Hy-Nomas
Hy-Nomas 是腾讯发布的自由形式交互式视频世界生成模型,使用约 80 亿参数的扩散模型骨干,支持多轮文本指令和连续摄像机控制。它生成的是视频形式的世界内容,不应等同于可编辑的三维场景资产。(arxiv.org) 通过逐段自回归生成视频,并利用缓存的历史信息维持跨片段一致性;可用文本描述物体、风格、场景和动作,也可结合摄像机轨迹控制画面。(github.com) 官方提供交互式网页演示、训练与…
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。
Hy-Nomas 是腾讯发布的自由形式交互式视频世界生成模型,使用约 80 亿参数的扩散模型骨干,支持多轮文本指令和连续摄像机控制。它生成的是视频形式的世界内容,不应等同于可编辑的三维场景资产。(arxiv.org) 通过逐段自回归生成视频,并利用缓存的历史信息维持跨片段一致性;可用文本描述物体、风格、场景和动作,也可结合摄像机轨迹控制画面。(github.com) 官方提供交互式网页演示、训练与…
MiniMax M3.1 Flash 是面向智能体工作流、编程、计算机操作和网络安全任务的原生多模态混合专家模型。官方称,匿名模型 Space Bunny 是其早期版本。模型于 2026 年 10 月 19 日发布。(minimax.io) 支持文本、图像和视频输入,输出文本;上下文窗口最高为 100 万 token。模型约有 4280 亿总参数,每个 token 激活约 230…
DeepSeek-V4.1-Flash 的一次版本更新,是支持原生图像理解的多模态模型,面向推理、编程和智能体任务。官方于 2026 年 10 月 17 日发布该版本,同步更新网页端、App 和 API;API 模型 ID 为 deepseek-flash。(api-docs.deepseek.com) 官方模型卡称,相较上一版本,该模型在推理、编程、智能体任务和视觉基准测试中有所提升,同时缩短了…
GPT-Live-1.1 Quip 是 GPT-Live-1.1 的小型语音模型版本,也是 GPT-Live-1 mini 的后继模型。OpenAI 将其定位为 Plus 及更高套餐以外用户的默认语音模型。(help.openai.com) 支持全双工语音交互:可以持续聆听和回应,根据停顿、打断及语速变化决定继续听取或作答,适合自然语音对话。(deploymentsafety.openai.com…
Hy-Memory-30B-A3B 是腾讯混元开发的长期记忆写入专用模型,面向外部记忆系统中的信息提取与状态更新,而非单纯以通用聊天为目标。模型总参数约 30B,每次推理激活参数约 3B。(huggingface.co) 判断对话或任务中哪些信息值得保留,将其表示为记忆,并根据新证据更新持久记忆。 可替换 Mem0、MemOS 和 Hy-Memory 等框架中的通用记忆写入模型,应用于聊天、工作和…
GPT-Live-1.1 是 OpenAI 的实时语音模型,继承自 GPT-Live-1,面向更自然的双向语音交互。GPT-Live-1.1 Quip 是另外的迷你版本,不应与本模型混同。(deploymentsafety.openai.com) 2026 年 10 月 15 日。OpenAI 当日宣布在 ChatGPT Voice 中推出该模型及 Quip 版本。(help.openai.com…
Google 的前沿多模态推理模型,面向复杂、长期、多步骤的专业任务。Google Cloud 官方公告发布于 2026 年 10 月 13 日,宣布该模型在 Google Cloud 上提供。(cloud.google.com) 支持文本输入和输出,以及图像、音频和视频输入。适合多模态文档分析、视觉理解、复杂工程、软件开发、金融与法律分析、科学推理和网络安全防御。(docs.cloud.goog…
GLM-Legal 是面向法律专业工作的领域模型,基于 GLM-5.3-Flash 底座,侧重法律推理和多步骤法律工作流。官方介绍了法律语料中期训练,以及在模拟法律环境中通过强化学习与智能体运行框架协同优化的方法。(z.ai) 理解和分析法律材料,组织事实、规则与论证,辅助起草法律文书。 用于合同审查、证据分析、案件准备和跨境合规规划等任务。 配合 AutoClaw 及其工具,可结合专业数据库和用…
面向低延迟实时交互的文本转语音模型,由阿里云百炼提供推理服务;输入为文本,输出为音频。(docs.qwencloud.com) 支持多种语言和方言、流式语音合成,以及通过自然语言指令和细粒度标签控制情绪、语气、角色、语速和音量。 支持声音复刻;官方称其对参考音频中的噪声和混响具有更强的鲁棒性。 适用于语音助手、实时对话和智能客服等场景。(docs.qwencloud.com) 官方模型资料未列出最…
