模型发布档案

最新发布模型

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。

按发布时间倒序7 种语言
清除

314 个模型

按发布时间倒序
Google

Nano Banana Pro (Gemini 3 Pro Image)

Nano Banana Pro 是 Google 发布的 Gemini 3 Pro Image 图像生成与编辑模型,面向需要复杂指令理解、文字渲染和高质量视觉素材的任务。官方公告发布日期为 2025 年 11 月 20 日。(blog.google) 根据文本和参考图片生成或编辑图像,可用于信息图、示意图、营销素材、产品概念图和视觉设计。 支持在图片中渲染多语言文字,以及通过指令调整视觉效果;可使…

了解模型简体中文
Alibaba

Qwen-VL-OCR

Qwen-VL-OCR 是面向图文识别、解析和处理的视觉语言 OCR 模型。qwen-vl-ocr-2025-11-20 是基于 Qwen-VL3 架构的固定快照版本;官方称其文档解析和文字定位能力得到提升,端到端延迟和幻觉有所降低。模型接受文本和图像输入,输出文本。(help.aliyun.com) 支持通用文字识别、多语言识别、文档解析、文字定位、信息抽取、表格解析和公式识别,也支持图像旋转校…

了解模型简体中文
Alibaba

Qwen-MT-Lite

Qwen-MT-Lite 是基于 Qwen3 的基础级多语言文本翻译模型,侧重低延迟和低成本。阿里云官方上架公告日期为 2025-11-19。(help.aliyun.com) 输入和输出均为文本;支持术语定制、格式保留和领域提示,适合实时聊天、弹幕等延迟敏感的翻译场景。(platform.qianwenai.com) 上架公告称支持 32 个语种互译;另一份翻译文档列出 31 种语言,两份官方资…

了解模型简体中文
Google

Gemini 3 Pro

Gemini 3 Pro 是 Google 于 2025 年 11 月 18 日发布的预览版多模态推理模型,面向复杂推理、编程和智能体工作流。(blog.google) 支持文本、图像、视频、音频和 PDF 输入,输出为文本;输入上限为 1,048,576 tokens,输出上限为 65,536 tokens。 支持思考、函数调用、代码执行、结构化输出、文件搜索、Google 搜索增强、URL 上…

了解模型简体中文
Google

Veo 3.1 Fast

Veo 3.1 Fast 是 Google Veo 3.1 系列中侧重较快生成速度的视频生成模型,适合标准视频制作流程和快速迭代。(cloud.google.com) 支持根据文本或图片生成视频,也支持使用首尾帧、参考图片和视频延长功能。 支持生成声音,可用于制作带同步语音或音效的视频;支持 Content Credentials(C2PA)。…

了解模型简体中文
Google

Veo 3.1

Veo 3.1 是 Google 的视频生成模型。veo-3.1-generate-001 是其标准生成版本,而非 Fast 版本。Google Cloud 官方文档将该版本标为正式版(GA)。(docs.cloud.google.com) 支持根据文本或图片生成视频,也支持使用首尾帧、参考图片及视频延长功能。 支持生成声音,可用于制作带同步语音或音效的视频。 可用于短视频创作、视觉概念展示和视频…

了解模型简体中文
Alibaba

CosyVoice-v3-Flash

CosyVoice-v3-Flash 是阿里巴巴通义实验室 CosyVoice 系列的语音合成与声音复刻模型,通过阿里云百炼提供推理服务。其主要输入为文本,输出为音频。(help.aliyun.com) 支持文本转语音及实时流式合成;官方称其相较前代改善了自然度、音质、韵律和情感表现力。 支持通过参考录音复刻声音;官方公告称可使用 5–20 秒参考音频生成定制声音。当前接入指南建议录音时长为 10…

了解模型简体中文
Alibaba

Qwen3-ASR-Flash-Filetrans

Qwen3-ASR-Flash 的大文件转录版本,本模型 ID 是 2025 年 11 月 17 日的快照版本。输入为音频,输出为文本,面向非实时、多语种语音识别。(help.aliyun.com) 可自动判断语种并转录多语种语音,包括中文普通话、部分中文方言、英语、日语等;官方称其可应对复杂音频环境。(help.aliyun.com) 适合长录音转写,例如会议、访谈或音视频内容整理。 非实时…

了解模型简体中文
Baidu

ERNIE 5.0 Preview

ERNIE 5.0 Preview 是百度 ERNIE 5.0 原生全模态基础模型的预览版本。百度于 2025 年 11 月 13 日在 Baidu World 2025 公布该模型及预览版。(prnewswire.com) 百度称,ERNIE 5.0 统一建模文本、图像、音频和视频,面向多模态理解与生成;其能力包括指令遵循、创意写作、事实性推理、智能体规划和工具使用。可用于多模态内容理解、内容创…

了解模型简体中文
Zhipu AI

WebVIA-Agent

WebVIA-Agent 是 WebVIA 框架中的网页探索视觉语言模型,基于 GLM-4.1V-9B-Base,面向可交互、可验证的 UI 转代码流程。(huggingface.co) 结合网页截图和 DOM 树识别需要交互的组件,辅助网站导航和多状态 UI 截图采集。 可用于为网页界面重建与交互测试准备素材。完整流程中,交互式 HTML/CSS/JavaScript 的生成由独立的…

了解模型简体中文
Alibaba

GUI-Plus

GUI-Plus 是面向手机和电脑图形界面理解与交互的 GUI 系列基础模型。阿里云官方发布记录将其列为视觉理解模型,发布日期为 2025 年 11 月 12 日。(help.aliyun.com) 接收文本和图像输入,输出文本;可根据屏幕截图和自然语言指令生成点击、输入、滚动等界面操作指令,由外部系统决策或执行。(help.aliyun.com) 支持跨平台界面理解、多步任务规划、跨应用复杂任务…

了解模型简体中文
Zhipu AI

UI2Code^N

UI2Code^N 是面向用户界面代码生成的视觉语言模型,基于 GLM-4.1V-9B-Base,经过分阶段预训练、微调和强化学习。官方模型卡提供模型权重,标注许可为 MIT;Hugging Face 仓库标识为 zai-org/UI2Code_N,并非已核实的 API 模型 ID。(huggingface.co) UI 生成:根据界面截图生成前端代码初稿,可用于设计稿或网页截图还原。 UI 编辑…

了解模型简体中文
Alibaba

Fun-ASR-Realtime

Fun-ASR-Realtime 是通义实验室端到端语音识别模型的实时版本,将流式语音转写为文本。本条目是 2025-11-07 快照。(help.aliyun.com) 支持上下文感知、大规模自定义热词、敏感词和语气词过滤、逆文本规范化(ITN)与标点预测。 支持中英文切换及多地区中文方言识别;官方文档还列有日语等语言。具体语言覆盖可能因地域和文档版本而异。 可用于会议记录、直播字幕和客服语音转…

了解模型简体中文
Moonshot AI

Kimi K2 Thinking

Kimi K2 Thinking 是 Moonshot AI 于 2025 年 11 月 6 日发布的开源思考模型,定位为能够交替进行推理和工具调用的智能体模型。官方发布公告:Kimi K2 Thinking 模型发布并开源。(platform.kimi.com) **推理与工具使用:**模型可在多步骤推理中调用工具。官方称其在相应任务设置下可连续执行约 200–300 次工具调用,适合多步骤研究…

了解模型简体中文