Veo 3.1 Preview
Veo 3.1 Preview 是 Google 的视频生成模型预览版,面向创意叙事和视频制作。它接收文本及图像输入,生成带原生同步音频的视频,可用于短片、产品展示和创意内容制作。(aistudio.google.com) 支持文本生成视频、图像生成视频、首尾帧控制和参考图像引导;Veo 3.1 也支持视频延长。具体功能和参数可能随平台及版本而异。(docs.cloud.google.com) 可…
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。
Veo 3.1 Preview 是 Google 的视频生成模型预览版,面向创意叙事和视频制作。它接收文本及图像输入,生成带原生同步音频的视频,可用于短片、产品展示和创意内容制作。(aistudio.google.com) 支持文本生成视频、图像生成视频、首尾帧控制和参考图像引导;Veo 3.1 也支持视频延长。具体功能和参数可能随平台及版本而异。(docs.cloud.google.com) 可…
Qwen3-VL-Flash 是 Qwen3 系列小尺寸视觉理解模型,面向兼顾响应速度与多模态理解的任务,支持思考和非思考模式。官方公告称,其效果优于开源版 Qwen3-VL-30B-A3B;这是官方对比结论。(help.aliyun.com) 接收文本、图像和视频输入,生成文本输出,可用于图像问答、视频内容理解和长文档分析。 支持空间感知、对象识别及视觉 2D/3D 定位,适合需要视觉理解与推理…
腾讯混元的多语言文本翻译模型,API 调用名为 hunyuan-translation。本条对应官方于 2025-10-14 公告的模型版本更新;该模型此前已于 2024-10-25 推出。(cloud.tencent.com) 官方称支持 33 种语言互译和 5 种民族语言互译,覆盖简体中文、繁体中文、粤语、英语、日语、法语、德语、阿拉伯语、藏语、维吾尔语等。完整语种及代码见翻译 API 文档。…
Gemini 2.5 Computer Use 是基于 Gemini 2.5 Pro 的视觉理解和推理能力构建的专用智能体模型,主要面向浏览器图形界面操作。Google 于 2025 年 10 月 7 日宣布公开预览,最初通过 Gemini API 和 Vertex AI 提供。(blog.google) 接收文本和图像输入,输出文本及界面操作的函数调用;官方模型文档列出输入上限为 128,000…
GPT Image 1 mini 是 GPT Image 1 的经济型版本,是原生多模态模型,面向成本敏感的图像生成和编辑任务。(developers.openai.com) 接收文本和图像输入,输出图像;可根据文本提示生成图片,也可结合输入图片进行编辑。 可通过图像生成和编辑 API 使用,适用于需要在应用中创建或修改图片的场景。(developers.openai.com) 文本仅支持输入,不…
GPT-Audio mini 是 GPT Audio 的低成本版本,面向语音输入和输出。OpenAI 于 2025 年 10 月 6 日宣布发布该模型,以提供更具成本效益的语音到语音能力。(developers.openai.com) 支持文本和音频输入、输出,可用于构建语音交互和语音助手应用;模型文档列出 Chat Completions REST API 的使用方式。 模型文档列出的上下文窗口…
GPT-Realtime mini 是 GPT-Realtime 的成本效率版本,面向实时语音到语音交互。OpenAI 于 2025 年 10 月 6 日公布该模型。(developers.openai.com) 支持文本和音频输入与输出,也支持图像输入;可通过 WebRTC、WebSocket 或 SIP 连接进行实时交互。…
Gemini 2.5 Flash Image(也称 Nano Banana)是 Google 面向图像理解、生成和编辑的多模态模型,侧重速度、灵活性与成本效率。(docs.cloud.google.com) 支持文本和图像输入、文本和图像输出,以及文图交错输出;可按文本指令生成或编辑图像。(docs.cloud.google.com) 支持多张参考图生成、图像宽高比控制、仅图像响应和多轮图像编辑,…