Gemini Robotics On-Device 2
Gemini Robotics On-Device 2 是針對機器人本地運行最佳化的視覺-語言-動作(VLA)模型,旨在支援通用機器人操作。模型架構基於端側 Gemma 模型與 Gemini Robotics 1.5 技術。(deepmind.google) **輸入與輸出:**接收文字指令、影像和以數值表示的機器人本體感測資訊,輸出以數值表示的機器人動作。(deepmind.google) **…
模型發布檔案
彙整模型發布動態,按發布時間瀏覽,探索值得關注的新模型。
Gemini Robotics On-Device 2 是針對機器人本地運行最佳化的視覺-語言-動作(VLA)模型,旨在支援通用機器人操作。模型架構基於端側 Gemma 模型與 Gemini Robotics 1.5 技術。(deepmind.google) **輸入與輸出:**接收文字指令、影像和以數值表示的機器人本體感測資訊,輸出以數值表示的機器人動作。(deepmind.google) **…
Gemini Robotics ER 2 Streaming Preview 是面向機器人具身推理的視覺語言模型端點,針對透過 Gemini Live API 進行低延遲、即時文字串流而最佳化,屬於公開預覽版。(aistudio.google.com) 支援文字、圖片、影片和音訊輸入,輸出文字;支援雙向串流、函式呼叫、搜尋參照及思考。輸入上限為 131,072 個 token,輸出上限為 65,5…
Gemini Robotics ER 2 Preview 是面向機器人的具身推理視覺語言模型預覽版,基於 Gemini 3.5 Flash,旨在提供空間、時間與物理環境推理。Google 於 2026 年 7 月 30 日宣布公開預覽。(aistudio.google.com) 接受文字、圖片、影片及音訊輸入,輸出文字;輸入上限為 131,072 tokens,輸出上限為 65,536…
Gemini Robotics 2 是 Google DeepMind 開發的視覺-語言-動作(VLA)模型,將視覺與語言輸入轉換為機器人動作控制,支援雙臂機器人及人形機器人的全身控制。Google 於 2026 年 7 月 30 日公布。(deepmind.google) **全身操作:**可協調人形機器人行走、蹲下、伸展及搬運物品;官方示範包括從桌面取物後放入較低層的置物箱。(deepmind…
非即時自動語音辨識(ASR)模型,輸入音訊、輸出文字,適合短音訊轉寫。它與即時串流的 Streaming 版本及長檔案轉寫的 Filetrans 版本是不同模型。(alibabacloud.com) 支援中文、英文、日文、韓文等共 30 種語言,以及官話、吳、湘、贛、客、閩、粵七大漢語方言群和 20 多種地區口音。 支援預編譯熱詞、即時熱詞及上下文輸入,可改善專業詞彙辨識;強化古詩詞辨識、標點預測…
Alibaba 的非即時語音辨識模型,專為完整音訊或影片檔案的非同步轉寫設計;輸入為音訊,輸出為文字。適合長錄音及背景檔案處理,而非即時串流辨識。(docs.qwencloud.com) 支援中文、英語、日語、韓語等多種語言,以及多種中文方言和地區口音。 支援熱詞及上下文增強、說話人分離、時間戳、標點預測和文字正規化;官方公告亦提及對古詩詞辨識的優化。(alibabacloud.com) 可用於會…
通義實驗室開發的即時串流語音辨識模型,面向低延遲、高併發互動;輸入音訊,輸出轉寫文字。推理服務由阿里雲百鍊提供。(help.aliyun.com) 支援邊說邊轉寫、上下文增強,以及預編譯和即時熱詞,以改善專業詞彙辨識。 官方公告稱支援中文、英文、日文、韓文等 30 種語言,以及中文七大方言和 20 多種地區口音;並強化古詩詞辨識、標點預測和數字、日期、金額的文字正規化。 適用於即時會議轉寫、字幕、…