模型

Anthropic: Claude Sonnet 5.5 是 Anthropic 升级版的 Sonnet 级模型，性能强于 Claude Sonnet 5，同时运行速度提升超过 30%，且在许多工作负载下成本更低。它专为代理式编码、工具使用和日常专业任务而设计，非常适合开发人员和团队构建快速且功能强大的 AI 智能体。

专为音频和视频理解及内容分析而设计，支持文本、图像、音频和视频输入，并输出文本。Qwen: Qwen3.8-Omni-Flash

Meituan: LongCat-2.5-Preview 是一款预览版多模态模型，有图像理解能力，可用于跨模态问答、内容摘要和复杂的视觉推理。它在代码生成、代码理解和自动化编程任务中展现出强大的编程能力。该模型还针对 Claude Code、Hermes、OpenClaw、OpenCode 和 Kilo Code 等主流开发环境深度了优化。

Gemini 3.8 Flash Lite TTS 是 Google 开发的一款文本转语音模型，它是 Gemini 3.8 TTS 系列中与 Gemini 3.8 Flash TTS 一并推出的快速、高吞吐量成员。它适用于对话式语音代理管道、大批量朗读以及对延迟和成本比极致表现力更看重的语音复制工作负载。

Gemini 3.8 Flash TTS 是来自 Google 的一款文本转语音模型，也是 Gemini 3.1 Flash TTS Preview 的后续版本。它是 3.8 TTS 系列中的创意层级产品，适用于叙述、角色配音和多说话人对话等场景，在这些场景中，语音保真度、表演细腻程度以及地区方言覆盖范围比延迟更为重要。

OpenAI: GPT-6 Luna 是 OpenAI GPT-6 系列中快速且具成本效益的模型，定位低于 GPT-6 Sol。它适用于高并发和对延迟敏感的工作负载，例如聊天、分类和轻量级代理任务；在更高的推理工作量下，它能承担此前需要 Sol 级模型才能完成的复杂软件工程和计算机使用任务。它共享了 GPT-6 系列在事实可靠性方面的提升，以及更清晰、更简洁的沟通风格。

OpenAI: GPT-6 Sol 是 OpenAI GPT-6 系列中的高性价比高端模型，定位在旗舰级 GPT-6 Astra 之下、快速级 GPT-6 Luna 之上。它适用于要求严苛的专业工作、代理编码、业务工作流自动化及计算机使用，尤其擅长真实代码库中的长跨度软件工程任务。它以极低的成本实现了接近 Astra 级的可靠性，并在技术与编程对话中延续了 Astra 清晰、简洁的沟通风格。

Z.AI: GLM 5.3 Prime 是 Z.ai 旗下 GLM-5.3 的高速版本，在继承其完整能力的同时，通过推理加速实现了 1.5–2 倍的输出吞吐量提升。它支持 1M Token 上下文窗口和高达 128K 输出 Token 的文本输入输出，并针对编程和智能体工作负载优化了，包括长跨度多轮智能体编排、实时对话以及流式代码生成。

Anthropic: Claude Opus 5.5 是 Anthropic 旗下的旗舰模型，专为高要求的推理、编码和长周期智能体任务而设计，是 Claude Opus 5 的继任者。它在处理大型代码库的多步骤变更、代码审查与缺陷查找、金融与科学分析，以及解读密集型图表、示意图和截图方面表现尤为出色。与前代产品相比，它在引用数据和来源时更加严谨，确保仅陈述可证实的内容。

inclusionAI: Ming Image 0.1 Design 是一款来自 inclusionAI 的文本生成图像模型，专注于平面设计输出，并强调在生成图像中实现可读的文本渲染。该模型仅根据提示词生成，不接受参考图像。输出格式可请求为 PNG、JPEG 或 WebP。图像尺寸由模型决定而非由请求指定，所以不支持明确的尺寸和纵横比要求，系统将拒绝此类请求，而不会进行静默调整。

inclusionAI: Ming Image 0.1 Design Layer 是来自 inclusionAI 的一款以图生图模型，它能将扁平化的设计图像分解为独立的 RGBA 图层（例如背景层和前景元素），并为每个图层返回一张图像。该模型要求提供一张参考图像以及描述图层方案的提示词。输出格式可选择 PNG 或 WebP。输出尺寸将遵循输入图像的尺寸，所以不支持显式指定尺寸和长宽比，系统不会对其进行静默调整。

Tencent: Hy-Image-3.5-Preview 是腾讯推出的一款统一图像生成与编辑模型。它通过单一端点处理文生图、图生图以及多轮编辑任务，单次请求最多支持 20 张参考图，并可生成高达 4K 的图像。该模型基于 80B 参数的混合专家（MoE）架构 Hy Image 3.0 构建，在跨编辑保持主体一致性、精准遵循提示词构图以及在图像内渲染中英文文本方面表现尤为出色。

Xiaomi: MiMo-V2.6-Flash 是小米原生多模态基础模型，用来实现智能、效率与成本的最佳平衡。它支持长上下文推理以及涵盖编码、视觉理解、自动化和工具使用的智能体工作流，非常适合高吞吐量助手和生产级应用。

Xiaomi: MiMo-V2.6-Pro 是 Xiaomi 在 MiMo-V2.6 系列中最强大的开源模型，用来通过可验证的复杂任务扩展强化学习，这样实现更强的推理能力和更广的能力增长。它在 Artificial Analysis Intelligence Index 上实现了领先的开源性能，同时保持了与 V2.5 系列相同的 API 定价。该模型专为需要主流智能、高效率以及生产级性价比的用户而设计。

Xiaomi: MiMo-V2.6-Pro-UltraSpeed 是 Xiaomi MiMo-V2.6 系列中的超快速部署版本，专为需要极致生成速度同时保持相同输出质量的用户而设计。它基于 MiMo-V2.6 系列的原生全模态能力构建，适用于高吞吐量生成和复杂的模态推理工作负载。

xAI: Grok 4.7 是 xAI 迄今为止在编程和知识工作方面能力最强的模型，专为处理高难度任务而设计，能花费更多时间进行深入思考并更仔细地验证结果。它针对复杂的代理工作流、长上下文推理以及高可靠性输出优化了，适用于严苛的专业场景。

StepFun: Step 5 Preview 是 StepFun 面向实际任务的下一代旗舰级基础模型，专注于编程和专业知识工作。它原生支持文本、图像和视频输入，提供 1M token 的上下文窗口，非常适合需要处理大量信息、使用工具并推动任务达成可交付成果的工作流。

Z.AI: GLM 5.3 FlashX 是 GLM-5.3-Flash 的更快、更流畅版本，推理速度高达 200 tokens/s。Z.AI: GLM 5.3 FlashX 是 Z.ai 旗下的原生多模态模型，适用于高效编程和长程代理任务。其混合稀疏与线性注意力架构在降低计算开销的同时，保持了精准的长上下文表现。

inclusionAI: Ling-3.0-flash-VL 基于 Ling 3.0 Flash（InclusionAI 提供的 124B 总参数 / 5.5B 激活 MoE）构建，在进一步增强语言能力的同时，增加了原生视觉感知和高级视觉智能体能力。这是一款有工具调用功能的混合型即时/推理模型。

TypeSafe: Jev 1.13 是由 TypeSafe 推出的一种结构化决策模型，也是其 System One 模型系列中的首款产品。System One 模型可为软件做出快速、结构化的决策，并返回类型化的选择，而非自由文本。它适用于应用程序内的路由、分类及其他决策点，在这些场景中，快速且可预测的答案比生成的叙述性文本更为重要。

MoonshotAI: Kimi K2.8 Preview 提供了接近 K3 的整体性能，且思考更加高效。它支持与 K3 推理层级相对应的可调节思考深度，并提供高达 100 万 token 的超长上下文。

