Gemini 2.5 Flash Preview Native Audio Dialog
Google Gemini 2.5 Flash 系列的预览模型,面向 Live API 实时对话,具备原生音频输出能力。它与单独发布的 Thinking 变体及文本转语音模型不是同一模型。(aistudio.google.com) 理解音频并生成语音,可用于构建实时语音助手和对话应用;Live API 还提供音视频输入能力。(blog.google) 可按指示调整语音风格、语速和口音;支持工具使用…
模型发布档案
聚合模型发布动态,按发布时间浏览,发现值得关注的新模型。
Google Gemini 2.5 Flash 系列的预览模型,面向 Live API 实时对话,具备原生音频输出能力。它与单独发布的 Thinking 变体及文本转语音模型不是同一模型。(aistudio.google.com) 理解音频并生成语音,可用于构建实时语音助手和对话应用;Live API 还提供音视频输入能力。(blog.google) 可按指示调整语音风格、语速和口音;支持工具使用…
Gemini 2.5 Flash Preview TTS 是 Google 的预览版文本转语音模型,侧重低延迟、性价比和可控语音生成。其输入为文本,输出为音频。(aistudio.google.com) 可生成单人或双人语音,并通过指令调整语音风格、口音和语速。(aistudio.google.com) 可用于旁白、有声读物、播客、对话内容及语音助手等场景。(aistudio.google.com…
Google Gemini 2.5 Pro 系列的预览版文本转语音模型,面向高质量、可控制的语音合成,适合处理较复杂的语音生成提示。(blog.google) 接收文本并生成音频,支持单人语音和双人对话。(aistudio.google.com) 可通过自然语言提示调整语音风格、语调、情绪、语速和发音;支持多语言语音生成。(blog.google) 可用于公告、故事朗读、播客和游戏角色配音等场景。…
Gemini 2.5 Flash Preview 是 Google 于 2025 年 5 月 20 日发布的预览版模型,定位为兼顾速度、成本和推理能力的高效率模型。与此前版本相比,Google 报告其在推理、多模态、代码和长上下文基准上有所改进。(blog.google) 推理与控制:支持思考预算,开发者可在质量、延迟和成本之间进行权衡,也可关闭思考;Gemini API 和 Vertex AI…
腾讯混元 TurboS 系列的大语言模型版本,面向通用文本与推理任务。该版本自适应融合长短思维链。(cloud.tencent.com) 官方称,相较此前版本,本版本提升了数学、代码、逻辑和科学等理科能力,文科效果维持。可用于数学与逻辑问题分析、代码相关任务及科学问题解答。官方公布的测试结果包括:数学 OOD 测试集提升 7%、逻辑难题提升 5%、代码能力及体验提升 5%、科学提升 8%;这些是官…
codex-1 是 OpenAI 针对软件工程优化的 o3 版本,为云端编码智能体 Codex 的首发研究预览版提供支持。它使用多种环境中的真实编码任务进行强化学习训练,以遵循指令并生成符合人类编码风格和代码审查偏好的代码。(openai.com) 编写功能、修复错误、回答代码库问题,并提出供审查的 GitHub 拉取请求。 在独立的云端沙箱中读取和编辑文件,运行测试、代码检查工具和类型检查器;可…
hunyuan-t1-vision 是腾讯混元的多模态理解深度思考模型。腾讯云产品动态记载,其正式版于 2025 年 5 月 16 日发布。(cloud.tencent.com) 模型支持多模态原生长思维链,擅长图片推理;官方称其在理科难题上的表现相较快思考模型有所提升。它可用于图文理解和基于图片的推理任务。(cloud.tencent.com) 发布公告未给出该正式版的上下文窗口、图片数量或分辨…
Qianfan-Sug 是百度千帆平台自研的对话预测垂直模型,面向多轮对话中的下一轮问题推荐。百度将其列为推理服务 API V2 的文本生成模型。(ai.baidu.com) 模型根据已有对话上下文识别用户意图,推测用户接下来可能提出的问题,可用于智能客服、电商等场景,为用户提供后续问题建议。(ai.baidu.com) 该模型的定位是对话预测和问题推荐;预测结果并不保证与用户的实际下一次提问一致…
Wan2.1-VACE-Plus 是万相 2.1 的视频创作与编辑统一模型,接受文本、图像和视频等条件输入,输出视频。官方公告将其列为视频生成模型。(help.aliyun.com) 支持视频局部编辑、视频重绘、画面扩展、视频时长延展和图片参考生成。 可用于修改或替换视频中的局部元素、扩展画面边界,以及参考图像或视频的内容与动态特征生成视频。(help.aliyun.com) 2.1 版 API…
