Text Embedding V4
通義実験室が Qwen3 を基に学習させた多言語汎用テキストベクトルモデルで、Qwen3-Embedding シリーズに属します。対話の回答を生成するのではなく、テキストを数値ベクトルに変換します。(docs.bailian.console.aliyun.com) 中国語、英語など 100 以上の主要言語と複数のプログラミング言語に対応しています。ベクトルの次元数は 64、128、256、512、…
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。
通義実験室が Qwen3 を基に学習させた多言語汎用テキストベクトルモデルで、Qwen3-Embedding シリーズに属します。対話の回答を生成するのではなく、テキストを数値ベクトルに変換します。(docs.bailian.console.aliyun.com) 中国語、英語など 100 以上の主要言語と複数のプログラミング言語に対応しています。ベクトルの次元数は 64、128、256、512、…
百度智能云千帆プラットフォームが独自開発した世論分析向けの大規模視覚モデル。かつてプリセットサービスとして提供され、主に画像のシーン分類とセンシティブなシーンの判定を行っていた。(qianfan.cloud.baidu.com) 画像からシーンを識別し、センシティブなシーンに該当するかを判定する。公式の例には、暴力事件、火災、交通事故、自然災害が含まれる。 画像における世論関連シーンの識別に利用で…
Tencent混元 TurboSシリーズの固定バージョンであり、テキスト生成と理解を目的とした汎用大規模言語モデルです。このバージョンは 2025年6月4日に提供開始されました。(cloud.tencent.com) 公式発表によると、このバージョンでは事前学習済み基盤がアップグレードされ、文章作成と読解の能力が向上し、コードと理系分野の能力が大幅に向上するとともに、複雑な指示に従う能力が継続的に…
GPT-4o Realtime は、リアルタイムの音声・テキスト対話向けのプレビューモデルです。OpenAI は 2025 年 6 月 3 日にスナップショット gpt-4o-realtime-preview-2025-06-03 を発表し、Realtime API でこのバージョンを提供しました。(community.openai.com) テキストと音声の入力・出力に対応し、WebRTC また…
GPT-4o Audio は、音声入力と出力をサポートする GPT-4o のプレビューモデルです。本項目は固定バージョン gpt-4o-audio-preview-2025-06-03 に対応し、リリース時には Chat Completions API を通じて提供されました。(community.openai.com) テキストと音声の入力・出力、ストリーミング出力、関数呼び出しをサポートし、音…
SynLogic-7B は、論理推論向けの 7B 級テキスト生成モデルで、Qwen2.5-7B-Base をベースに、SynLogic データセットを用いた強化学習によって訓練されている。公式モデルカードでは言語は英語と記載されている。(huggingface.co) このモデルは数独、24 点、暗号など、27 種類の論理推論タスクを対象に訓練されており、訓練データは自動検証できる。公式によると、…
DeepSeek-R1-0528-Qwen3-8B は、約80億パラメータのテキスト生成・推論モデルです。DeepSeek は、DeepSeek-R1-0528 の思考連鎖データを使用して、Qwen3-8B Base を蒸留・後学習しました。これは完全版の DeepSeek-R1-0528 モデルではありません。(api-docs.deepseek.com) このモデルは数学的推論、プログラミング…
Tencent Hunyuan T1シリーズの深層推論モデルのバージョンで、公式に 2025年5月29日に提供開始が告知された。(cloud.tencent.cn) 公式によると、このバージョンでは文章創作、作文、フロントエンドコード、数学および論理推論の能力が最適化され、指示に従う能力も向上した。執筆支援、フロントエンドコード生成、理系分野の推論などのタスクに利用できる。(cloud.tence…
DeepSeek-R1-0528 は DeepSeek-R1 のマイナーアップデートであり、深い思考と複雑な推論に位置づけられています。DeepSeek-V3 Base をベースモデルとして引き続き採用し、主に事後学習の手法を改善しています。リリース日は 2025 年 5 月 28 日です。(deepseek.com) 数学、プログラミング、汎用的な論理推論を対象とし、フロントエンドのコード生成、…