Fugu Ultra v2 是 Sakana AI Fugu 系列中性能更高的模型。Fugu 并非单一的整体式模型，而是一个学习型多智能体编排系统：它是一种经过训练的语言模型，能将任务分配给一组固定的开源和专业模型，并能递归调用自身实例。Fugu Ultra v2 优先考虑复杂多步推理、自主研究和全栈软件开发中的回答质量，且不依赖其模型库中任何单一的专有前沿模型。它支持可配置的推理强度（高、超高、最大）、函数调用、结构化输出、图像和 PDF 输入，以及内置网页搜索。超过 272K token 的提示词将按较高费率

OpenAI: GPT-Image-2.5-Flare 是来自 OpenAI 的图像生成与编辑模型，定位为 GPT-Image-2.5 系列中注重速度的层级。它适用于通过专用 Images API 进行的大批量日常生成、创作者内容制作及快速原型设计。

OpenAI: GPT-Image-2.5-Sunburst 是 OpenAI 推出的图像生成与编辑模型，定位为 GPT-Image-2.5 系列中注重精度的层级。它通过专门的 Images API，适用于对编辑准确性要求高于生成速度的详细创意工作。

inclusionAI: Ling-3.0-flash-Sante 是一款在健康和医学领域有增强功能的专家混合 (MoE) 模型。它基于 Ling-3.0-Flash 构建，拥有 1240 亿个总参数，每个 token 激活约 51 亿个参数。该模型在医学知识推理、临床安全、循证检索和长周期医疗任务方面表现出色，同时保持了强大的推理、编码和智能体任务通用能力。

LLaDA-Image 是一系列有竞争力的 6B 参数开源统一图像生成与编辑模型。它包括用于高质量文生图和指令引导编辑的 50 步基础模型 LLaDA-Image，以及用于快速生成与编辑的 4 步蒸馏模型 inclusionAI: LLaDA-Image-Turbo。这两个版本均支持实用的文生图生成、VQ 条件生成、参考图像编辑以及中英文文本渲染。

OpenAI: GPT-6 Astra 是 OpenAI 目前处理复杂推理、编码、计算机使用、研究和文档创建能力最强的模型，在跨代码、浏览器和专业软件的多步骤工作流程中表现优异。它支持 low、medium、high、xhigh 和 max 等不同程度的 reasoning.effort，能在实现出色结果的同时，通过减少输出 token 的使用，这样降低单项任务的预估成本。另外，它也是 OpenAI 迄今为止对齐度最高的模型，用来精准遵循指令、遵守任务边界、适应不断变化的需求并实现透明沟通。

Meta: Muse Spark 1.3 是 Meta 推出的一款多模态推理模型，专为长时代理、多代理和编码工作流而设计。它用来跟踪扩展任务中的信息、处理冲突的输入，并在需要时请求澄清或确认，重点在于简洁执行。

Meta: Muse Spark 1.3 Contributor 是 Meta 多模态推理模型的高性价比贡献者版本，适用于实验、学习以及早期的智能体、多智能体和编码工作流。它用来跟踪长任务中的信息，处理冲突的输入，并在必要时请求澄清或确认。提示词和输出可能会被用于改进 Meta 的产品。

Google: Gemini 3.8 Flash 是 Google 迄今为止最智能的主力模型，在软件工程、代理工作流以及针对专业领域的逐步推理方面，相较于 3.7 Flash 实现了重大提升。它在接近高成本前沿模型质量的同时，仍提供可配置的性能水平，以平衡性能与 Token 效率。

MiniMax: MiniMax H3 Max 是由 MiniMax 和 fal.ai 联合发布的视频生成模型。该模型由 fal.ai 在 MiniMax H3 的基础上进行后训练，并针对高速生成优化了。它支持主流的 480P 和 768P 输出，生成速度比 MiniMax H3 更快。目前支持“文生视频”和“图生视频”，后续将支持“参考图生成”。

Qwen3.8-Max-0902 是 Qwen3.8-Max 的快照版本，有更强的编码性能，适用于复杂的工程任务和长程自主开发。它同时提升了智能体工具使用能力以及针对图表推理、文档解析和多模态感知的视觉理解能力，并保留了 100 万 token 的上下文窗口、推理模式以及完整的工具生态系统。

Anthropic: Claude Fable 5.1 是 Anthropic 最新的模型，专为严苛的推理和长周期代理任务而设计，在长时间编码、多步研究以及文档、电子表格和幻灯片工作流程中表现更强。它支持文本和图像输入、文本输出、100 万 token 上下文窗口，以及始终开启并基于工作量引导的自适应思维功能。

Google: Gemini Omni 1.1 Flash Preview 是一款专为视频、图像和文本任务设计的多模态模型。它针对视频生成优化了，能在单一模型中同时提供视频输出和文本响应。

Tencent: Hy4 Preview 是腾讯推出的混合专家（MoE）模型，总参数量为 770B，激活参数量为 49B。它专为编码智能体、复杂工具使用工作流，以及需要规划、上下文连续性和持续多步执行的生产力任务而设计。

inclusionAI: Ling-3.0-flash-Fin 是一款基于 Ling-3.0-flash 构建的金融增强型 MoE 模型，拥有 1240 亿总参数和约 51 亿激活参数。它专为实际投资工作流程而设计，针对复杂的多步骤任务以及长周期的规划与执行优化了。凭借相对较小的激活参数规模，它在提供有竞争力的金融性能的同时，也保持了在推理、编码和数学方面的强大通用能力。

Muse Image 1.0 是 Meta 推出的一款智能图像生成模型，能根据文本和参考图像生成及编辑图像。与单步图像模型不同，它在渲染前会先推理，拆解多部分提示词，并在思维链中优化输出，同时针对知识密集型提示词调用网络搜索以确保事实准确性。该模型支持文生图、定向图像编辑、多图合成、用于保持系列风格和主体一致性的参考图像调节，以及生成图像内的精确文本渲染。迭代编辑通过将前一次的输出图像连同新指令传回模型来实现。

Qwen3.8-Flash 是 Qwen 系列的最新多模态模型，兼具强大的推理、生成能力与惊人的速度。它原生支持百万级 Token 的上下文窗口，能一次性处理长文档、完整代码库及复杂对话。该模型在代码辅助、智能体工作流和视觉理解方面表现出色，无论是自主修复代码、操作桌面应用程序，还是分析图表与长视频，皆能应对自如。Qwen3.8-Flash 完全兼容 OpenAI 和 Anthropic API 协议，可与 Claude Code 和 Codex 等流行开发工具平滑集成，助力开发者容易构建高并发应用与智能工作流。

Z.AI: GLM 5.3 Flash 是来自 Z.ai 的原生多模态模型。它适用于高效编程和长周期智能体任务。其混合稀疏和线性注意力架构在降低计算开销的同时，保持了精确的长上下文处理能力。

Wan3.0-Video 是一款多功能参考视频生成模型，支持文本转视频、图像转视频（首帧/首尾帧）以及基于参考的视频生成。它能生成长达 30 秒、30fps 的视频。

Alibaba: Wan3.0-Video-Prime 是 Wan3.0 视频生成模型的高速版本。它有与标准 Wan3.0-Video 模型同等的强大能力，支持四种模态的综合参考输入，可生成长达 30 秒的视频，并在提供沉浸式视听体验的同时，显著提升了端到端的生成速度。

Qwen3.8-27B 原生视觉语言密集模型相较于 3.6-27B 版本有显著提升，在文本和视觉模态的编程与办公场景能力方面重点了强化。它能更可靠地端到端完成复杂任务，并生成可信赖的输出。

