Модели

Модель эмбеддингов all-MiniLM-L12-v2 отображает предложения и короткие абзацы в плотное векторное пространство размерности 384, создавая эффективные и высококачественные семантические эмбеддинги, оптимизированные для таких задач, как семантический поиск, кластеризация и оценка сходства.

Модель эмбеддингов bge-base-en-v1.5 преобразует английские предложения и абзацы в плотные векторы размерности 768, обеспечивая эффективные и качественные семантические эмбеддинги, оптимизированные для задач поиска, семантического поиска и сопоставления документов. Эта версия (v1.5) отличается улучшенным распределением оценки сходства и более высокой производительностью поиска из коробки.

Модель эмбеддингов multi-qa-mpnet-base-dot-v1 преобразует предложения и короткие абзацы в плотное векторное пространство размерности 768, создавая высококачественные семантические эмбеддинги, оптимизированные для поиска по вопросам и ответам, семантического поиска и оценки сходства разнообразного контента.

Модель вложений bge-large-en-v1.5 сопоставляет английские предложения, абзацы и документы с плотным векторным пространством размерности 1024, выдавая высокоточные семантические вложения, оптимизированные для семантического поиска, поиска документов и последующих задач NLP на английском языке.

Модель эмбеддингов bge-m3 кодирует предложения, абзацы и длинные документы в плотное векторное пространство размерностью 1024, обеспечивая высококачественные семантические эмбеддинги, оптимизированные для многоязычного поиска, семантического поиска и приложений с большим контекстом.

Модель эмбеддингов all-mpnet-base-v2 кодирует предложения и короткие абзацы в плотное векторное пространство размерности 768, обеспечивая высококачественные семантические эмбеддинги, хорошо подходящие для таких задач, как информационный поиск, кластеризация, оценка схожести и ранжирование текстов.

Модель эмбеддингов all-MiniLM-L6-v2 преобразует предложения и короткие абзацы в плотное векторное пространство размерности 384, обеспечивая высококачественные семантические представления, идеально подходящие для таких задач, как поиск информации, кластеризация, оценка сходства и ранжирование текстов.

GPT-5.1 — это модель передового уровня в серии GPT-5, обладающая более сильными универсальными рассуждениями, улучшенным следованием инструкциям и более естественным стилем общения по сравнению с GPT-5. Она использует адаптивные рассуждения для динамического распределения вычислительных ресурсов, быстро отвечая на простые запросы и выделяя больше ресурсов GPU для сложных задач. Модель дает более четкие и понятные объяснения с меньшим количеством жаргона, что упрощает восприятие даже технических или многошаговых проблем. Благодаря широкой сфере применения, GPT-5.1 обеспечивает стабильные результаты в математике, программировании и задачах со структурированными данными, предлагая более связные развернутые ответы и повышенную надежность при использовании инструментов. Кроме того, она отличается более точным следованием указаниям, обеспечивая более естественное и комфортное взаимодействие без ущерба для точности. GPT-5.1 — это основная модель полного цикла, пришедшая на смену GPT-5.

GPT-5.1-Codex — это специализированная версия GPT-5.1, оптимизированная для разработки программного обеспечения и рабочих процессов написания кода. Она предназначена как для интерактивных сессий разработки, так и для длительного автономного выполнения сложных инженерных задач. Модель поддерживает создание проектов с нуля, разработку функций, отладку, масштабный рефакторинг и ревью кода. По сравнению с GPT-5.1, Codex более управляема, строго следует инструкциям разработчика и выдаёт более чистый и качественный код. Уровень усилий на рассуждение можно регулировать с помощью параметра reasoning.effort. Документация доступна здесь Codex интегрируется в среды разработки, включая CLI, расширения IDE, GitHub и облачные задачи. Она динамически адаптирует усилия на рассуждение: обеспечивает быстрые ответы для небольших задач и поддерживает длительные многочасовые сессии для крупных проектов. Модель обучена выполнять структурированные ревью кода, выявляя критические недостатки путём анализа зависимостей и проверки поведения на соответствие тестам. Она также поддерживает мультимодальные входные данные, такие как изображения или скриншоты, для разработки UI, и интегрирует использование инструментов для поиска, установки зависимостей и настройки окружения. Codex предназначена специально для агентных задач написания кода.

