Модели

HappyHorse 1.1 — это модель генерации видео от Alibaba. Она создает короткие видеоролики на основе текстового запроса, одного стартового изображения или набора референсных изображений, с выходом до 1080p и длительностью от 3 до 15 секунд. Она подходит для творческого контента, клипов для социальных сетей и анимации на основе изображений, а также превосходит предыдущую версию за счет более точного следования запросу, более плавных движений и более стабильных персонажей в кадрах.

OpenAI's последняя модель генерации изображений. Поддерживает высококачественную генерацию и редактирование изображений с помощью специальных Images API.

GPT Image 1 от OpenAI создаёт и редактирует изображения через специальные Image API. Отличается точным рендерингом текста, прозрачными фонами и поддержкой до 16 референсных изображений для редактирования.

Экономичный вариант GPT Image 1 для высококачественной генерации изображений с уменьшенной задержкой и стоимостью посредством специализированных Images от OpenAI API.

HappyHorse 1.0 — это модель генерации видео от Alibaba. Она создаёт короткие видеоролики по текстовому запросу, одному стартовому изображению или набору референсных изображений, с выходом до 1080p и длительностью от 3 до 15 секунд. Модель подходит для творческого контента, клипов для социальных сетей и анимации на основе изображений при различных соотношениях сторон.

Gemini 3.1 Flash Image, также известная как «Nano Banana 2», — это новейшая модель генерации и редактирования изображений уровня Pro от Google, обеспечивающая визуальное качество уровня Pro на скорости Flash. Она сочетает расширенное понимание контекста с быстрым и экономически эффективным выводом, что делает сложную генерацию изображений и итеративное редактирование значительно более доступными. Соотношением сторон можно управлять с помощью параметра image_config API.

Nano Banana Pro — самая передовая модель генерации и редактирования изображений от Google, построенная на базе Gemini 3 Pro. Она расширяет возможности оригинальной Nano Banana за счёт значительно улучшенного мультимодального рассуждения, привязки к реальному миру и высокоточной визуальной генерации. Модель создаёт насыщенные по контексту графические материалы — от инфографики и диаграмм до кинематографичных композиций — и может использовать информацию в реальном времени через привязку к поиску. Модель обеспечивает лучшую в отрасли передачу текста в изображениях (включая длинные фрагменты и многоязычные макеты), согласованное смешивание нескольких изображений и точное сохранение индивидуальности до пяти объектов. Nano Banana Pro добавляет тонкие творческие настройки, такие как локальные правки, регулировка освещения и фокуса, трансформации камеры, а также поддержку выходных форматов 2K/4K и гибких соотношений сторон. Она предназначена для профессионального дизайна, визуализации продуктов, раскадровки и сложных многоэлементных композиций, оставаясь при этом эффективной для обычных задач создания изображений.

GLM 5.2 — это крупномасштабная модель рассуждения от Z.ai. Она поддерживает ввод и вывод текста с контекстным окном в 1M токенов и подходит для долгосрочных агентных рабочих процессов, разработки программного обеспечения на уровне проектов и сложной многоэтапной автоматизации. Поддерживаются уровни усилий рассуждения high и xhigh; xhigh соответствует максимальному уровню рассуждения. Модель особенно сильна в написании кода и использовании инструментов в длительных задачах, способна сохранять инженерный контекст и последовательно следовать стандартам на протяжении всего цикла разработки — от требований до развертывания на нескольких платформах — в рамках одной задачи.

MoonshotAI: Kimi K2.7 Code — это модель, ориентированная на программирование, из семейства Kimi K2 от Moonshot AI, созданная для надёжного выполнения комплексных задач программирования в условиях длинных контекстов. Она использует нативную мультимодальную архитектуру смеси экспертов, которая принимает текст и изображения на входе, и всегда работает в режиме мышления, сохраняя полное содержимое рассуждений при многоходовых диалогах. С контекстным окном в 256K токенов модель нацелена на долгосрочное программирование, декомпозицию агентских задач и многоходовые диалоги. Модель активирует 32B параметров из примерно 1T общих.

Эта модель всегда перенаправляет на последнюю модель в семействе Claude Fable.

Claude Fable 5 — это модель класса Mythos от Anthropic, созданная для автономной работы со знаниями и кодирования. Она поддерживает ввод текста, изображений и файлов с выводом текста, поддержку рассуждений и окно контекста на 1M токенов. Она подходит для длительных, сложных и асинхронных задач, которые ранее требовали частых проверок человеком. Она особенно сильна в сквозной работе, которая в противном случае заняла бы у человека часы, дни или недели — берясь за проблемы, которые являются длительными, неоднозначными или многоэтапными. Она выполняет четко очерченные задачи с небольшим количеством ошибок, автоматически самокорректируется через циклы проверки и поставляется с надежными мерами защиты.

