模型中心

GPT-5是OpenAI推出的最新一代先进模型，在推理能力、代码生成质量和用户体验方面实现显著提升。该模型针对复杂任务进行了专项优化，尤其擅长需要逐步推理、精准遵循指令以及对准确性要求严格的高风险场景。

Kling v2.1 是快手研发的文 / 图生视频模型，搭载 3D 时空注意力机制，能精准还原动态细节，支持 720P/1080P、24fps 输出。内置 10 + 运镜与多艺术风格，可自动补连贯动作、生成同步音效

Kling/Kling v2.1 Master 是快手文生视频大师级版本，主打 1080P 高清输出及 4K 适配，搭载专属动态光影追踪技术，可精准实现多主体动作协同与影视级粒子特效。支持材质细节实时渲染，5 秒 1080P 视频生成仅需 30 秒，兼顾高端画质与效率，适配影视预演、高端广告等场景，还能通过情绪参数调画面氛围，强化叙事感。

Grok 4.7是SpaceXAI面向代码编写、智能代理任务以及知识类工作推出的旗舰模型，为Grok 4.6的迭代版本。该模型在长时间软件工程任务、自我工作校验以及长上下文处理方面表现突出，相较于前代产品，在文档撰写、演示文稿制作等专业知识工作上的能力有所提升。

谷歌 Veo 3 视频模型的更快、更便宜的版本，带有音频

全新面向多模态 Agent 场景定向优化模型。更强Agent能力、升级多模态理解、更灵活的上下文管理。

vidu/vidu2.0 是清华与生数科技联合研发的文生视频模型，核心搭载全球首创 U-ViT 架构，10 秒内即可生成 4 秒视频，单秒成本仅 4 分钱。支持 16 秒 1080P 输出，能精准控制多主体动态一致性，内置物理引擎还原毫米级运动细节，还深度适配国风等文化元素

Doubao-Seedance-1.0-lite-i2v，根据首帧图片、尾帧图片（可选）、参考图片（可选）和文本描述（可选）生成视频。是兼顾生成效果与速度的性价比之选。该模型语义理解与指令遵循能力强。运镜专业。支持多种视频风格，可以丝滑兼容各种风格的首图。分辨率支持480P、720P、1080P，时长支持3-12s，帧率24fps

bytedance/doubao-seedance-1.0-lite-t2v 是字节跳动轻量级文生视频模型，支持文 / 图生视频，含专业运镜、多艺术风格，输出 480P/720P、24fps。适用于电商营销、影视预演、创意内容制作

OpenAI最强图像生成模型，新模型能够结合世界知识，生成更加符合上下文图像，质量更高，还支持多种功能自定义。

jimeng/即梦3.0-图生视频-首帧-720p是专注首帧驱动的图生视频模型，以输入首帧为基础生成动态内容，支持720p高清输出。能精准延续首帧的画面风格、元素细节（如人物肌理、场景光影），生成的视频动作自然、场景元素连贯不跳帧，适配创意短视频、动态海报等场景，兼顾生成效率与画面质感，满足轻量级动态创作需求。

Step 3.7 Flash 是阶跃星辰推出的旗舰多模态推理模型，基于 198B 总参数 / 11B 激活参数的稀疏 MoE 架构，原生支持图片和视频理解，具备 256K tokens 长上下文和高速低延迟的推理能力。

Kimi K2.7 Code HighSpeed 是 Kimi K2.7 Code 的高速版模型，与 Kimi K2.7 Code 是相同模型，但输出速度约 180 Tokens/s，短上下文场景可达 260 Token/s，带来更极致的编程体验。

暂未提供模型说明。

Qwen-Omni 模型能够接收文本、图片、音频、视频等多种模态的组合输入，并生成文本或语音形式的回复， 提供多种拟人音色，支持多语言和方言的语音输出，可应用于文本创作、视觉识别、语音助手等场景。

Grok 4.5是XAI最智能的模型，具备在编程、知识工作和STEM领域的前沿性能。

即梦4.0是即梦同源的图像生成能力，该能力在统一框架内集成了文生图、图像编辑及多图组合生成的功能：支持单次输入最多 10 张图像及进行复合编辑，并能通过对提示词的深度推理，智能适配最优的图像比例尺寸与生成数量，可一次性输出最多 15 张内容关联的图像。此外，模型显著提升了中文生成的准确率与内容多样性，且支持 4K 超高清输出，为专业图像创作提供了从生成到编辑的一站式解决方案。

Qwen3-Max 是在 Qwen3 系列的基础上构建的更新版本，与 2025 年 1 月版本相比，在推理、指令遵循、多语言支持和长尾知识覆盖方面进行了重大改进。它在数学、编码、逻辑和科学任务中提供更高的准确性，更可靠地遵循复杂的中文和英文指令，减少幻觉，并为开放式问答、写作和对话提供更高质量的回答。该模型支持 100 多种语言，具有更强的翻译和常识推理能力，并针对检索增强生成 （RAG） 和工具调用进行了优化，尽管它不包括专用的“思考”模式。

通义千问VL-OCR（qwen-vl-ocr），即基于Qwen-VL训练的OCR识别大模型。通过统一模型的方式聚合多种图文识别、解析、处理类任务，提供强大的图文识别能力。

DeepSeek-OCR 是 DeepSeek AI 发布的视觉语言模型，旨在探索视觉-文本压缩边界，专注于文档识别及图像转文本场景的解决方案 。该模型可将长文本渲染为高压缩比图像，在 10 倍无损压缩下能实现 97% 的 OCR 准确率，即使压缩到 20 倍也能保持约 60% 的准确率。

Qwen3系列视觉理解模型，实现思考模式和非思考模式的有效融合，视觉智能体能力在OS World等公开测试集上达到世界顶尖水平。此版本在视觉coding、空间感知、多模态思考等方向全面升级；视觉感知与识别能力大幅提升，支持超长视频理解。

Step 5 Preview 是 StepFun 面向真实任务的新一代旗舰基模，重点覆盖编程与专业知识工作。模型原生支持文本、图片和视频输入，提供 1M tokens 上下文窗口，适合需要处理大量信息、调用工具，并持续推进到交付结果的任务。

文字生成图片，写实质感细腻画面，文字内容生成，艺术风格表现

指令编辑图片内容，轻松实现局部修改、风格变化、一致性保持等