GPT-5.1-Codex-Mini — это меньшая и более быстрая версия GPT-5. 1-Codex

Kimi K2 Thinking — это самая продвинутая открытая модель для рассуждений от Moonshot AI, расширяющая серию K2 до агентных и долгосрочных рассуждений. Построенная на триллионной архитектуре смеси экспертов (MoE), представленной в Kimi K2, она активирует 32 миллиардов параметров за проход и поддерживает контекстные окна в 256 тысяч токенов. Модель оптимизирована для устойчивого пошагового мышления, динамического вызова инструментов и сложных рабочих процессов рассуждений, охватывающих сотни витков. Она чередует пошаговые рассуждения с использованием инструментов, что позволяет автономно выполнять исследования, написание кода и текстов, сохраняя устойчивость на протяжении сотен последовательных действий без сбоев. Она устанавливает новые открытые эталоны в HLE, BrowseComp, SWE-Multilingual и LiveCodeBench, сохраняя стабильное мультиагентное поведение благодаря 200–300 вызовам инструментов. Построенная на крупномасштабной архитектуре MoE с оптимизацией MuonClip, модель сочетает глубокую способность к рассуждениям с высокой эффективностью вывода для сложных агентных и аналитических задач.

Amazon Nova Premier — самая производительная мультимодальная модель Amazon для сложных задач рассуждения, а также лучший инструмент для дистилляции собственных моделей в роли учителя.

Mistral Embed — это специализированная модель встраивания для текстовых данных, оптимизированная для семантического поиска и приложений RAG. Разработанная компанией Mistral AI в конце 2023 года, она создаёт векторы размерности 1024, которые эффективно улавливают семантические связи в тексте.

gemini-embedding-001 обеспечивает унифицированный передовой опыт в различных областях, включая науку, право, финансы и программирование. Эта модель эмбеддингов стабильно занимает высокие позиции в многоязычном рейтинге Massive Text Embedding Benchmark (MTEB) с момента экспериментального запуска в марте.

text-embedding-ada-002 — это устаревшая модель текстовых эмбеддингов от OpenAI.

Mistral Codestral Embed специально разработана для кода, идеально подходит для эмбеддинга баз кода, репозиториев и обеспечения работы ассистентов по программированию с передовым поиском.

text-embedding-3-large — это самая производительная модель встраивания OpenAI как для англоязычных, так и для неанглоязычных задач. Embedding представляют собой числовое представление текста, которое можно использовать для измерения связанности между двумя фрагментами текста. Embedding полезны для поиска, кластеризации, рекомендаций, обнаружения аномалий и задач классификации.

text-embedding-3-small — это улучшенная, более производительная версия модели встраивания OpenAI. Embedding — это числовое представление текста, которое можно использовать для измерения схожести между двумя фрагментами текста. Embedding полезны для задач поиска, кластеризации, рекомендаций, обнаружения аномалий и классификации.

Эксклюзивно доступен на OpenRouter API, новый режим Pro Search от Sonar Pro — это самая продвинутая агентная поисковая система Perplexity. Он предназначен для более глубокого анализа и рассуждений. Ценообразование основано на токенах плюс $18 за тысячу запросов. Эта модель обеспечивает работу режима Pro Search на платформе Perplexity. Sonar Pro Search добавляет автономное многошаговое рассуждение к Sonar Pro. Таким образом, вместо просто одного запроса + синтеза, он планирует и выполняет целые исследовательские рабочие процессы с использованием инструментов.

Voxtral Small является улучшением Mistral Small 3, включая современные возможности ввода аудио, сохраняя при этом лучшую в своем классе производительность для текста. Он отлично справляется с транскрипцией речи, переводом и пониманием аудио. Входное аудио оценивается в $100 за миллион секунд.

gpt-oss-safeguard-20b — это модель для рассуждений в области безопасности от OpenAI, созданная на основе gpt-oss-20b. Эта модель с открытыми весами и архитектурой Mixture-of-Experts (MoE) с 21B параметрами обеспечивает более низкую задержку для задач безопасности, таких как классификация контента, фильтрация LLM и маркировка доверия и безопасности. Узнайте больше об этой модели в руководстве пользователя по gpt-oss-safeguard от OpenAI.

Серия моделей Qwen3 Embedding — это новейшая проприетарная модель семейства Qwen, специально предназначенная для задач текстовых эмбеддингов и ранжирования. Эта серия наследует исключительные многоязычные способности, понимание длинных текстов и навыки рассуждения своей базовой модели. Серия Qwen3 Embedding представляет собой значительный прогресс в нескольких задачах текстовых эмбеддингов и ранжирования, включая поиск текста, поиск кода, классификацию текста, кластеризацию текста и извлечение двуязычных параллелей.

Серия моделей Qwen3 Embedding является последней проприетарной моделью семейства Qwen, специально разработанной для задач эмбеддинга текста и ранжирования. Эта серия наследует исключительные многоязычные возможности, понимание длинных текстов и навыки рассуждения своей базовой модели. Серия Qwen3 Embedding представляет значительные достижения в различных задачах эмбеддинга текста и ранжирования, включая поиск текста, поиск кода, классификацию текста, кластеризацию текста и извлечение двуязычных данных.