Macaron: Macaron V1 Tall 是 Macaron-V1 系列中的高效模型，基于 Qwen3.6-35B-A3B 构建，配备了四个专用的 LoRA 适配器，分别用于对话 (Chat)、智能体 (Agent)、编程 (Coding) 和生成式界面 (GenUI)。它遵循与 Macaron-V1-Venti 相同的路由式 LoRA 混合 (MoL) 设计，将 Macaron 的个人智能、编程、工具使用和代码原生生成式 UI 功能引入到更小、更易于部署的环境中。

Macaron: Macaron V1 Venti 是 Macaron-V1 系列中的 748B 参数旗舰模型，专为个人智能、工具使用、编码工作流和代码原生生成式 UI 而构建。该模型在 GLM-5.2 之上使用了混合 LoRA (MoL) 架构，包含一个 744B 参数的基础模型和四个 1B 参数的 LoRA 专家模型。这些专家涵盖了聊天、个人代理任务、编码和 GenUI，通过一个 L0 路由器为每个新的用户请求选择最合适的专家。

Dots Studio: dots3-note-prev 是一款预览版大型语言模型，专为通用对话和复杂任务设计，侧重于指令遵循、推理、代码生成和多语言交互。作为预览版本，其功能和性能可能会持续改进。

KlingAI: Kling-v3 是由 Kling AI 推出的图像生成模型。有电影级叙事质量、支持连续生成与批量优化，并可直接输出 1K/2K 图像。

Google: Gemini 3.7 Flash 是 Google 推出的高效多模态模型，专为编码和代理工作流而设计。它改进了代码生成、Web 应用程序开发、工具使用以及复杂多步任务中的可靠性，同时支持文本、图像、音频和视频输入。凭借 100 万 token 的上下文窗口、高达 64,000 token 的输出长度以及可调节的推理级别，它非常适合编码代理、企业自动化、复杂文档分析和大规模多模态应用。

Qwen3.8-2.4T-A95B 是通义千问最新旗舰系列的开源版本，于 2026 年 8 月发布。它采用稀疏 MoE 架构，总参数量达 2.4 万亿，每步激活约 950 亿参数，并支持 100 万 token 上下文及混合注意力机制。核心基准测试包括 GPQA Diamond 92.6、PaperBench 93.0、OSWorld 86.1 和 BabyVision 82.0。在 CodeArena 上全球排名第 4。

xAI: Grok 4.6 由 xAI 于 2026 年 8 月 13 日发布，在 Grok 4.5 的基础上升级了，重点强化了长期运行的多步骤智能体任务和交互式视觉项目创建能力。其在综合智能指数上与 GPT-5.6 Sol 持平，并擅长将广泛的产品构想快速转化为结构化、交互式且可运行的应用程序初版。

Z.AI: GLM 5.3 是智谱AI的下一代旗舰文本模型，基于 GLM-5.2 构建，并通过大规模长程任务后训练增强了。它在编程体验上实现了约 50% 的提升，能自主处理复杂的项目开发、调试、验证和交付。它还支持 100 万 token 的上下文窗口、高达 12.8 万 token 的输出、工具调用和 MCP，在代码审查和漏洞检测等网络安全任务中表现出色。

除了DeepSeek之外，腾讯云（TencentCloud）和阿里云（AlibabaCloud）现在也提供了官方的0731版本，而其他提供商仍在使用旧的0424版本。DeepSeek: DeepSeek V4 Pro 0813是DeepSeek的旗舰级开放权重混合专家模型（MoE），于2026年4月24日发布预览版。该模型总参数量为1.6万亿，每个token激活490亿参数，并支持一百万token的上下文窗口。它专为高级推理、编程、STEM任务和自主智能体设计，在开源模型中提供了最先进的性能，并可与领先的专有系统媲

Grok Imagine Image 2.0 是来自 xAI 的图像生成和编辑模型。它适用于通过文本提示创建图像以及根据参考编辑图像，并支持低质量和中等质量模式。

PixVerse C1 是一款电影级视频生成模型，有逼真的人物动作、出色的动作场景表现和同步音频功能，支持文本、图像、起始/结束帧以及基于参考的生成，最高支持 1080p 分辨率和 15 秒时长。

PixVerse V6 是一款多功能视频生成模型，支持文生视频、图生视频、首尾帧过渡、基于参考的融合以及视频扩展。它可生成最高 1080p、长达 15 秒的视频，并可选配同步音频和多片段生成功能。

Sapiens AI: Agnes Image 2.1 Flash 是一款升级后的图像生成模型，专为高信息密度视觉效果、复杂构图和丰富的语义细节而优化。它支持文本生成图像、图像编辑以及多图合成工作流，并能在编辑过程中保留构图和主体布局。该模型支持以图像 URL 或 Base64 数据形式返回结果，以便灵活集成。

Sapiens AI: Agnes-2.5-Flash 是 Sapiens AI 推出的全面可用语言模型，由 Agnes 2.0 Flash 升级而来，并兼容现有的 Agnes API 集成。它提升了编码、代理工作流、工具使用、多轮对话、推理和图像理解能力，同时支持流式输出和图像 URL 输入。

ByteDance: Doubao-Seedance-2.5 是由豆包大模型团队开发的新一代多模态视频生成模型。它在长视频叙事、参考一致性、精准编辑和多语言视频生成方面实现了工业级的跨越。

Meta: Muse Spark 1.2 是 Meta 推出的推理模型，专为复杂的智能体任务而设计。它支持处理文本、图像、视频、音频和 PDF 文档，能生成文本输出，并提供 100 万 token 的上下文窗口。该模型用来支持多智能体工作流程，既可作为负责规划和委派的主要智能体，也可作为并行执行的子智能体。它适用于多种编码环境，并支持结构化输出、并行函数调用以及可配置的推理强度。在 Meta 的测试中，该模型在多文件重构、扩展调试会话、整个代码库生成以及超出单个提示词范围的复杂任务中表现优异。

OpenAI: GPT Transcribe 是一款来自 OpenAI 的高精度语音转文字模型。它适用于录音、流式文件转录以及已提交的实时会话，并支持自由形式的上下文、关键词提示以及用于专业术语和多语言语音的多语言提示。

Qwen-Audio-3.0-TTS-Plus 是阿里巴巴推出的高质量文本转语音模型，通过 DashScope 语音合成 API 将文本转换为口语音频。

精准的提示词理解：支持高达4.5k token的输入，能准确解析复杂的图文提示，并一次性生成精细布局。可靠的文本渲染：支持12种语言和20多种字体，可呈现清晰的10px文本，直接用于信息图表和界面设计。高效的批量生产：以更高的成本效益扩展海报、网页和UI界面等日常任务，确保持续的创意输出。Qwen-Image-3.0 不仅追求视觉质量，更专注流畅、可靠的日常创作，将图像生成转化为可持续的内容生产力。

丰富内容：支持高达4.5k的Token输入和密集的图像内图像布局，能一次性生成报纸、分镜、菜单和试卷等复杂布局。真实细节：支持精确渲染小至10px的文字，并生动还原微表情、毛孔和发丝等精细细节，呈现媲美真实摄影的质感。深度知识：支持12种语言和20+字体的原生渲染，真实模拟网页、游戏和直播等主流界面，充分整合外部知识。Qwen-Image-3.0-Pro不仅仅追求“好看”，更追求“好用”，让图像生成真正成为可部署的生产力工具。

Black Forest Labs: FLUX.3 Video 是来自 Black Forest Labs 的视频生成模型。它支持文生视频、带有起始和结束关键帧的图像引导生成以及视频续写工作流，使其非常适合受控的创意生产、场景动画和扩展现有视频片段。它还可以在生成视频的同时生成同步音频。

