Модели

Seedance 2.5 — это модель генерации видео от ByteDance. Она подходит для длительного повествования, мультимодальной генерации на основе референсов, редактирования видео и расширения видео. Поддерживает управление по первому кадру и по первому и последнему кадрам, до 50 изображений, видео и аудио-референсов, необязательное генерируемое аудио и многоязычную аудиовизуальную генерацию.

GPT Transcribe — это высокоточная модель распознавания речи от OpenAI. Она подходит для записанного аудио, транскрипции потоковых файлов и завершённых Realtime-сеансов, с поддержкой контекста в свободной форме, подсказок по ключевым словам и множественных языковых подсказок для специализированных терминов и многоязычной речи.

Muse Spark 1.2 — это модель для рассуждений от Meta, предназначенная для сложных агентных задач. Она принимает текст, изображения, видео и документы PDF, возвращает текст и предлагает контекстное окно на 1M токенов. Модель создана для поддержки многолетних агентных рабочих процессов, будь то в роли основного агента, который планирует и распределяет задачи, или в роли субагента, выполняющего действия параллельно. Она работает с несколькими средами программирования и поддерживает структурированный вывод, параллельный вызов функций и настраиваемые усилия при рассуждении. В тестировании Meta она показывает хорошие результаты при рефакторинге многофайловых проектов, длительных сессиях отладки, генерации целых репозиториев и задачах, выходящих далеко за рамки одного запроса.

Qwen Image 3 — это унифицированная модель генерации и редактирования изображений от Qwen. Она поддерживает точное отображение текста и деталей размером до 10px, а также более богатую базу знаний о мире, чем предыдущие поколения.

Qwen Image 3 Pro — это модель генерации и редактирования изображений от Qwen. Она поддерживает точное отображение текста и деталей размером до 10px, а также обладает более глубокими знаниями о мире по сравнению с предыдущими поколениями.

FLUX.3 Video — это модель генерации видео от Black Forest Labs. Она поддерживает генерацию из текста, создание видео по изображению с начальным и конечным ключевыми кадрами, а также сценарии продолжения видео, что делает её подходящей для контролируемого творческого производства, анимации сцен и расширения существующих клипов. Модель может генерировать синхронизированный звук вместе с видео.

Эта модель всегда перенаправляет на последнюю модель семейства DeepSeek V4 Flash.

DeepSeek V4 Flash 0731 — это разреженная модель смеси экспертов от DeepSeek, с 13B активными параметрами из 284B общих. Эта переобученная версия подходит для задач кодирования, рассуждений и агентных рабочих процессов. Это GA-релиз DeepSeek V4 Flash.

Inkling Small — это открытая мультимодальная модель смеси экспертов с открытыми весами от лаборатории Thinking Machines, с 12B активными параметрами из 276B общих. Она позиционируется как меньший и более эффективный представитель семейства Inkling и подходит для рассуждений, программирования, агентных рабочих процессов, генерации с дополнением на основе поиска, следования инструкциям и многоязычного общения.

MiniMax H3 — это легковесная модель генерации видео с открытыми весами от MiniMax. Она предназначена для точного мультимодального редактирования и управляемой генерации контента, включая редактирование по текстовым инструкциям, отрисовку текста и брендов, а также перенос движения между видео. Модель подходит для коммерческих творческих процессов в рекламе, электронной коммерции, геймдеве и дизайне интерфейсов, обеспечивая нативный аудиовизуальный вывод при генерации на основе референсов.

Transcribe 1 — это модель преобразования речи в текст от Fish Audio. Она подходит для транскрипции аудио с автоматическим определением языка и может возвращать сегменты с временными метками на уровне слов, если запрошено выравнивание.

S1 — это многоязычная модель синтеза речи от Fish Audio. Она подходит для голосовых приложений, требующих широкой эмоциональной выразительности, с использованием скобочных управляющих элементов для направления стиля речи на поддерживаемых языках.

S2 Pro — это многоязычная модель синтеза речи от Fish Audio. Она подходит для выразительной речи и многоголосых диалогов, с естественными средствами управления стилем произношения и эмоциями.

S2.1 Pro — это ориентированная на производство модель преобразования текста в речь от Fish Audio. Она подходит для многоязычных голосовых приложений, выразительного озвучивания и синтеза диалогов, с открытыми управляющими командами на естественном языке для стиля речи и эмоций.

Runway Aleph 2.0 — это модель редактирования видео в контексте от Runway. Она применяет текстовые инструкции и редактирование на основе ключевых кадров к существующему видео, сохраняя детали, которые не должны изменяться. Она подходит для добавления, удаления или замены объектов и предметов, изменения фона или одежды, изменения освещения сцен, изменения погоды или времени суток, изменения стиля видео и расширения кадра до нового соотношения сторон.

Runway Gen-4.5 — это модель генерации видео от Runway для workflows «текст-в-видео» и «изображение-в-видео». Она предназначена для создания кинематографичных сцен с высоким качеством движения, визуальной точностью и соблюдением запросов. Модель способна координировать сложные последовательности действий, детализированное движение камеры, точный тайминг событий и атмосферные изменения, что делает её подходящей для повествовательных кадров, демонстрации продуктов и управляемой анимации изображений.