MiniMax-M2 — это компактная языковая модель с высокой производительностью, оптимизированная для кодирования и агентных задач. Благодаря архитектуре с 10 млрд активированных параметров (всего 230 млрд) модель обеспечивает производительность, близкую к передовым системам, в общем мышлении, работе с инструментами и многошаговых задачах, сохраняя при этом низкую задержку и эффективность развертывания. Модель отлично справляется с генерацией кода, редактированием нескольких файлов, циклами компиляции и исправления, а также проверкой тестами, показывая высокие результаты на SWE-Bench Verified, Multi-SWE-Bench и Terminal-Bench. Она также конкурентоспособна в агентных оценках, таких как BrowseComp и GAIA, эффективно обрабатывая долгосрочное планирование, поиск информации и восстановление после ошибок выполнения. По результатам тестов Artificial Analysis, MiniMax-M2 входит в число лучших открытых моделей по составному интеллекту, охватывающему математику, естественные науки и следование инструкциям. Небольшой объем активируемых параметров обеспечивает быстрый вывод, высокую конкурентность и улучшенную экономическую эффективность, что делает модель подходящей для крупномасштабных агентов, помощников разработчиков и приложений, требующих высокой скорости и эффективности затрат. Чтобы не снижать производительность модели, MiniMax настоятельно рекомендует сохранять рассуждения между шагами. Узнайте больше об использовании reasoning_details для передачи рассуждений в нашей документации.

Granite-4.0-H-Micro — это модель с 3B параметрами из семейства моделей Granite 4. Эти модели являются новейшими в серии моделей, выпущенных IBM. Они дообучены для вызова инструментов в длинном контексте.

GPT-5 Image Mini объединяет передовые языковые возможности OpenAI, основанные на GPT-5 Mini, с GPT Image 1 Mini для эффективной генерации изображений. Эта нативно мультимодальная модель отличается превосходным следованием инструкциям, отображением текста и детальным редактированием изображений при сниженной задержке и стоимости. Она превосходно справляется с созданием высококачественного визуального контента, сохраняя при этом сильное понимание текста, что делает её идеальной для приложений, требующих как эффективной генерации изображений, так и обработки текста в больших масштабах.

Claude Haiku 4.5 — самая быстрая и эффективная модель Anthropic, обеспечивающая интеллект почти фронтирного уровня при доле стоимости и задержки по сравнению с более крупными моделями Claude. Сопоставимая с производительностью Claude Sonnet 4 в задачах рассуждения, написания кода и использования компьютера, Haiku 4.5 выводит возможности фронтирного уровня в реальное время и приложения с высокими объёмами нагрузки. Она представляет расширенное мышление для линейки Haiku, обеспечивая контроль глубины рассуждений, суммаризированный или чередующийся вывод мыслей и рабочие процессы с инструментальной поддержкой, включая полную поддержку программирования, bash, веб-поиска и инструментов использования компьютера. Набрав >73% баллов в SWE-bench Verified, Haiku 4.5 занимает место среди лучших мировых моделей кодирования, сохраняя исключительную отзывчивость для сабагентов, параллельного выполнения и масштабируемого развёртывания.

Qwen3-VL-8B-Instruct — это мультимодальная модель vision-language из серии Qwen3-VL, созданная для высокоточной интерпретации и рассуждений в области текста, изображений и видео. Она отличается улучшенной мультимодальной интеграцией с Interleaved-MRoPE для долгосрочных временных рассуждений, DeepStack для точного выравнивания визуальных и текстовых данных, а также выравниванием текста по временным меткам для точной локализации событий. Модель поддерживает нативное контекстное окно на 256K токенов, расширяемое до 1M токенов, и обрабатывает как статические, так и динамические медиаданные для таких задач, как разбор документов, ответы на визуальные вопросы, пространственные рассуждения и управление GUI. Она достигает понимания текста, сравнимого с ведущими LLMs, расширяя при этом охват OCR до 32 языков и повышая устойчивость к разнообразным визуальным условиям.

GPT-5 Image сочетает модель OpenAI's GPT-5 с современными возможностями генерации изображений. Это обеспечивает значительные улучшения в рассуждении, качестве кода и пользовательском опыте, а также включает превосходное следование инструкциям GPT Image 1, рендеринг текста и детализированное редактирование изображений.

Gemini 2.5 Flash Image, также известная как "Nano Banana", теперь общедоступна. Это современная модель генерации изображений с контекстным пониманием. Она способна генерировать изображения, редактировать их и вести многоходовые диалоги. Соотношение сторон можно контролировать с помощью параметра image_config API.