Grok Voice STT 1.0 是 xAI 的语音转文字模型。它支持带有词级时间戳的转录、可选的说话人日志记录以及多声道音频。

Qwen: Qwen3.8-Max 是拥有 2.4 万亿参数的 MoE 旗舰模型，在编程和专业工作领域实现了全面飞跃。它能自主编码并交付跨越 10 天以上的完整项目，处理法律、金融、设计及其他专业领域的数百项专门任务，在单次对话中端到端地生成生产级成果。原生视觉理解贯穿规划、执行和验证的全周期，支持对超长文档和扩展视频内容进行深度语义分析。在长时程任务中，它能自主规划、通过闭环反馈进行迭代并持续进化。

Sapiens AI: Agnes-2.5-Pro 是 Agnes 2.5 Pro Alpha 的商业稳定版本，专为高级编码、科学推理、长上下文分析、代理工作流和多模态理解而构建。它支持文本和图像输入、文本输出、工具调用、流式传输以及与 OpenAI 兼容的 Chat Completions 和 Responses API。

DeepSeek: DeepSeek V4 Flash 0731 是 DeepSeek V4 系列中面向效率的变体，作为预览版发布，并与旗舰版 V4-Pro 同时开源。它专为需要 V4 代次的长上下文和推理能力，但追求更快、更经济的 API 层的开发者而设计。与 V4-Pro 相比，DeepSeek: DeepSeek V4 Flash 0731 使用了更小的总参数和激活参数，这样实现更快的响应时间和更低的 API 成本。它保留了接近 V4-Pro 的推理能力，在简单的智能体任务上与 V4-Pro 持平，仅在要求最

KlingAI: Kling-3.0 是 Kling 系列的旗舰视频生成模型，基于深度整合的统一多模态训练框架构建。它支持文生视频和图生视频，可生成长达 15 秒的视频片段。

KlingAI: Kling-3.0-Omni 是该系列的全能多模态模型，代表了最强大的能力集成。它打破了文本、图像、音频和视频之间的界限，将所有输入视为提示词，这样实现原生视听输出。

KlingAI: Kling-3.0-Turbo 是 Kling 3.0 系列中速度经过优化且经济高效的模型。它专为需要快速迭代、提示词探索或草稿生成的创作者而设计。支持文生视频和图生视频，可生成 3 到 15 秒、720p 或 1080p 分辨率并带有原生音频的视频片段。

MiniMax: MiniMax H3 是由 MiniMax 开发的一款轻量级开源权重视频生成模型。它专为精准的多模态编辑和受控内容生成而设计，包括指令驱动的编辑、文本与品牌渲染以及视频到视频的动作迁移。该模型适用于广告、电子商务、游戏和界面设计等商业创意工作流，并支持用于参考驱动生成的原生视听输出。

使用单个 API 调用将文本转换为口语音频。该 API 支持多种富有表现力的声音、用于精细传递控制的内联语音标签，以及从高保真 MP3 到针对电话优化的 μ-law 等多种输出格式。

Qwen: Qwen3.7-Flash 是来自阿里巴巴的视觉语言推理模型。它适用于多模态智能体、视觉编码、搜索和计算机交互，在物体识别、空间理解和现实世界视觉感知方面有优势。

Anthropic: Claude Opus 5 是 Anthropic 旗舰级 Opus 系列模型，专为高级推理、编码和高价值知识工作而设计，提供接近 Claude Fable 5 的前沿级性能，成本约为后者的一半。它支持文本、图像和文件输入以及文本输出，提供 100 万 token 的上下文窗口，非常适合复杂的软件工程、科学研究和长期代理工作流。

inclusionAI: Ling-3.0-flash 是 Ling 系列中最新一代的高性价比模型，拥有 124B 总参数和 5.1B 激活参数，原生支持 256K 上下文窗口并可扩展至 1M。与上一代 flash 模型相比，inclusionAI: Ling-3.0-flash 在长跨度任务中的稳定性显著增强，工具调用准确率大幅提升，并对常见 Harness 环境的兼容性全面了优化。在编程任务中，inclusionAI: Ling-3.0-flash 对空间理解能力深度了优化，能构建物理场景网格及相对位

Google: Gemini 3.5 Flash Lite 是来自 Google 的一款高效模型，有升级的代理能力。它适用于在复杂的、多代理工作流程中执行特定任务的子代理。

Google: Gemini 3.6 Flash 是 Google 推出的一款高效模型，专为编码、代理工作流以及网页和应用开发而设计。它用来减少不必要的编辑和推诿，以生成更完善的输出，同时降低完成任务所需的 Token 使用量和模型调用次数。

MoonshotAI: Kimi K3 是 Kimi 迄今为止能力最强的模型，拥有 2.8 万亿参数。它基于混合线性注意力机制 Kimi Delta Attention 和注意力残差技术构建，有原生视觉理解能力，并拥有 100 万 token 的上下文窗口，适用于软件工程、知识工作和深度推理等前沿智能场景。

OpenAI: GPT-5.6 Luna 是 OpenAI GPT-5.6 系列中一款快速且经济高效的模型。它适用于聊天、分类和轻量级代理工作流等高并发、低延迟要求的任务，在其价格区间内提供出色的推理能力。

OpenAI: GPT-5.6 Sol 是 GPT-5.6 系列中的前沿模型。它大致相当于早期 GPT-5 系列中使用的无后缀模型层级。gpt-5.6 别名会将请求路由至 OpenAI: GPT-5.6 Sol。

OpenAI: GPT-5.6 Terra 是一款高性能的 GPT-5.6 系列模型，专为长文本、支持工具的工作流而设计，涵盖写作、编码、分析和多步骤问题解决等任务。它支持文本、图像和文件输入以及文本输出，并针对强大的指令遵循、可靠的推理和复杂任务的精准执行优化了。

ByteDance: Doubao-Seedream-5.0-pro 是字节跳动最新的图像生成模型，将图像创作推向了可控生产的新阶段。此次更新带来了更强的可控编辑能力、更成熟的生产级工作流以及更自然的视觉效果。

来自 Meta Superintelligence Labs 的最新模型在智能体任务、编码和多模态感知方面带来了重大改进。Meta: Muse Spark 1.1

xAI: Grok 4.5 是 SpaceXAI 的前沿模型，专为编程、代理任务和知识工作而构建。它是在 SpaceXAI 位于孟菲斯的通过涵盖科学、工程和数学的新数据集训练的数据中心内完成训练的。

Xiaomi: MiMo-V2.5-ASR 是一款由小米 MiMo 开发的开源语音识别模型。它支持中英双语识别、多种中国方言、中英混读、歌词转录、知识密集型内容、嘈杂环境、多人场景以及其他有挑战性的声学条件。通过大规模中途训练、高质量监督微调 (SFT) 以及新颖的强化学习 (RL) 算法，Xiaomi: MiMo-V2.5-ASR 在多个权威基准测试中实现了业界领先的性能。

Tencent: Hy3 预览版是腾讯推出的一款混合专家模型，拥有 7700 亿总参数，其中 490 亿为激活参数。它专为编码智能体、复杂工具使用工作流，以及需要规划、上下文连续性和持续多步执行的生产力任务而设计。

Google: Nano Banana 2 Lite (Gemini 3.1 Flash-Lite Image) 是 Google 最快、最具成本效益的 Gemini 图像模型，专为高频开发流水线和快速视觉探索而构建。它能在约 4 秒内完成文本转图像生成，速度比 Gemini 3.1 Flash Image 快约 2.7 倍，同时保持了 Nano Banana 系列的角色一致性、精确编辑能力和现实世界知识。单一的嵌入式 API 可处理文本转图像、图像编辑和多图像合成。作为多模态模型，它还能在返回图像的同时生成文本。