Qwen3.7 Flash — это модель визуально-языкового рассуждения от Alibaba. Она подходит для мультимодальных агентов, визуального программирования, поиска и компьютерного взаимодействия, с сильными сторонами в распознавании объектов, пространственном понимании и восприятии реального мира.

rerank-2.5-lite — это реранкер, оптимизированный как по задержке, так и по качеству, обеспечивающий улучшение точности поиска на 7.16% по сравнению с Cohere Rerank v3.5 на 93 наборах данных. Он также превзошёл Cohere Rerank v3.5 на 10.36% в тесте Massive Instructed Retrieval Benchmark (MAIR). Модель поддерживает суммарный контекст длиной до 32K токенов на пару запрос-документ, включая до 8K токенов для запроса, что обеспечивает более точный поиск по более длинным документам. Кроме того, rerank-2.5-lite поддерживает следование инструкциям, позволяя пользователям управлять оценкой релевантности с помощью подсказок на естественном языке. Узнайте больше о rerank-2.5-lite здесь: blog.voyageai.com/2025/08/11/rerank-2-5

rerank-2.5 — это передовой реранкер, оптимизированный для качества, обеспечивающий улучшение точности поиска на 7.94% по сравнению с Cohere Rerank v3.5 на 93 наборах данных. Он также превзошёл Cohere Rerank v3.5 на 12.70% на Massive Instructed Retrieval Benchmark (MAIR). Модель поддерживает объединённую длину контекста в 32K токенов на пару запрос–документ, включая до 8K токенов для запроса, что обеспечивает более точный поиск по более длинным документам. Кроме того, rerank-2.5 поддерживает следование инструкциям, позволяя пользователям управлять оценкой релевантности с помощью подсказок на естественном языке. Узнайте больше о rerank-2.5 здесь: https://blog.voyageai.com/2025/08/11/rerank-2-5.

voyage-multimodal-3.5 — это современная мультимодальная эмбеддинг-модель, способная векторизовать не только текст, изображения и видео по отдельности, но и контент, в котором все три модальности переплетаются. Она обеспечивает отличную производительность для поиска по смешанным модальностям, включающего текст и визуальный контент, такой как PDF скриншоты, рисунки, таблицы, видео и другое. Благодаря Matryoshka-обучению и обучению с учётом квантования, voyage-multimodal-3.5 поддерживает эмбеддинги размерности 2048, 1024, 512 и 256, с несколькими вариантами квантования. Узнайте больше о voyage-multimodal-3.5 здесь: blog.voyageai.com/2026/01/15/voyage-multimodal-3-5

voyage-4-lite — это легковесная универсальная модель для получения эмбеддингов, оптимизированная под низкую задержку и стоимость. Благодаря обучению по методу Матрёшки и обучению с учётом квантования, voyage-4-lite поддерживает эмбеддинги размерностей 2048, 1024, 512 и 256, с несколькими вариантами квантования. Узнайте больше о voyage-4-lite здесь: blog.voyageai.com/2026/01/15/voyage-4

voyage-4 — это универсальная (включая многоязычную) модель эмбеддингов, оптимизированная для задач поиска/retrieval и приложений AI. voyage-4 поддерживает эмбеддинги размерностей 2048, 1024, 512 и 256, с несколькими вариантами квантования. Узнайте больше о voyage-4 здесь: blog.voyageai.com/2026/01/15/voyage-4

Модель voyage-4-large является современной универсальной и многоязычной эмбеддинг-моделью, оптимизированной для качества поиска. Благодаря обучению с использованием Matryoshka-метода и обучению с учётом квантования, voyage-4-large поддерживает эмбеддинги размерности 2048, 1024, 512 и 256, с несколькими вариантами квантования. Узнайте больше о voyage-4-large здесь: blog.voyageai.com/2026/01/15/voyage-4

Claude Opus 5 — флагманская модель компании Anthropic для сложных задач рассуждения, программирования и длительной агентной работы. Она особенно сильна в сквозных программных задачах, ревью кода и поиске ошибок, визуальном анализе диаграмм и документов, подготовке сложных офисных результатов и координации параллельных субагентов. Модель сохраняет высокое качество следования инструкциям и использования инструментов при выполнении длительных задач, оставаясь эффективной в условиях пониженных вычислительных затрат для рабочих нагрузок, где важны задержка и эффективность использования токенов.

Microsoft Модель AI — высококачественная модель генерации изображений, доступная через Azure AI Foundry. Она создает фотореалистичные и художественные изображения по текстовым запросам с поддержкой различных соотношений сторон MAI-Image-2.5.

MAI-Voice-2-Flash — это модель преобразования текста в речь с низкой задержкой от Microsoft AI для голосовых агентов, ассистентов, колл-центров, обеспечения доступности, озвучивания и других интерактивных приложений. Она создаёт выразительную 24 kHz монофоническую речь на 15 языках и 18 локалях, обеспечивая точный контроль тона и подачи. Голосовое промптирование и клонирование требуют Microsoft AI-approved доступа и соответствующего согласия говорящего.

Ling-3.0-flash — это модель со смесью экспертов (MoE) с 124B параметрами, при этом на каждый токен активируется примерно 5.1B параметров. Модель разработана с приоритетом эффективности использования токенов и продакшн-масштабного агентного инференса, что позволяет разработчикам выполнять больше полезной работы в рамках ограниченных бюджетов на токены, задержку и стоимость обслуживания.

Qwen-Audio-3.0-TTS Flash — это быстрая и экономичная модель синтеза речи от Alibaba, которая генерирует аудио из текста с помощью речевого синтезатора DashScope API.

Qwen-Audio-3.0-TTS Plus — это модель синтеза речи более высокого качества от Alibaba, которая генерирует звуковую речь из текста через синтезатор речи DashScope API.

Grok STT — это модель преобразования речи в текст от SpaceXAI, доступная через конечную точку REST /v1/stt. Она поддерживает транскрипцию с временными метками на уровне слов, необязательную диаризацию говорящих и многоканальное аудио.