Glyph
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…
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。
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…
ByteDance の動画生成モデル。生成品質、速度、コストのバランスを重視した高速版で、公式説明では Seedance 1.0 Pro と比べて生成速度が最大約3倍とされています。(docs.volcengine.com) 入力:テキスト、または先頭フレームとして使用する画像。 出力:動画。公式資料では 480p、720p、1080p、24 fps、2~12秒、MP4 が示されています。 用途例…
Seed3D 1.0は、単一画像から物理シミュレーション向けの高精細な3Dアセットを生成する基盤モデルです。Diffusion Transformer(DiT)を用いており、ByteDance Seedの公式発表日は2025年10月23日です。(seed.bytedance.com) 入力画像を基に、詳細な形状、写実的なテクスチャ、物理ベースレンダリング(PBR)材質を備えた3Dアセットを生成しま…
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…
ByteDanceの小型・深い思考向け対話モデル。火山方舟の公式発表では、doubao-seed-1-6-250615と比べて推論速度が大幅に向上したと説明されている。速度の具体的な測定値は、この発表では示されていない。 (docs.volcengine.com) 対話型の質問応答や、推論を伴うテキスト処理への利用が考えられる。実際の品質と遅延は、対象タスクで検証する必要がある。 公式のモデル廃止…
ByteDanceの対話・深い推論向けモデル。火山方舟の2025年10月の公式リリース一覧には、指定されたモデルIDが新規公開モデルとして掲載されている。(docs.volcengine.com) thinkingとnon-thinkingの両モードに対応し、深い推論の有効・無効を切り替えられる。reasoning_effortにも対応する。(docs.volcengine.com)…
Claude Haiku 4.5は、速度とコスト効率を重視したAnthropicの小型言語モデルです。2025年10月15日に公開されました。発表時、Anthropicはコーディング性能がClaude Sonnet 4に近く、コストは約3分の1、速度は2倍以上と説明しています。(anthropic.com) テキストと画像を入力し、テキストを出力できます。分析、コーディング、コンピューター操作、エ…
Googleの動画生成モデルVeo 3.1の高速プレビュー版。テキストや画像を基に、映像と同期した音声を含む動画を生成する。短い映像の制作や、動画アイデアの素早い試作に適している。(cloud.google.com) 2025年10月15日。Google Cloudは同日、Veo 3.1とVeo 3.1 Fastのプレビューを発表した。(docs.cloud.google.com) テキストからの…
Googleの動画生成モデルVeo 3.1のプレビュー版。Vertex AI向けに2025年10月15日に発表された。Fast Previewは別モデル。(docs.cloud.google.com) テキストや画像からの動画生成、開始・終了フレームの指定、参照画像を使った生成に対応する。映像に同期した音声や効果音の生成にも対応する。(docs.cloud.google.com) 画像を動かす短編…
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…
Google DeepMindがGemini 2.5 Proを基に、ユーザーインターフェースの操作向けに追加学習したプレビューモデル。2025年10月7日に発表され、当初はGemini APIおよびVertex AIを通じて提供された。(blog.google) 画面のスクリーンショットを理解し、目的達成までの操作を計画して、クリック、メニュー選択、文字入力などのアクションを提案する。ブラウザー操…
GPT Image 1 miniは、画像の生成・編集を低コストで行うための、GPT Image 1の効率重視版です。2025年10月6日に公開されました。 (developers.openai.com) テキストと画像を入力し、画像を出力するネイティブなマルチモーダルモデルです。テキストによる画像生成や、入力画像の編集に利用できます。Images APIの生成・編集エンドポイントに対応します。 (…
GPT-Audio miniは、GPT Audioの費用対効果を重視した音声モデルです。OpenAIは2025年10月6日、音声から音声への応答を低コストで行うモデルとして公開しました。モデルのAPI IDは gpt-audio-mini、公開時のスナップショットは gpt-audio-mini-2025-10-06 です。(developers.openai.com) テキストと音声の入力・出力…
GPT-Realtime miniは、リアルタイムの音声対話向けに設計された、GPT-Realtimeの低コスト版モデルです。音声とテキストを入出力でき、画像は入力のみ対応します。WebRTC、WebSocket、SIPを介したリアルタイム応答や関数呼び出しに対応しており、音声アシスタントや対話型音声エージェントなどに利用できます。(developers.openai.com) 2025年10月6…
Gemini 2.5 Flash Image(Nano Banana)は、画像の理解・生成・編集に最適化され、速度とコスト効率を重視したマルチモーダルモデルです。テキストと画像を入出力できます。(docs.cloud.google.com) 2025年10月2日、Vertex AIで一般提供(GA)が発表されました。GA版ではアスペクト比の指定、画像のみの応答、リージョナルエンドポイント、バッチ予…
Tencentの混元シリーズに属する、ロールプレイ向けの対話モデル。2025年9月24日に提供開始された。(cloud.tencent.com) 大規模な高品質のキャラクター対話データによる追加訓練を通じて、キャラクター設定の理解と維持、複数ターンの会話の一貫性、対話の深さを改善したと公式に説明されている。想定用途はAIデジタル分身、ロールプレイ、情緒的な会話相手など。設定から外れた応答(OOC)…
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…