Anthropic: Claude Sonnet 5 用来成为迄今为止最具智能体能力的 Sonnet 模型。它能进行规划、使用浏览器和终端等工具，并能以近期仅更大、更昂贵的模型才能达到的水平自主运行。

Google: Gemini Omni Flash Preview 是一款专为视频、图像和文本任务设计的多模态模型。它针对视频生成优化了，可在单一模型中同时提供视频输出和文本回复。

Meituan: LongCat-2.0 是一款新开源的大规模混合专家模型 (MoE)，总参数量达 1.6 万亿，每个 token 激活参数约 480 亿。注意，其整个训练和部署过程完全在 AI ASIC 超级集群上完成，在 35 万亿 token 的训练过程中未出现不可恢复的损失峰值，证明了在替代硬件上进行前沿规模训练的可行性。在架构上，该模型引入了 LongCat 稀疏注意力机制 (LSA) 以实现高效的 1M token 上下文处理，并结合 N-gram 嵌入模块以最大化参数效率。得益于专门的多专家后

ByteDance: Doubao-Seed-ASR-2.0 是字节跳动/火山引擎推出的大模型语音识别服务，可将录制的音频文件转写为文本。它基于在海量真实语音数据上训练的 20 亿参数音频编码器构建，在噪声、多人说话和特定领域的录音中均能实现高精度的转写。主要功能：- 高精度：错误率较传统模型降低约 30%，在垂直领域（音乐、科技、教育、医疗）降低 50% 以上。口音错误率降低约 60%，噪声/背景语音错误率降低 30-50%。- 多语言和方言：支持中文及方言（上海话、闽南语等）；2.0 版本 (Doubao-Se

ByteDance: Doubao-Seed-2.1-pro 是专为代码和智能体时代打造的下一代大模型，提供 Pro 和 Turbo 两个版本，分别针对高复杂度任务探索与大规模生产场景设计。相较于上一代，Seed 2.1 在代码工程交付、长程智能体任务执行以及多模态理解三大核心领域实现了全面升级。凭借更强的自主规划和动态自愈能力，它非常适用于真实企业研发及更广泛经济社会场景下的高价值生产任务。另外，面向开发者，它还提供用于代码编写、办公及生产力提升场景的 Evolving 版本，支持每周更新与持续进化。

ByteDance: Doubao-Seed-2.1-turbo 是一款专为编码和智能体时代打造的新一代大模型。它提供 Pro 和 Turbo 两个版本，分别针对高度复杂的任务探索及大规模生产场景而设计。与上一代相比，Seed 2.1 在编码工程交付、长视野智能体任务执行和多模态理解三个关键领域实现了全面升级。凭借更强的自主规划和动态自修复能力，它非常适合真实的生产环境 R&D 以及更广泛的经济和社会场景中的高价值任务。对于开发者，它还提供了一个针对编码、办公及生产力提升场景的 Evolving 版本，支持

ByteDance: Doubao-Seed-Character 是由字节跳动豆包团队开发的高效开源大语言模型，专为沉浸式角色扮演交互场景打造。它支持与包括原创自定义角色、虚构及现实人物在内的多种人设进行快速、高保真的对齐，以较低的部署门槛提供连贯、生动、自然的沉浸式对话体验。

ByteDance: Doubao-Seed-Evolving 是一款专为编程与智能体时代打造的下一代大模型。它提供 Pro 和 Turbo 两个版本，分别用来应对高度复杂的探索性任务和大规模生产场景。与上一代相比，Seed 2.1 在代码工程交付、长跨度智能体任务执行以及多模态理解三个核心领域实现了全面升级。凭借更强的自主规划和动态自修复能力，它非常适用于真实企业研发中的高价值生产任务以及更广泛的经济与社会场景。对于开发者，它还提供用于编程、办公及生产力提升场景的 Evolving 版本，支持每周更新与持续进化。

GLM 5.2 支持更大的上下文窗口和输出长度，最高可达 1M 上下文和 128K 输出 Token。它通过 tool_stream=true 增加了工具调用的流式输出，实现了对工具调用参数的实时访问。与 GLM-4.7 系列一样，它支持通过 thinking={ type: "enabled" } 进行深度思考（启用后强制执行思考过程），并引入了 reasoning_effort 来控制思维链模式下的推理强度。另外，它还提供了更强的编码性能和更先进的推理能力。

MoonshotAI: Kimi K2.7 Code HighSpeed 是 Kimi K2.7 Code 的高速版本。它与 Kimi K2.7 Code 模型一致，但输出速度约为 180 Tokens/s，在短上下文场景下最高可达 260 Tokens/s，带来极致的编码体验。

MoonshotAI: Kimi K2.7 Code 是 Kimi 最智能的编程模型，能在长上下文中以更高的成功率完成编程任务。它采用原生多模态架构，支持文本、图像、视频输入和思考模式，以及对话和智能体任务。支持 256k 上下文长度，支持长思考和深度推理。支持自动上下文缓存功能、ToolCalls、JSON Mode 和 Partial Mode。

Google: Nano Banana 2 (Gemini 3.1 Flash Image) 专为速度和效率而设计，可有效实现快速、交互式的响应以及高吞吐量。

Google: Nano Banana Pro (Gemini 3 Pro Image) 是一款基于 Google Gemini 3 Pro 构建的 AI 图像生成模型，是其前代产品的一次重大升级。它用来超越简单的模式匹配，转向一个更具推理驱动的系统，并在物理理解、文本渲染和图像一致性方面改进了。其主要功能包括更快的处理速度、原生 2K 分辨率以及对现有图像进行更高精度编辑的能力，用来提供更可靠、专业级的生成结果。

Anthropic: Claude Fable 5 是 Anthropic 的 Mythos 级模型，专为自主知识工作和编程而设计。它接受文本、图像和文件输入，生成文本输出，并有推理能力以及 100 万 token 的上下文窗口。该模型擅长处理曾经需要频繁人工监督的长期、复杂和异步任务。其核心优势在于处理通常需要人类花费数小时、数天甚至数周才能完成的端到端工作——解决那些扩展的、模糊的或涉及多个相互依赖步骤的问题。它能以极少的错误执行明确定义的任务，通过内置的验证循环进行自我纠正，并配备了强大的安全保障措施。

Qwen3.7-Plus 是 Qwen3.7 系列中的多模态生成模型，支持文本、图像和视频输入及文本输出。它专为智能体工作负载设计，在编程、办公生产力和长程自主执行方面表现强劲。

MiniMax M3 是首个集代码编写、智能体推理、百万级 Token 上下文和原生多模态于一体的开源权重旗舰模型。它能容易处理自主任务分解、工具调用和多步推理，编写出的代码不仅能运行，更达到可交付标准。基于 MiniMax 专有的稀疏注意力架构，M3 原生支持百万级 Token 上下文窗口，适用于长周期智能体、大型代码库及长视频理解。其多模态能力并非外挂，而是从预训练之初便深入集成，实现了文本与视觉在语义层面的深度对齐。

StepFun: Step 3.7 Flash 是 StepFun 推出的最新高效多模态混合专家（MoE）模型。它将 196B 参数的语言主干模型与视觉编码器相结合，有原生图像和视频理解能力，每个 token 激活约 11B 参数。该模型支持 256K 上下文窗口，并提供可选的推理级别（高/中/低），使调用者能在速度、成本和推理深度之间进行权衡。专为编码、智能体工作流、结构化输出和长上下文生产力任务而设计。

Anthropic: Claude Opus 4.8 是 Anthropic Opus 系列中性能最强大的通用模型。它支持文本、图像和文件输入以及文本输出，有推理能力，并拥有 100 万 token 的上下文窗口。它非常适合高度自主的智能体、长周期智能体工作、知识型工作以及需要长时间对话连贯性的记忆驱动型任务。

