文の分析、文章作成…
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。
Tencent HY 2.0 Instruct は、指示に従った文章生成向けの汎用モデルです。Tencent の公式発表によると、基盤モデルを TurboS から混元 2.0 に更新し、指示追従、複数ターンや長文の理解、文学創作、知識の正確性、コード、推論の能力を強化しています。公開日は 2025年11月11日 です。(cloud.tencent.com) 対話型アシスタント、長文の分析、文章作成…
UI2Code^Nは、UI画像からフロントエンドコードを生成し、視覚的なフィードバックを用いて反復的に改善するための視覚言語モデルです。GLM-4.1V-9B-Baseを基盤としています。(huggingface.co) UIのスクリーンショットからHTML、CSS、Reactなどのコードの初稿を生成します。 自然言語の指示に基づいて既存UIを編集します。 生成コードのレンダリング結果を参照し、元…
Tencentの汎用テキスト生成モデル。従来のTurboSから混元2.0を基盤に採用し、複雑な指示への追従、複数ターンの対話、長文理解、コード、エージェント、推論能力を強化したと発表されている。公開日は2025年11月9日。(cloud.tencent.com) 深い推論、長文の分析、対話型アシスタント、コード関連作業、エージェントを用いた処理などに適する。TokenHubの旧モデル一覧では、深い…
Alibaba Cloud Model Studioで提供される、録音ファイル向けの非リアルタイム音声認識モデル。音声を入力し、テキストを出力する。HTTP APIで利用し、ホットワードによる認識精度の向上と話者分離に対応する。(help.aliyun.com) 日本語、英語、韓国語などを含む多言語と、中国語の方言・地域アクセントに対応する。公式案内は合計30言語としている。 句読点の予測や、数字…
GPT-5-Codex-Miniは、プログラミング用途向けのGPT-5-Codexを小型化し、コスト効率を高めたモデルです。2025年11月7日に、Codex CLIとIDE拡張機能のモデル選択肢として発表されました。 (help.openai.com) Codexでのコーディング作業に利用できるモデルです。発表時、ChatGPTサブスクリプションに含まれる利用枠で、GPT-5-Codexと比べて…
Alibabaの通義研究所による、エンドツーエンドのリアルタイム音声認識モデルのスナップショット版。音声を入力し、文字起こしテキストを出力する。WebSocketでストリーミング音声を扱える。(help.aliyun.com) 中国語、英語、日本語や中国語の方言に対応。中国語と英語の切り替えにも対応する。ホットワードのカスタマイズ、句読点予測、ITNによる表記正規化、特定の語句の自動フィルタリング…
Kimi K2 Thinkingは、段階的な推論とツール呼び出しを組み合わせるThinking Agentモデルです。2025年11月6日に発表されました。公式モデルカードでは、重みが公開されています。(platform.kimi.com) 推論しながら動的にツールを呼び出し、調査、情報収集、コーディング、文章作成などの複数段階の作業に利用できます。公式評価では、200〜300回の連続したツール呼…
Kimi-Linear-48B-A3B-Baseは、Moonshot AIのテキスト生成向け事前学習済みベースモデルです。Mixture-of-Experts(MoE)構成で、総パラメータ数は480億、トークンごとの活性化パラメータ数は30億です。公式モデルカードは最大100万トークンのコンテキストを示しています。 (huggingface.co) Kimi Delta Attention(KDA…
AlibabaのQwen系列に属する画像編集モデル。指定されたリリースは固定スナップショット qwen-image-edit-plus-2025-10-30 で、2025年10月30日に公開された。初版Editモデルに比べ、推論性能とシステム安定性を改善し、画像生成・編集の応答時間を短縮したと公式は説明している。(help.aliyun.com) 画像とテキスト指示を用いた既存画像の編集に対応し、…
Qwen3-ASR-Flash-Realtimeは、大規模言語モデルを基盤とするリアルタイム多言語音声認識モデルです。音声を入力し、認識結果をテキストで出力します。言語の自動判定に対応し、公式の国際版リリース告知では11言語の音声認識を説明しています。リアルタイム字幕や音声入力などに利用できます。 (help.aliyun.com) 公開日:2025年10月27日。公式の国際版リリース一覧では20…
Glyphは、長文を画像に変換して視覚言語モデルで処理する「視覚・テキスト圧縮」により、長いコンテキストを効率的に扱うためのモデルとフレームワークです。公開モデルはGLM-4.1V-9B-Baseを基にしています。(github.com) 長文を画像として入力し、指示や質問に対してテキストで回答します。長文の質問応答や文書理解などに利用できます。公式リポジトリによると、英語・中国語向けのレンダリン…
Qwen2.5-VLを基盤とする統合マルチモーダル埋め込みモデル。テキスト・画像・動画を単独または組み合わせて入力し、統一された表現ベクトルを生成する。クロスモーダル検索、画像・動画検索、クラスタリング、タグ付けなどに利用できる。(help.aliyun.com) ベクトル次元は512、768、1024、2048から選択でき、デフォルトは1024。最大入力長は32,000トークン。(help.al…
Qwen LLMを基盤として訓練されたテキスト再ランキングモデル。検索クエリと候補文書の関連性を評価し、候補を並べ替える。日本語を含む100以上の言語と長文入力に対応し、意味検索やRAGに利用できる。公式発表では、性能はオープンソースのQwen3-Rerankシリーズに相当すると説明されている。(help.aliyun.com) 検索で取得した候補文書を関連度順に再評価する。結果には文書のインデッ…
DeepSeek-OCRは、画像を通じたテキストの圧縮と復元を研究するOCRモデルです。DeepSeekの公式リポジトリによる公開日は2025年10月20日です。論文では、画像エンコーダーとMoEデコーダーを組み合わせた構成が説明されています。 (github.com) 画像内の文字認識、文書のMarkdown変換、図の解析、画像内の指定文字列の位置特定などに利用できます。 (github.com…
Qwen3-VL-Flashは、応答速度を重視した小型の視覚理解モデルです。思考モードと非思考モードに対応し、テキスト・画像・動画を入力してテキストを生成します。公式発表によると、長い動画や文書の理解、物体認識、空間認識、視覚的な2D・3D位置特定に対応します。画像や動画についての質問応答、文書の理解、実世界の視覚情報を伴う推論などに利用できます。(help.aliyun.com) 中国本土向けの…
Tencentの多言語翻訳向け大規模言語モデルです。APIでは hunyuan-translation を指定します。2025年10月14日の公式発表は、このモデルのバージョン更新であり、初公開日は2024年10月25日です。(cloud.tencent.com) 日本語、中国語、英語を含む33言語の相互翻訳と、5つの民族言語の翻訳に対応します。多言語テキストの翻訳に利用できます。(cloud.t…