Riverflow V2.5 Pro — самая мощная версия линейки Sourceful Riverflow 2.5, оптимальная для задач, требующих максимального контроля и чувствительных к качеству результатов. Серия Riverflow 2.5 — это единое семейство моделей для генерации и редактирования изображений, которое рассматривает генерацию как производственный процесс: встроенная модель рассуждения планирует многошаговые правки и оценивает кандидатов перед выбором итогового результата. Riverflow 2.5 объединяет эти рассуждения с набором закрытых и открытых диффузионных моделей изображений, обеспечивая более высокую точность и управляемость. Уровень рассуждений регулируется параметром reasoning (low/medium/high/xhigh). Более высокие уровни выполняют больше проходов правки и применяют более строгую внутреннюю оценку; режим xhigh подходит для пакетной обработки, где требуется высокая воспроизводимость. Модель генерирует изображения с разрешением 1K, 2K и 4K и принимает до 10 входных изображений для редактирования. Ценообразование динамическое: стоимость финализируется по завершении задания на основе выставленного счёта, поэтому она масштабируется в зависимости от усилий на рассуждение, разрешения и сложности редактирования, а не фиксирована за изображение. Дополнительные возможности (через image_config): Рендеринг пользовательских шрифтов через font_inputs (максимум 2) для точного соответствия начертанию, межбуквенному интервалу и насыщенности брендового текста. Пользовательская оценка через scoring_prompt и scoring_rubric, чтобы модель рассуждения оценивала и направляла каждый вариант по заданным вами критериям. Управление фоном через background_mode (оригинальный, прозрачный, однотонный) и background_hex_color. Подробнее см. в документации по генерации изображений: https://openrouter.ai/docs/features/multimodal/image-generation. Примечание: Sourceful устанавливает ограничение на размер запроса 4.5MB, поэтому настоятельно рекомендуется передавать изображение URLs вместо данных Base64.

Riverflow V2.5 Fast — это оптимизированная по скорости версия линейки Riverflow 2.5 от Sourceful, лучше всего подходящая для продакшен-развертываний и рабочих процессов, критичных к задержке. Серия Riverflow 2.5 — это единое семейство для генерации текста в изображение и изображения в изображение, которое рассматривает генерацию как производственный процесс, используя интегрированную модель рассуждения для планирования многошаговых правок и оценки кандидатов перед принятием результата. Riverflow 2.5 сочетает их рассуждение с набором открытых диффузионных моделей изображений, обеспечивая большую точность и управляемость. Уровень усилий рассуждения управляется через параметр reasoning (low/medium/high) — более высокие уровни выполняют больше проходов редактирования и применяют более строгого внутреннего судью, тогда как более низкие уровни возвращают результат быстрее для раннего исследования. Генерация выполняется в разрешениях 1K и 2K (без 4K) и принимает до 4 входных изображений для редактирования. Ценообразование динамическое: стоимость окончательно определяется для каждой задачи по завершении на основе оплачиваемой обработки, поэтому она масштабируется в зависимости от усилий рассуждения, разрешения и сложности редактирования, а не фиксированной ставки за изображение. Дополнительные возможности (через image_config): Настраиваемый рендеринг шрифтов через font_inputs (максимум 2) для соответствия фирменному начертанию, межбуквенному интервалу и насыщенности Настраиваемая оценка через scoring_prompt и scoring_rubric, чтобы модель рассуждения оценивала и направляла каждого кандидата в соответствии с важными для вас критериями Управление фоном через background_mode (original, transparent, solid) и background_hex_color См. документацию по генерации изображений для подробностей: https://openrouter.ai/docs/features/multimodal/image-generation Примечание: Sourceful накладывает ограничение на размер запроса 4.5MB, поэтому настоятельно рекомендуется передавать URLs изображений вместо данных Base64.

NVIDIA Nemotron 3.5 Content Safety — это компактная мультимодальная модель-гардрейл с 4B параметрами от NVIDIA, дообученная на основе Google Gemma-3-4B. Она модерирует как входные запросы, так и ответы для LLMs и VLMs, принимая текстовые и графические данные на вход и возвращая текстовый вывод: классификацию «безопасно/небезопасно» для пользовательского запроса и ответа, метки категорий безопасности и опциональную трассировку рассуждений. Модель охватывает 12 языков с контекстным окном до 128K токенов. Она подходит для модерации запросов и ответов, классификации контента, конвейеров безопасности и корпоративных гардрейлов AI с применением политик, а также включает переключаемый режим рассуждений. Модель входит в семейство открытых моделей NVIDIA Nemotron для агентных AI.