Grok Build 0.1 是 xAI 开发的快速编码模型，专为代理式软件工程工作流程而设计。它接受文本和图像输入并生成文本输出，支持函数调用和长上下文编码任务。目前处于早期访问阶段，适用于代码生成、仓库级辅助以及使用工具的开发代理。

Agnes-Video-V2.0 是一款下一代电影级视频生成模型，专为高质量的文本生成视频、图像生成视频、多图像视频生成以及关键帧动画工作流程而设计。它能生成有强大运动一致性、场景连贯性和视觉逼真度的高保真视频，使用户能通过文本提示、参考图像或多个关键帧创建可直接用于生产的视频内容。Agnes-Video-V2.0 适用于讲故事、营销视频、产品演示、社交媒体内容、沉浸式视觉制作以及人工智能驱动的创意工作流程。

Qwen3.7-Max 是阿里巴巴 Qwen3.7 系列的旗舰模型。它支持文本输入和输出，专为以智能体为中心的工作负载而设计，在编码、办公与生产力任务以及长周期自主执行方面有显著优势。与之前的 Qwen 版本相比，该模型在编码和智能体性能方面有显著提升，并支持显式提示词缓存，以实现高效的重复上下文使用。

gemini-embedding-2 是 Google 的首个多模态嵌入模型。我们目前支持将文本和图像映射到统一的向量空间，以用于语义搜索和检索增强生成 (RAG)。它支持高达 8,192 个 token 的输入上下文，并提供 128 到 3,072 之间的灵活输出维度（推荐：768、1536 或 3,072）。该模型专为跨模态相似度设计——你可以嵌入文本查询并检索最相关的图像，反之亦然——使其非常适合多模态搜索、推荐和文档理解流程。

Gemini 3.5 Flash 专为支持高速、高性价比且复杂的开发者和智能体工作流程而设计。它将强大的多步推理能力引入高度优化、低延迟的框架中，使其在大规模运行海量推理循环时非常高效。

新一代文心模型 Baidu: ERNIE 5.1 是一款原生多模态大模型。它采用原生的统一多模态建模方法，联合建模文本、图像、音频和视频，提供完整的多模态能力。Baidu: ERNIE 5.1 的核心能力得到全面升级，在基准测试集上表现优异，特别是在多模态理解、指令遵循、创意写作、事实性、智能体规划和工具使用方面表现强劲。

Google: Gemini 3.1 Flash Lite 是 Google 最具成本效益的 Gemini 模型，专为高容量、对成本敏感的 LLM 流量的低延迟用例而优化。它在 Gemini 2.0/2.5 Flash-Lite 模型的基础上实现了显著的质量提升，并在关键能力领域达到了与 Gemini 2.5 Flash 相媲美的性能。

inclusionAI: Ring-2.6-1T 是一款 1T 参数规模的思考模型，拥有 63B 激活参数，专为需要强大能力与运营效率的现实世界智能体工作流而构建。它针对编码智能体、工具使用和长周期任务执行优化了，在 PinchBench、ClawEval、TAU2-Bench 和 GAIA2-search 等基准测试中表现领先。通过在高（high）和超高（xhigh）模式下的自适应推理努力，inclusionAI: Ring-2.6-1T 可根据任务复杂度动态分配推理预算。这在工具密集型和多轮智能体工作流中，

OpenAI: Chat Latest (GPT-5.5 Instant) 指向 ChatGPT 当前使用的最新 Instant 模型。我们建议大多数 API 用例使用我们的 latest-model，但你可以随时使用此模型来测试我们在聊天场景中的最新改进。底层的模型快照将定期更新。

xAI: Grok 4.3 是来自 xAI 的推理模型。它接受文本和图像输入并输出文本，适用于智能体工作流、指令遵循任务以及需要高事实准确性的应用。推理功能始终处于活动状态，无法禁用或通过工作量级别配置。

alibaba: HappyHorse 1.0 被描述为一款开源的最先进 AI 视频生成器，有原生音视频联合生成功能——这意味着 alibaba: HappyHorse 1.0 视频模型可以在单次前向传递中同时生成视频帧和相应的音轨（对话、环境音、拟音），而不是先生成静音视频再进行后期配音。 根据社区整理的架构说明，该模型围绕一个 150 亿参数的统一自注意力 Transformer 构建，可在单个标记序列内处理文本、图像、视频和音频标记。据报道，它在构建时没有采用专用的交叉注意力分支，也没有单独的音频模块。结合

OpenAI: GPT-5.5 能更快地理解你的意图，并能独立承担更多工作。它擅长编写和调试代码、在线研究、分析数据、创建文档和电子表格、操作软件，并能在不同工具间切换直至完成任务。无需事无巨细地管理每一步，你可以将杂乱的多部分任务交给 OpenAI: GPT-5.5，放心让它进行规划、使用工具、核查工作、应对模糊性并持续推进直至完成。

OpenAI: GPT-5.5 Pro 是 OpenAI 推出的高性能模型，专为处理复杂、高风险工作负载中的深度推理和高精度需求而优化。它拥有超过 100 万 token 的上下文窗口（922K 输入，128K 输出），支持文本和图像输入，用来实现长周期问题解决、智能体编码以及多步骤工作流程的精准执行。

Gemini 3.1 Flash TTS Preview 是 Google 推出的文本转语音模型，是 Gemini 2.5 Flash TTS 的重大代际升级。它接收文本输入并生成 70 多种语言的音频输出，语言覆盖范围是其前身的近 3 倍。

inclusionAI: Ling-2.6-1T 是一款有 1 万亿参数规模的思维模型，拥有 630 亿激活参数，专为需要强大能力和运营效率的现实世界智能体工作流而构建。它针对编码智能体、工具使用和长程任务执行优化了，在 PinchBench、ClawEval、TAU2-Bench 和 GAIA2-search 等基准测试中提供了领先的结果。通过在 high 和 xhigh 模式下的自适应推理能力，inclusionAI: Ling-2.6-1T 可根据任务复杂性动态分配推理预算。这使得它在工具密集型和多轮智

inclusionAI: Ling-2.6-flash 是一款 100B 参数的文本模型，专注于智能效率，在保持强大性能的同时最小化令牌使用。它支持 256K 上下文窗口，输出令牌高达 32K，并有函数调用、结构化输出和提示词缓存功能。它特别适用于代码补全与调试、快速文档处理以及轻量级智能体交互。

OpenAI: GPT-Image-2 是 OpenAI 的下一代图像生成模型。它提供快速、高质量的图像生成与编辑功能，支持灵活的图像尺寸以及高保真图像输入，这样实现平滑的创意工作流。

MoonshotAI: Kimi K2.6 是目前 Kimi 最智能的模型，在智能体、代码、视觉理解以及多项通用智能任务中达到了开源 SOTA 性能。它也是 Kimi 迄今为止功能最通用的模型，采用原生多模态架构，支持视觉与文本输入、思考与非思考模式，以及对话与智能体任务。支持 256k 上下文。

SkyReels V4 Beta 是一个统一的多模态视频基础模型，采用双流架构、共享文本编码和高效的高分辨率处理能力，可同时生成、编辑和修复视频与音频。

Anthropic: Claude Opus 4.7 是 Anthropic Opus 系列的下一代产品，专为长期运行的异步代理而构建。在 Anthropic: Claude Opus 4.7 强大的编码和代理能力基础上，它在处理复杂的、多步骤任务时表现更出色，并在扩展工作流程中提供更可靠的代理执行。它特别适用于任务随时间展开的异步代理流水线，例如大型代码库、多阶段调试和端到端项目编排。