Seedance 1.0 lite 的图生视频版本,是字节跳动面向效率和成本优化的小参数量视频生成模型。该 API ID 对应图生视频;同系列文生视频使用另一模型 ID。(docs.volcengine.com) 根据输入图片生成视频,可结合文本提示;支持首帧或首尾帧控制。BytePlus 历史模型资料还列出使用 1–4 张参考图生成视频的方式。(developer.volcengine.com)…
Seedance 1.0 lite 的文生视频版本,是面向生成速度与成本优化的小参数量视频生成模型。输入文字提示词及可选参数,输出视频;图生视频使用独立的 I2V 版本。(developer.volcengine.com) 根据文字描述生成视频,可通过提示词描述人物、动作和运镜。官方介绍了环绕、航拍、变焦、平移、跟随和手持等镜头语言。(developer.volcengine.com) 发布时公布…
千问实时全模态理解与生成模型的 2025 年 5 月 8 日快照版本,面向实时音频交互。(docs.modelstudio.console.alibabacloud.com) 支持文本、图像、视频和音频输入,可理解音频伴随其他模态的混合输入。 支持同时流式生成文本和语音,提供 4 种自然对话音色。 适用于实时语音助手、多模态对话等交互场景。(help.aliyun.com) 官方此前的模型资料列示…
Google 于 2025 年 5 月 7 日发布的 Gemini 2.0 Flash 图像生成预览模型,面向开发者构建对话式图像生成和编辑应用。发布时可通过 Google AI Studio 和 Vertex AI 使用。(developers.googleblog.com) 根据文本提示生成图像,并可在响应中结合文本和图像。 通过对话编辑图像,例如修改图像的特定部分;官方还展示了协作绘图、产品…
Google 于 2025 年 5 月 6 日提前发布的 Gemini 2.5 Pro 预览更新,重点增强编程能力,尤其是交互式网页应用和前端界面开发。(blog.google) 支持代码生成、转换和编辑,以及复杂的智能体工作流;Google 同时报告改进了函数调用的触发率并减少了调用错误。(developers.googleblog.com) 具备多模态推理、视频理解和长上下文能力。官方示例包括…
kimi-thinking-preview 是 Moonshot AI 发布的长思考模型预览版。官方将其描述为具备多模态推理和通用推理能力的模型,擅长深度推理,可用于处理复杂代码、数学和工作问题。公告未详细列明全部支持的模态及其接口规格。(platform.kimi.com) API 响应使用 reasoning_content 返回思考内容,使用 content 返回回答;流式输出中思考内容先于…
DeepSeek-Prover-V2-7B 是面向 Lean 4 形式化定理证明的 7B 参数模型,基于 DeepSeek-Prover-V1.5-Base 构建,支持最长 32K token 上下文。官方已提供模型权重下载,使用须遵守模型许可证。(huggingface.co) 模型可根据形式化定理陈述生成证明计划和 Lean 4 证明代码,适用于数学证明探索、子目标证明搜索及形式化推理研究。官…
DeepSeek-Prover-V2-671B 是面向 Lean 4 形式化定理证明的数学推理模型,基于 DeepSeek-V3-Base 训练,与 DeepSeek-V3 使用相同架构。官方提供模型权重下载,使用须遵守模型许可证。(github.com) 可根据形式化定理生成证明计划和 Lean 4 证明代码,适用于数学定理证明、证明辅助及形式化推理研究。 训练方法结合子目标分解、形式证明数据和…
aitryon-plus 是阿里云百炼的虚拟试衣图片生成模型,于 2025 年 4 月 28 日上架。(docs.bailian.console.aliyun.com) 模型以服饰平拍图片和人物正面全身照为输入,生成相应的试衣效果图片。官方称,相比 aitryon,Plus 版本改善了图片清晰度、服饰纹理细节及 logo 还原效果,适合对生成时效要求不高的虚拟试衣场景。(docs.bailian.…
基于 Qwen-VL 训练的视觉理解与 OCR 模型,使用统一模型处理图文识别、解析和处理任务。该版本是 2025 年 4 月 13 日的快照。(docs.bailian.console.aliyun.com) 内置六类任务:通用识别、文档解析、表格解析、信息抽取、多语言识别和公式识别。可用于从文档、表格及其他图片中提取和整理文字信息。(docs.bailian.console.aliyun.co…
腾讯发布的 3D 内容生成模型,面向需要创建高精度、带纹理三维资产的创作者和开发者。技术报告将其描述为采用形状生成和纹理生成两阶段流程的 3D 扩散模型体系。(arxiv.org) 支持通过文字提示或图片生成 3D 模型,并支持使用多个视角图片生成模型及 PBR 材质。(cloud.tencent.com) 官方称模型总参数量由前代的 1B 提升至 10B,有效面片数增加超过 10 倍,有效几何分…