NVIDIA Nemotron 3 Ultra — открытая модель фронтьерного рассуждения и оркестрации от NVIDIA, с 55B активными параметрами из 550B общих (MoE). Построенная на гибридной архитектуре Transformer-Mamba смеси экспертов, она поддерживает ввод и вывод текста с окном контекста до 1M токенов. Она подходит для длительных агентных рабочих процессов, включая оркестрацию агентов, агентов программирования, глубокие исследования и сложные корпоративные задачи. Модель особенно сильна в многошаговом рассуждении и планировании, с высокопроизводительным инференсом, разработанным для высокообъёмных агентных конвейеров. Она является частью семейства открытых моделей NVIDIA Nemotron для агентных AI.

Qwen3.7-Plus — это экономичная модель в серии Alibaba Qwen3.7. Она поддерживает ввод текста и изображений с выводом текста, развивая текстовые возможности серии за счёт всестороннего улучшения визуально-языковых способностей, сохраняя при этом полностековый интеллект агентного уровня для программирования, использования инструментов и рабочих процессов продуктивности. Её отличительная черта — мультимодальная интерактивная гибридная агентная способность: она может воспринимать реальные сцены, читать экраны и взаимодействовать с GUIs, генерировать код по визуальным ссылкам и выполнять сквозную навигацию внутри мобильных приложений.

MAI-Voice-2 — это выразительная модель преобразования текста в речь от Microsoft AI. Она подходит для разговорных ассистентов, озвучивания медиа, доступности, образования и других голосовых приложений с длинными текстами. Модель поддерживает 15 языков в 18 локалях, обеспечивает точный контроль тона и подачи, генерацию нескольких говорящих и голосовой промптинг на основе коротких аудиофрагментов без тонкой настройки. Модель отдаёт приоритет естественности и выразительности, а не генерации с минимальной задержкой.

MAI-Transcribe 1.5 — это многоязычная модель преобразования речи в текст от Microsoft AI. Она подходит для субтитров, транскрибации звонков, создания субтитров, обеспечения доступности и других голосовых приложений, обеспечивая надежную транскрибацию на 43 языках, различных акцентах и зашумленном реальном аудио. Она поддерживает автоматическое определение языка и смещение ключевых слов для доменной терминологии, а также повышает скорость транскрибации длинных аудио по сравнению с MAI-Transcribe-1. Диаризация говорящих не поддерживается.

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

MiniMax-M3 — это мультимодальная фундаментальная модель от MiniMax. Она поддерживает ввод текста, изображений и видео с выводом текста, имеет контекстное окно в 1M токенов и предназначена для длительных агентных задач, программирования и использования инструментов. Модель построена на основе MiniMax Sparse Attention (MSA), которая заменяет полное внимание на KV-block-выборку, сокращая вычислительные затраты на токен при длинном контексте — примерно на 1/20 по сравнению с предыдущим поколением при 1M токенах, обеспечивая значительно более быструю предварительную обработку и декодирование без потери качества на большинстве задач. Обученная как нативная мультимодальная модель на перемежённых данных и оптимизированная для многоходового, производственно-ориентированного взаимодействия через интерактивный симулятор пользователя, модель ориентирована на длительные, многошаговые задачи, а не на одноразовое выполнение.

Step 3.7 Flash — последняя высокоэффективная мультимодальная модель архитектуры Mixture-of-Experts от StepFun. Она объединяет языковую основу с 196B параметрами и визуальный энкодер для нативного понимания изображений и видео, активируя примерно 11B параметров на токен. Модель поддерживает контекстное окно в 256K и предоставляет выбираемые уровни рассуждения (высокий/средний/низкий), позволяя вызывающим сторонам балансировать скорость, стоимость и глубину рассуждений. Разработана для написания кода, агентных сценариев, структурированных выходных данных и задач продуктивности с длинным контекстом.

Claude Opus 4.8 — это наиболее мощная общедоступная модель в семействе Opus от Anthropic. Она поддерживает ввод текста, изображений и файлов с выводом текста, поддерживает рассуждения и контекстное окно на 1M токенов. Она подходит для высокоавтономных агентов, долгосрочной агентной работы, работы со знаниями и задач, связанных с памятью, где важна согласованность в течение длительных сессий. Она особенно сильна в многошаговых рассуждениях, сложном кодировании и сквозной оркестрации проектов - больших базах кода, многоэтапной отладке и длительных асинхронных конвейерах агентов. Помимо кодирования, она справляется с работой со знаниями, такой как составление документов, создание презентаций и анализ данных, сохраняя качество при очень длинных выводах.