hunyuan-large-vision は混元 Large を基盤として訓練された視覚言語大規模モデルで、画像とテキストの理解を目的としています。(main.qcloudimg.com) 複数の画像とテキストを組み合わせた入力に対応し、テキストを生成します。公式発表によると、任意の解像度の画像入力に対応しています。 画像とテキストの理解タスクに重点を置いています。公式によると、多言語での画像とテ…
Tencent混元がTurboSを基盤とする、画像・テキスト理解タスク向けのビジョン言語フラッグシップモデルのバージョン。(main.qcloudimg.com) 公式によると、このバージョンでは汎用的な画像理解の性能が改善され、画像に基づくエンティティ認識、知識に関する質疑応答、文章作成、写真による問題解答などの面で、前世代モデルより向上している。(main.qcloudimg.com) 今回の…
Tencent Hunyuan T1シリーズの深い推論を行うモデルの固定バージョンで、2025年5月21日にリリースされました。(main.qcloudimg.com) 公式によると、このバージョンでは数学、コード、科学、知識に関する質疑応答の能力が強化され、文系データの最適化によってテキストの創作・理解能力も向上しています。数学や科学の問題解決、コード関連タスク、知識に関する質疑応答、テキスト創…
Google Imagen 4 のテキストから画像を生成するパブリックプレビュー版で、当初は Vertex AI を通じて提供された。テキストプロンプトを受け取り、画像を生成する。公式発表のコード例では、このモデル ID が明示的に使用されている。(cloud.google.com) 公式紹介では、画像内の文字のレンダリング、プロンプトへの忠実性、さまざまな視覚スタイルでの画質、多言語プロンプトへ…
Google Gemini 2.5 Flash シリーズの実験的なネイティブ音声対話モデルで、Gemini Live API のリアルタイム音声インタラクションを対象とし、対話能力と推論能力を組み合わせています。Google は 2025 年 5 月 20 日にこのモデルをリリースし、ネイティブ音声出力機能を明記しました。(aistudio.google.com) **ネイティブ音声対話:**音声…
Google Gemini 2.5 Flash シリーズのプレビューモデルで、Live API によるリアルタイム対話向けに設計され、ネイティブ音声出力機能を備えています。別途リリースされた Thinking バリアントやテキスト読み上げモデルとは異なるモデルです。(aistudio.google.com) 音声を理解し、音声を生成できます。リアルタイム音声アシスタントや対話アプリケーションの構築…
Gemini 2.5 Flash Preview TTS は、低遅延、コストパフォーマンス、制御可能な音声生成に重点を置いた Google のプレビュー版テキスト音声合成モデルです。入力はテキスト、出力は音声です。(aistudio.google.com) 一人または二人の音声を生成でき、指示によって音声スタイル、アクセント、話速を調整できます。(aistudio.google.com) ナレーシ…
Google Gemini 2.5 Pro シリーズのプレビュー版テキスト音声合成モデル。高品質で制御可能な音声合成を目的としており、比較的複雑な音声生成プロンプトの処理に適している。(blog.google) テキストを受け取り、音声を生成する。単一話者の音声と二人の対話をサポートする。(aistudio.google.com) 自然言語のプロンプトを通じて、音声のスタイル、イントネーション、感…
Gemini 2.5 Flash Preview は、Google が 2025 年 5 月 20 日にリリースしたプレビュー版モデルで、速度、コスト、推論能力を兼ね備えた高効率モデルとして位置付けられています。Google は、以前のバージョンと比べ、推論、マルチモーダル、コード、長いコンテキストのベンチマークで改善が見られたと報告しています。(blog.google) 推論と制御:思考予算に対…
Tencent Hunyuan TurboSシリーズの大規模言語モデルのバージョンで、汎用的なテキストおよび推論タスクを対象としています。このバージョンは、長短の思考連鎖を適応的に融合します。(cloud.tencent.com) 公式によると、従来のバージョンと比べて、このバージョンでは数学、コード、論理、科学などの理系能力が向上し、文系分野の性能は維持されています。数学や論理の問題分析、コード…
hunyuan-t1-vision は、テンセント混元のマルチモーダル理解・深層思考モデルです。Tencent Cloud の製品動向によると、正式版は 2025 年 5 月 16 日にリリースされました。(cloud.tencent.com) このモデルはマルチモーダルネイティブの長い思考連鎖に対応し、画像推論を得意とします。公式によると、理系の難問における性能は、高速思考モデルと比べて向上して…