ByteDance/Doubao-Seedance-2.0 提供超写实、高稳定性的视听输出：凭借出色的运动稳定性和精细的视觉细节，它生成的影像有真人实拍质感，实现了虚拟与现实视觉效果的平滑融合。它能容易处理复杂场景——生动地再现从细微的微表情和激烈的肢体冲突，到动感十足、高能量的歌舞表演等一切内容。它还有专业的运镜、多镜头叙事和文生视频生成能力，增强了叙事张力。

Google: Gemma 4 26B A4B IT 是来自 Google DeepMind 的指令微调混合专家 (MoE) 模型。尽管总参数为 252 亿，但在推理过程中每个 token 仅激活 38 亿参数，以极低的计算成本实现了接近 310 亿参数模型的质量。支持包括文本、图像和视频（最高 60 秒，1fps）在内的多模态输入。有 256K token 上下文窗口、原生函数调用、可配置的思考/推理模式以及结构化输出支持。基于 Apache 2.0 许可证发布。

Veo 3.1 Fast 是 Google DeepMind 旗舰视频生成模型的速度优化版本。它的设计用来以比标准的 Veo 3.1 Quality 模型快得多的速度和更低的成本生成高质量视频，非常适合快速原型设计和高容量内容创作。

Veo 3.1 Lite 是 Google DeepMind 旗下最具成本效益的 AI 视频生成模型，于 2026 年 3 月 31 日发布。它用来以更低的价格提供专业级的视频制作能力，非常适合需要进行大规模视频制作的开发者和内容团队。

GLM-5.1 是 Zai 的新一代旗舰基础模型，专为智能体工程设计，能在复杂的系统工程和长程智能体任务中提供可靠的生产力。在编码和智能体能力方面，GLM-5 在开源领域达到了最先进 (SOTA) 的性能，其在实际编程场景中的可用性接近 Claude Opus 4.5。

Google: Gemma 4 31B IT 是来自 Google DeepMind 的一款指令微调多模态开放模型，有 256K 上下文窗口，专为推理、编码、智能体工作流和图像理解而设计。它接受文本和图像输入并生成文本输出，有原生工具调用能力和可配置的思考模式，适用于长上下文助手体验。

Qwen3.6-Plus 是阿里巴巴于 2026 年 4 月 2 日发布的下一代 Qwen 大语言模型。与 3.5 版本相比，Qwen 3.6 在整体性能上有了显著提升，并展现出了非常强大的面向智能体（Agent）的编程能力。

Z.AI: GLM 5V Turbo 是智谱首个多模态代码基础模型，专为基于视觉的编程任务而设计。它能原生处理图像、视频和文本等多模态输入，并在长程规划、复杂编程和动作执行方面表现出色。它深度适配 Agent 工作流，并能与 Claude Code 和 OpenClaw 等 Agent 紧密协作，完成“理解环境 → 规划行动 → 执行任务”的完整闭环。

MiniMax: MiniMax M2.7。M2.7 在现实软件工程中表现卓越，涵盖端到端完整项目交付、日志分析与故障分类、代码安全、机器学习等领域。在 SWE-Pro 基准测试中，M2.7 得分为 56.22%，几乎达到了 Opus 的水平。这种能力也延伸至端到端完整项目交付场景（VIBE-Pro 55.6%）以及对 Terminal Bench 2 上复杂工程系统的深度理解（57.0%）。在专业办公领域，我们提升了模型在各个领域的专业知识和任务交付能力。在 GDPval-AA 上，其 ELO 分数为 1495，

模型: MiniMax: MiniMax M2.7 highspeed 描述: M2.7 highspeed: 性能不变，速度更快，更加敏捷

GPT-5.4 mini 将 GPT-5.4 的优势带入了一个更快、更高效的模型，专为高负载工作而设计。

GPT-5.4 nano 专为速度和成本至关重要的任务而设计，例如分类、数据提取、排序和子智能体任务。

模型: inclusionAI: LLaDA2.1-flash。描述: LLaDA 2.1 是 LLaDA 系列中的扩散语言模型，增强了编辑功能。它在提供强大的任务性能的同时，显著提高了推理速度。

GLM-5 Turbo 是 Z.ai 推出的新模型，专为 OpenClaw 等智能体驱动环境中的快速推理和高性能表现而设计。它针对涉及长执行链的真实智能体工作流深度了优化，在复杂指令分解、工具使用、计划与持久化执行以及长时间任务的整体稳定性方面均有提升。

Grok 4.20 Beta 采用强大的 4 智能体多智能体架构（Grok、Harper、Benjamin、Lucas），并行运行以进行研究、编码并对复杂任务推理。它提供 2M token 上下文、减少幻觉、更出色的 STEM LaTeX 支持、改进的图像/视频理解能力以及 95% 的 MMLU-Pro 准确率，用来实现卓越的推理能力。

Grok 4.20 Beta 采用强大的 4 智能体多智能体架构（Grok、Harper、Benjamin、Lucas），并行运行以进行研究、编码和处理复杂任务。它提供 2M token 上下文，减少了幻觉，增强了 STEM 领域的 LaTeX 支持，改进了图像/视频理解能力，并达到 95% 的 MMLU-Pro 准确率，用来实现卓越的推理能力。

GPT-5.4 发布于 2026 年 3 月 5 日，是 OpenAI 最新的前沿模型，用来处理复杂的专业工作。该模型可在 API 中以 gpt-5.4 的形式使用，在 ChatGPT 中则为 GPT-5.4 Thinking，并提供追求极致性能的更高级 GPT-5.4 Pro 版本。它支持通过 reasoning.effort 进行可调节的思考，使开发人员能以延迟/成本换取更深入的推理。该模型支持文本和图像输入并输出文本，拥有 1,050,000 token 的上下文窗口和高达 128,000 个输出 toke

GPT-5.4 Pro 是 OpenAI 最先进的模型，它基于 GPT-5.4 的统一架构，增强了处理复杂、高风险任务的推理能力。它拥有超过 1M token 的上下文窗口（922K 输入，128K 输出），并支持文本和图像输入。GPT-5.4 Pro 针对分步推理、指令遵循和准确性优化了，在智能体编码、长上下文工作流和多步问题解决方面表现卓越。

Qwen-Image-2.0 是由 Qwen AI 推出的图像生成模型。

Qwen-Image-2.0-Pro 是由 Qwen AI 推出的图像生成模型。

Doubao-Seedream-5.0-lite 是字节跳动最新的图像生成模型。它首次集成了在线检索功能，能整合实时网络信息，这样提升生成图像的时效性。同时，该模型的智能水平得到了进一步升级，能更准确地理解复杂的指令和视觉内容。另外，该模型在世界知识广度、参考一致性以及专业场景下的生成质量方面也得到了增强，更好地满足了企业级的视觉创作需求。

Qwen3.5 原生视觉语言 Flash 模型系列基于混合架构设计，集成了线性注意力机制与稀疏专家混合 (MoE) 模型，实现了更高的推理效率。与 3 系列相比，该模型在纯文本和多模态能力方面均实现了跨越式提升；它提供快速响应时间，在推理速度和性能之间取得了平衡。

Qwen3.6 Flash 是来自阿里巴巴 Qwen 3.6 系列的一款快速、高效的语言模型。它支持文本、图像和视频输入，并拥有 1M token 的上下文窗口。超过 256K token 后将采用分级定价。该模型支持 Prompt 缓存，并包含显式缓存读取和缓存创建定价。

Gemini 3.1 Pro 是 Gemini 系列模型的下一代产品，这是一套功能强大、原生多模态的推理模型。Gemini 3 Pro 是目前 Google 处理复杂任务最先进的模型，能理解海量数据集以及来自不同信息源（包括文本、音频、图像、视频和整个代码库）的挑战性问题。