Parakeet TDT 0.6B v3 — это мультиязычная модель преобразования речи в текст с 600M параметрами от NVIDIA, построенная на архитектуре FastConformer-TDT. Обученная на датасете Granary (более 670,000 часов аудио), она поддерживает автоматическое определение языка для всех официальных языков EU и достигает среднего показателя частоты ошибок в словах 6.34% на лидерборде HuggingFace Open ASR. Возвращает транскрибированный текст с пунктуацией и временными метками сегментов.

Qwen3.7-Max — флагманская модель в серии Alibaba Qwen3.7. Она поддерживает ввод и вывод текста и предназначена для агентно-ориентированных рабочих нагрузок, с особыми преимуществами в программировании, офисных и продуктивных задачах, а также в длительном автономном выполнении. Модель демонстрирует заметные улучшения в программировании и агентной производительности по сравнению с предыдущими поколениями Qwen и поддерживает явное кэширование промптов для эффективного повторного использования контекста.

Grok Build 0.1 — это быстрая модель для написания кода от SpaceXAI, специально обученная для агентных сценариев разработки программного обеспечения. Она поддерживает текстовые и графические входные данные с выводом текста и оптимизирована для интерактивных агентов, работы с инструментами и многошаговых задач разработки. Модель обеспечивает работу SpaceXAI Grok Build CLI и имеет контекстное окно 256K без ограничения на объём выводимого текста, что делает её хорошо подходящей для длительных задач программирования и автоматизации. В настоящее время доступна в режиме раннего доступа.

Gemini Embedding 2 — это первая мультимодальная эмбеддинг-модель от Google. В настоящее время мы поддерживаем отображение текста и изображений в единое векторное пространство для семантического поиска и генерации с дополнением по извлечённым данным (RAG). Модель поддерживает входной контекст до 8,192 токенов и гибкие размерности выходных векторов от 128 до 3,072 (рекомендуемые: 768, 1536 или 3,072). Она разработана для кросс-модального сравнения — вы можете эмбеддить текстовый запрос и получать наиболее релевантные изображения, или наоборот, — что делает её хорошо подходящей для мультимодального поиска, рекомендаций и пайплайнов понимания документов.

Gemini 3.5 Flash — это высокоэффективная мультимодальная модель от Google, обеспечивающая почти уровень Pro в написании кода и рассуждениях при затратах и скорости уровня Flash. Она оптимизирована для высокой компетентности в программировании и параллельных агентных циклах выполнения, поддерживая ввод текста, изображений, видео, аудио и PDF. По умолчанию используется средний уровень усилия мышления для более быстрых и экономичных ответов, с полной поддержкой уровней мышления (минимальный, низкий, средний, высокий) для тонкой настройки компромиссов между стоимостью и производительностью.

Grok Imagine Video — это модель генерации видео от SpaceXAI с учётом текста, изображений и референсов. Она создаёт короткие видеоролики (1–15 секунд, 24 fps) в разрешении 480p или 720p при семи соотношениях сторон: 1:1, 16:9, 9:16, 4:3, 3:4, 3:2 и 2:3. Модель поддерживает три режима генерации: «текст-в-видео» — только по запросу; «изображение-в-видео» — анимирует статичное входное изображение; и «референс-в-видео» — использует до семи референсных изображений для согласованности персонажей, стилей или окружения.

Grok Imagine Image Quality — это быстрая модель генерации и редактирования изображений с высокой точностью от SpaceXAI. Она принимает текстовые подсказки и опциональные референсные изображения, создавая фотореалистичные результаты в разрешении 1K или 2K для широкого диапазона соотношений сторон, включая гибкую настройку референсных изображений. Модель делает акцент на реалистичных деталях — естественном освещении и физике, точных текстурах и согласованном рендеринге именованных сущностей, таких как бренды, публичные личности и конкретные места. Она поддерживает качественный многоязычный рендеринг текста внутри изображений, что делает её лучшим выбором для плакатов, упаковки, рекламы, меню и графики для соцсетей. При наличии референсных изображений она сохраняет идентичность и структуру для размещения продуктов, вариаций в соответствии с брендом и преемственности персонажей между сценами.

Voxtral Mini Transcribe — это модель преобразования речи в текст от Mistral, производная от семейства Voxtral Mini. Она принимает аудиовход и возвращает транскрибированный текст через стандартный API транскрипции. Подходит для транскрибации совещаний, голосовых заметок, подкастов и другого устного контента.