Qwen-Image-2.1-Turbo 是 Qwen-Image-2.1 的加速版本,统一支持文本生成图像和图像编辑。其视觉生成组件采用 70 亿参数架构,官方推荐的生成流程使用 8 个去噪步骤;模型权重可用于本地部署,也可通过阿里云百炼 API 调用。(huggingface.co) **输入与输出:**接受文本和图像输入,输出图像;支持文生图、图生图和图像编辑。图像编辑最多可传入 10 张参…
GPT-6 Luna 是 OpenAI 面向日常对话及成本敏感、高吞吐量任务的高效率模型。输入所指的 GPT-6 Luna (October) 对应 2026 年 10 月 7 日的 ChatGPT 公告;公告称,Free 和 Go 用户的聊天体验使用经过日常对话调优的 Luna,并计划从 10 月 8 日开始向这两个档位推送。此前,OpenAI 已于 2026 年 9 月 22 日发布 Luna…
GPT-6 Sol(October)是面向 ChatGPT 日常对话的 GPT-6 Sol 版本。OpenAI 用发布月份区分该版本与此前用于 ChatGPT Work 和 Codex 的版本;2026 年 10 月 7 日的更新未改变 Work 和 Codex 所使用的模型。(deploymentsafety.openai.com) 在 ChatGPT 中支持 Intelligent UI:可根…
Claude Haiku 5.5 是 Anthropic 面向高吞吐量、低延迟和成本敏感任务的小型模型,可作为大型模型的子代理。官方公告发布日期为 2026 年 10 月 7 日。(anthropic.com) 接受文本和图像输入,输出文本;支持自适应思考,可通过 effort 参数调节思考深度。 上下文窗口为 100 万 token,常规最大输出为 128K token。 适用于摘要、分类、信息…
Gemini Nano Banana 2.1 是面向高效率图像生成和对话式编辑的多模态模型,是 Nano Banana 2 的更新版本。Google 宣布其于 2026 年 10 月 6 日正式发布(GA)。(aistudio.google.com) 接收文本、图片、视频和 PDF,输出图片和文本;支持多轮图像编辑。(aistudio.google.com) 支持 1K、2K、4K 图像生成,以及…
EmbeddingGemma 2 是 Google DeepMind 推出的轻量级、开放权重多模态嵌入模型,基于 Gemma 4 架构,面向手机、笔记本等消费设备上的本地推理。模型采用 Apache 2.0 许可证。官方公告发布日期为 2026 年 10 月 6 日。(blog.google) 将文本、代码、图像、视频、音频及其组合映射到统一的 768 维向量空间,支持 100 多种语言。(ai.…
Qwen-Image-2.1-Pro 是通义千问系列中统一的文生图与图像编辑模型,通过阿里云百炼提供推理服务。其视觉生成组件有 70 亿参数,采用 32 层单流 DiT 架构;该参数量不应理解为整个系统的总参数量。(docs.modelstudio.console.alibabacloud.com) 接受文本和图像输入,输出图像;支持文生图、图生图和图像编辑。 支持生成普通图像或带透明通道的…
Gemini 4 Argon 是 Google 面向复杂、长流程任务的前沿推理模型,采用稀疏混合专家(MoE)Transformer 架构,原生支持文本、视觉和音频输入。(storage.googleapis.com) 支持多步骤推理、软件工程、代码分析与修改、多模态文档理解,以及科学和数学问题求解。 可用于金融研究、法律文书与分析、企业知识工作和网络安全防御等场景。 Google…
Gemini 3.8 Flash-Lite TTS 是面向高吞吐量、低延迟和成本效率优化的文字转语音模型。Google 将其定位为 gemini-3.1-flash-tts-preview 的替代选择。(aistudio.google.com) 接收文本并生成语音,可用于批量音频制作、朗读、日常单人语音和实时语音代理级联。 支持预设语音、扩展语音库、自定义语音设计、语音复制和语音混合;语音复制涉及…
Google 的旗舰创意文字转语音模型,侧重高保真声音、富有表现力的演绎、地方口音以及长篇多轮语音的一致性。(aistudio.google.com) 将文本转换为单人或多人语音,可通过结构化元数据控制说话人和表达风格,并使用语音事件标签控制笑声、叹息和停顿等表现。 支持预设声音、扩展声音库、自然语言声音设计、经同意验证的声音复刻,以及声音混音。Google 的 Gemini API 模型页面列出…
腾讯混元的预览版图像生成模型,面向专业视觉内容创作。腾讯云 TokenHub 提供 API 接入。(cloud.tencent.com) 支持文生图、参考图生图和多轮图像编辑,可在消息中结合文本、参考图和历史上下文。(cloud.tencent.com) 支持外部搜索增强、自定义尺寸和生成种子等功能,可用于海报、UI 设计和商品图编辑。(cloud.tencent.com) 当前调用文档支持最高…