模型發布檔案

最新發布模型

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。

按發布時間倒序7 種語言
清除

292 個模型

按發布時間倒序
MiniMax

VTP-Small-f16d64

VTP-Small-f16d64 是 VTP 視覺 tokenizer 預訓練框架的 Small 版本,主要用於影像特徵擷取、影像重建,以及為下游生成模型提供視覺潛在表示。該研究由華中科技大學與 MiniMax 的研究人員共同完成;官方模型頁標示模型規模約為 0.2B 參數。(github.com) 結合圖文對比、自監督與重建學習,訓練可用於視覺理解和生成的表示。(github.com) 可將影像…

了解模型繁體中文
Alibaba

Qwen-Image-Edit-Plus

通義千問 Image Edit Plus 圖像編輯模型的 2025 年 12 月 15 日快照版本,用於根據文字指示編輯參考圖片並產生圖片。(docs.modelstudio.console.alibabacloud.com) 相較於 2025 年 10 月 30 日快照,此版本提升了角色一致性、工業設計與幾何推理能力,整合打光等 LoRA 能力,並減輕偏移問題。可用於角色一致性調整、產品設計與圖…

了解模型繁體中文
Alibaba

Wan2.6-Image

Wan2.6-Image 是阿里巴巴萬相系列的圖像生成與編輯模型,支援圖文一體化推理與生成。官方發布紀錄將 wan2.6-image 列於 2025 年 12 月 15 日。(docs.modelstudio.console.alibabacloud.com) 接受文字及圖像輸入,可輸出圖像與文字;支援多圖融合、圖像編輯、風格遷移、主體一致性生成,以及構圖和光影控制。適合商業視覺素材製作、圖像改編…

了解模型繁體中文
Alibaba

Wan2.6-T2I

Wan2.6-T2I 是通義萬相 2.6 系列的文字生成圖像模型,透過文字提示產生圖片。官方公告稱其提升了視覺品質、美感與指令遵循能力,支援風格控制、寫實人像及長文字理解,可用於插畫、人物圖像和其他視覺創作。(docs.modelstudio.console.alibabacloud.com) 支援中英文提示詞、反向提示詞、尺寸設定和 PNG 圖像輸出。圖像總像素須介於 1280×1280 與 1…

了解模型繁體中文
Alibaba

Qwen Voice-Design

Qwen Voice-Design 是通義千問語音模型系列中的聲音設計模型。阿里雲模型更新公告將其列於 2025 年 12 月 12 日,服務部署範圍標示為國際。(docs.modelstudio.console.alibabacloud.com) 輸入自然語言描述即可設計自訂音色,無須提供音訊樣本;適合角色配音、創意內容製作和語音原型設計。(help.aliyun.com) 與…

了解模型繁體中文
Google

Gemini 2.5 Flash Native Audio Preview

Google 於 2025 年 12 月 12 日發布的 Live API 原生音訊預覽模型,面向低延遲的即時語音與視訊互動。官方表示,此版本改善了處理複雜工作流程的能力。(aistudio.google.com) 可接收連續的音訊、影片或文字輸入,並輸出音訊與文字,適合即時語音助理、對話介面及視訊互動應用。 支援音訊生成、函式呼叫、Google 搜尋 grounding、思考及 Live API…

了解模型繁體中文
Zhipu AI

GLM-TTS

GLM-TTS 是面向實際應用的文字轉語音系統:輸入文字,輸出語音。智譜已公開模型權重,亦提供 BigModel API。(zhipuai.cn) 可依文字內容表達情緒與語調;官方展示了不同情緒及中文口音的合成效果,並稱可使用約 3 秒參考音訊複製音色。(zhipuai.cn) 開源實作支援零樣本語音複製、中英文混合文字處理,以及透過混合音素與文字輸入控制特定字詞發音;API 文件提供串流呼叫範例…

了解模型繁體中文
Zhipu AI

GLM-ASR-Nano-2512

GLM-ASR-Nano-2512 是面向複雜真實場景的開源自動語音辨識模型,將音訊轉寫為文字。官方標示參數規模為 15 億;此數字不包括用作特徵擷取的 Whisper V3 音訊編碼器。模型卡標示採用 MIT 授權。(zhipuai.cn) 支援普通話、英語,並針對粵語及其他方言、低音量與輕聲語音進行最佳化;官方稱有 17 種語言達到其高可用性標準。(github.com) 適合語音轉文字、會議…

了解模型繁體中文
Alibaba

Qwen3-Omni-Flash

Qwen3-Omni-Flash 是基於 Thinker–Talker 混合專家(MoE)架構的原生多模態模型。本模型 ID 是 2025-12-01 的快照版本;阿里雲發布紀錄將其列於 2025-12-04。(help.aliyun.com) 接受文字、圖片、音訊及影片輸入,輸出文字與音訊;官方稱支援 119 種語言的文字互動及 20 種語言的語音互動。 可遵循指令並透過系統提示調整對話風格,適…

了解模型繁體中文
Alibaba

Qwen3-Omni-Flash-Realtime

Qwen3-Omni-Flash 的即時全模態版本,採用 Thinker–Talker 混合專家(MoE)架構。官方於 2025 年 12 月 4 日公布此版本;模型 ID 中的 2025-12-01 不應視為公告日期。(docs.modelstudio.console.alibabacloud.com) 可理解文字、圖片、音訊及影片,並產生文字與語音;官方稱支援 119 種語言的文字互動及 20…

了解模型繁體中文
DeepSeek

DeepSeek-V3.2-Speciale

DeepSeek-V3.2-Speciale 是 DeepSeek-V3.2 的長思考增強版本,結合 DeepSeek-Math-V2 的定理證明能力,著重探索高難度推理的能力邊界,主要供研究與評測使用。模型權重以 MIT 授權釋出。(deepseek.com) 適合複雜數學問題、嚴謹證明、邏輯驗證及程式設計等深度推理任務。 官方表示,模型在推理基準測試上的表現可與 Gemini-3.0-Pro…

了解模型繁體中文
DeepSeek

DeepSeek-V3.2

DeepSeek-V3.2 是於 2025 年 12 月 1 日發布的通用大型語言模型,為 DeepSeek-V3.2-Exp 的正式後繼版本,著重平衡推理能力、運算效率與智慧代理任務表現。模型以文字為輸入與輸出;模型權重以 MIT 授權釋出。(deepseek.com) 支援思考與非思考模式,並可在兩種模式下使用工具;思考模式可將推理整合至工具使用流程。(deepseek.com) 採用…

了解模型繁體中文