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…
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。
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…
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…
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…
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…
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…
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…
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…
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…
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…
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…