Sonnet 4.6 是 Anthropic 迄今为止功能最强大的 Sonnet 系列模型，在编程、智能体和专业工作领域展现出前沿性能。它擅长迭代开发、复杂的代码库导航、有记忆功能的端到端项目管理、精致的文档创建，以及用于 Web QA 和工作流自动化的自信计算机使用。

Qwen3.5 原生视觉语言系列 Plus 模型，基于混合架构设计，集成了线性注意力机制与稀疏混合专家模型，实现了更高的推理效率。在多项任务评测中，Qwen3.5 系列展现出了与当前顶尖模型相当的出色性能，相比 3 系列，在纯文本和多模态方面均取得了跨越式的进步。

Doubao-Seed-2.0-Code 专为企业级编程需求而优化。它基于 Seed 2.0 出色的 Agent 和 VLM 能力，显著增强了代码能力。不仅有出色的前端性能，还针对企业中常见的多语言编码需求专门了优化，使其适用于与各种 AI 编程工具集成。

Doubao-Seed-2.0-lite 是一款专为高频企业场景设计的平衡型模型，兼顾性能与成本，其综合能力超越了前代产品 Doubao-Seed-1.8。该模型擅长非结构化信息处理、内容创作、搜索与推荐、数据分析等生产导向任务，支持长上下文、多源信息融合、多步指令执行以及高保真结构化输出，在确保稳定性能的同时，显著优化了成本。

Doubao-Seed-2.0-mini 专为低延迟、高并发和成本敏感型场景设计，强调快速响应和灵活的推理部署。其模型性能与 Doubao-Seed-1.6 相当。它支持 256k 上下文、四种思考长度级别以及多模态理解，非常适合对成本和速度要求极高的轻量级任务。

Doubao-Seed-2.0-pro 是一款旗舰级、全能型通用模型，专为 Agent 时代的复杂推理和长链条任务执行场景而设计。它强调多模态理解、长上下文推理、结构化生成以及工具增强执行能力。其在执行复杂指令和多重约束方面的表现出色，能稳定处理多步复杂规划、复杂图文推理、视频内容理解以及高难度分析等场景。

MiniMax-M2.5 是一款轻量级、最先进的大型语言模型，专为编码、智能体工作流和现代应用开发而优化。它仅有 100 亿激活参数，在保持卓越的延迟、可扩展性和成本效益的同时，实现了实际应用能力的重大飞跃。与前代产品相比，M2.1 提供更简洁的输出和更快的感知响应时间。它在主流系统和应用语言中展现出领先的多语言编码性能，在 Multi-SWE-Bench 上达到 49.4%，在 SWE-Bench Multilingual 上达到 72.5%，并可作为 IDE、编码工具和通用助手的多功能智能体“大脑”。为避免降低

M2.5 highspeed：相同性能，更快速，更敏捷

GLM-5 是 Zai 的新一代旗舰级基础模型，专为 Agentic Engineering 设计，能在复杂的系统工程和长程 Agent 任务中提供可靠的生产力。在编码和 Agent 能力方面，GLM-5 在开源领域达到了 SOTA 水准，其实际编程场景下的可用性已接近 Claude Opus 4.5。

GPT-5.3-Codex 是 OpenAI 最强大的智能体编程模型，用来处理不仅仅是代码生成，还包括计算机上的更长、端到端的任务。它结合了 GPT-5.2-Codex 的前沿编码能力以及 GPT-5.2 的推理和专业知识能力，并且在运行速度上优化了（Codex 速度提升约 25%）。它专为长周期、多步骤任务而设计，包括研究、工具使用、调试和复杂执行，同时保持交互性——所以你可以在其工作时引导它、提出问题并调整方向，而不会丢失上下文。在评估中，它在软件工程和智能体基准测试（包括 SWE-Bench Pro 和

Opus 4.6 是 Anthropic 用于编码和长期专业任务的最强模型。它专为在整个工作流中运行而非仅处理单一提示词的智能体而构建，所以在处理大型代码库、复杂重构以及随时间展开的多步调试方面特别有效。与前几代产品相比，该模型展现出更深层的上下文理解能力、更强的任务分解能力以及在艰巨工程任务中更高的可靠性。除编码外，Opus 4.6 在持续性知识工作方面表现出色。它能在一次处理中生成接近生产就绪的文档、计划和分析，并能在超长输出和长时间会话中保持连贯性。这使其成为需要持久性、判断力和执行力的任务（如技术设计、迁移

Step 3.5 Flash 是 StepFun 最强大的开源基础模型。它基于稀疏 Mixture of Experts (MoE) 架构构建，每个 token 仅选择性激活 196B 参数中的 11B。这是一个推理模型，即使在长上下文下也有极高的速度效率。

M2-her 文本聊天模型，专为角色扮演、多轮对话和对话场景而设计。

Baidu: ERNIE 5.0。新一代文心模型 Wenxin 5.0 是一款原生多模态大模型。它采用原生统一多模态建模方法，联合建模文本、图像、音频和视频，提供完整的多模态能力。Wenxin 5.0 的核心能力得到了全面升级，在基准测试数据集上表现出色，尤其在多模态理解、指令遵循、创意写作、事实准确性、智能体规划和工具使用方面有极强的表现。

Z.AI: GLM 4.7 Flash (免费) 作为一款30B级别的SOTA模型，GLM-4.7-Flash提供了一个兼顾性能与效率的新选择。它针对智能体编码用例深度了优化，增强了代码编写、长程任务规划以及工具协作能力，并在多项当前主流公开基准评测榜单中，于同等规模开源模型中展现出领先性能。

作为一款30B-class的SOTA模型，GLM-4.7-FlashX提供了一种平衡性能与效率的新选择。它针对agentic coding使用场景深度了优化，加强了编码能力、长周期任务规划和工具协作，并在多个当前主流公开评测榜单中，于同参数规模的开源模型中取得了领先表现。

GLM-Image 是一款采用混合自回归 + 扩散解码器架构的图像生成模型。在通用图像生成质量方面，GLM-Image 与主流的潜在扩散方法相当，但在文本渲染和知识密集型生成场景中展现出显著优势。它在需要精确语义理解和复杂信息表达的任务中表现尤为出色，同时保持了高保真和精细细节生成方面的强大能力。除文本生成图像外，GLM-Image 还支持丰富的图像到图像任务，包括图像编辑、风格迁移、身份保持生成和多主体一致性。

GPT-5.2-Codex 是 GPT-5.2 的升级版本，针对 Codex 或类似环境中的智能体编程任务优化了。GPT-5.2-Codex 支持低、中、高和 xhigh 推理能力设置。

Qwen: Qwen3 Rerank 是 Qwen 模型家族中一款新的专有模型。它专为重排序任务而设计，基于 Qwen3 基础模型构建。凭借 Qwen3 强大的多语言文本理解能力，该系列在多个文本嵌入和重排序任务基准测试中实现了业界领先的性能。

Qwen: Qwen3 VL Embedding 模型系列是 Qwen 家族的最新成员，基于近期开源且强大的 Qwen3-VL 基础模型构建。该系列专为多模态信息检索和跨模态理解而设计，支持包括文本、图像、截图、视频以及这些模态混合在内的多种输入格式。

Qwen: Qwen3 VL Rerank 模型系列是 Qwen 家族的最新成员，基于近期开源且功能强大的 Qwen3-VL 基础模型构建。该系列专为多模态信息检索和跨模态理解而设计，支持包括文本、图像、截图、视频以及这些模态混合在内的多种输入。

Veo 3.1 是 Google 最先进的模型，用于生成有惊人真实感和原生音频的高保真、8 秒 720p、1080p 或 4k 视频。你可以通过 Gemini API 以编程方式访问此模型。要了解有关可用 Veo 模型变体的更多信息，请参阅 Model Versions 部分。