VTP-Small-f16d64
VTP-Small-f16d64は、MiniMaxと華中科技大学の研究者による、画像生成向け視覚トークナイザーのSmall版です。画像から視覚的特徴を抽出し、生成モデルが利用できる表現を提供します。公開モデルの規模は約0.2Bパラメータです。(github.com) 画像・テキストの対照学習、自己教師あり学習、画像再構成を組み合わせて事前学習されています。(arxiv.org) 画像特徴抽出、画像…
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。
VTP-Small-f16d64は、MiniMaxと華中科技大学の研究者による、画像生成向け視覚トークナイザーのSmall版です。画像から視覚的特徴を抽出し、生成モデルが利用できる表現を提供します。公開モデルの規模は約0.2Bパラメータです。(github.com) 画像・テキストの対照学習、自己教師あり学習、画像再構成を組み合わせて事前学習されています。(arxiv.org) 画像特徴抽出、画像…
GoogleのLive API向けネイティブ音声モデルのプレビュー版。低遅延のリアルタイム音声・動画対話に適している。2025年12月12日の発表では、複雑なワークフローへの対応能力が改善されたと説明されている。(aistudio.google.com) 音声、動画、テキストの連続入力を処理し、音声またはテキストを出力する。リアルタイムの会話型アシスタントや音声・動画エージェントに利用できる。(a…
GLM-TTSは、テキストから音声を生成する産業向け音声合成システムです。2025年12月10日に発表され、モデルの重みが公開されました。BigModelではAPIとしても提供されています。(zhipuai.cn) 短い参照音声を用いたゼロショット音声クローンに対応します。公式モデルカードは参照音声の長さを3〜10秒としています。 多報酬強化学習によって感情や韻律の表現を改善し、ストリーミング推論…
GLM-ASR-Nano-2512は、実世界の複雑な音声環境を対象とする、約15億パラメータのオープンソース音声認識モデルです。音声を入力し、文字起こしを出力します。公式発表によると、特徴抽出に用いるWhisper V3音声エンコーダーの追加パラメータは、この15億には含まれていません。モデルカードのライセンス表記はMITです。 (zhipuai.cn) 標準中国語、英語に加え、広東語などの方言に…
DeepSeek-V3.2-Specialeは、DeepSeek-V3.2を長時間の思考に向けて強化し、DeepSeek-Math-V2の定理証明能力を組み合わせた研究向けの推論モデルです。2025年12月1日に公開されました。モデルの重みは公開されており、MITライセンスが示されています。(deepseek.com) 指示への追従、数学的証明、論理検証など、複雑な推論課題やモデル評価・研究を主な…
DeepSeek-V3.2は、2025年12月1日に公開された、推論とエージェント用途を重視する汎用言語モデルです。DeepSeek-V3.2-Expの正式な後継モデルとして発表されました。(deepseek.com) テキストの入力と出力に対応し、質問応答や一般的なエージェントタスクに利用できます。 推論能力と出力長のバランスを重視し、思考モード・非思考モードの両方でツール呼び出しをサポートしま…