Qwen-VL-OCR
Qwen-VL-OCRは、画像内の文字認識・解析・処理に特化したOCRモデルです。本バージョンはQwen-VL3アーキテクチャに基づくスナップショットで、文書解析と文字位置の特定が改善され、従来版に比べて遅延と幻覚が低減されたと公式に説明されています。(help.aliyun.com) 画像からテキストを出力し、文書画像の文字抽出や解析に利用できます。証明書や請求書などからの情報抽出にも利用できま…
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。
Qwen-VL-OCRは、画像内の文字認識・解析・処理に特化したOCRモデルです。本バージョンはQwen-VL3アーキテクチャに基づくスナップショットで、文書解析と文字位置の特定が改善され、従来版に比べて遅延と幻覚が低減されたと公式に説明されています。(help.aliyun.com) 画像からテキストを出力し、文書画像の文字抽出や解析に利用できます。証明書や請求書などからの情報抽出にも利用できま…
Qwen-MT-Liteは、Qwen3を基盤とする、低コスト・高速なテキスト翻訳向けの基礎モデルです。Alibaba Cloud Model StudioがAPI推論サービスを提供します。公開日は2025年11月19日です。(docs.bailian.console.aliyun.com) テキストを入力し、テキストで翻訳結果を出力します。用語の指定、書式保持、分野別の翻訳指示に対応します。 リア…
Gemini 3 Proは、高度な推論、マルチモーダル理解、エージェント型コーディングを重視したGoogleのモデルです。gemini-3-pro-previewはそのプレビュー版API IDです。2025年11月18日に発表されました。(blog.google) テキスト、画像、動画、音声、PDFを入力し、テキストを出力できます。入力上限は1,048,576トークン、出力上限は65,536トーク…
Googleの動画生成モデル「Veo 3.1」の高速版。テキストや画像を基に動画を生成し、制作ワークフローでの迅速な動画作成に利用できる。2025年11月17日にVertex AIで一般提供(GA)された。 (docs.cloud.google.com) テキストからの動画生成、画像からの動画生成、最初と最後のフレームを使った動画生成に対応。 参照画像の利用、動画の延長、音声生成、Content…
Googleの動画生成モデルVeo 3.1の標準版。Vertex AIのリリースノートによると、2025年11月17日に一般提供(GA)となった。 (docs.cloud.google.com) テキストからの動画生成、画像からの動画生成、開始フレームと終了フレームを指定した生成に対応する。 参照画像を使った生成、動画の延長、音声・効果音の生成に対応する。動画の延長は、生成時の入力モダリティとは別…
通義実験室のCosyVoiceシリーズに属する高性能な音声合成・音声クローンモデル。テキストを入力し、音声を出力する。Alibaba Cloud Model Studioで利用できる。(help.aliyun.com) テキストからのリアルタイム・ストリーミング音声合成に対応。従来版に比べ、自然さ、音質、韻律、感情表現が改善されたとしている。 5〜20秒の参照音声からカスタム音声を生成できる。公式…
Qwen3-ASR-Flashの長尺ファイル文字起こし向けスナップショット版。音声を入力し、テキストを出力する非リアルタイムの多言語音声認識モデルです。言語を自動判別し、日本語を含む複数言語の音声を認識します。会議録、インタビュー、録音・動画の字幕作成などに利用できます。(help.aliyun.com) リアルタイムのストリーミング認識用ではありません。 Filetrans系列のファイル入力は、…
ERNIE 5.0 Previewは、Baiduのネイティブなオムニモーダル基盤モデルERNIE 5.0のプレビュー版です。Baiduは2025年11月13日のBaidu World 2025でERNIE 5.0を発表し、プレビュー版を一般向けにはERNIE Bot、企業向けには百度智能云の千帆プラットフォームで提供すると案内しました。(prnewswire.com) テキスト、画像、音声、動画を…
WebVIA-Agentは、対話可能なWeb UIをコードに変換して検証する研究フレームワーク「WebVIA」の探索用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) Webサイトを探索し、操作によって変化する複数のUI状態のスクリーンショットを取得します。 ページのスクリーンショットやDOMツリーを基に、操作が必要なインタラクティブ要素の特…
GUI-Plusは、スマートフォンやデスクトップの画面理解と操作を対象とする、GUIシリーズの基盤モデルです。Alibabaの公式発表では、複数ステップのタスクや複数エージェントの協調に対応すると説明されています。公開日は2025年11月12日です。(help.aliyun.com) テキストと画像を入力し、テキストを出力します。スクリーンショットと自然言語の指示から意図を解釈し、クリック、入力、…
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…
この言語の紹介は準備中です。
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…