Phala

Kev 4B — это небольшая модель принятия решений с открытыми весами от Jared Palmer, созданная как адаптер LoRA и указательная головка на базе Qwen3.5-4B-Base и предоставляемая через тот же контракт /v1/systemone, что и Jev от TypeSafe. Отправьте состояние и типизированные вопросы (да/нет, множественный выбор или оценка), и модель вернёт калиброванную вероятность по каждому вопросу за один прямой проход, без сгенерированного текста. Это рекомендуемая контрольная точка в семействе Kev (0.8B, 4B, 9B) и подходит для маршрутизации, классификации и проверок политик, которым нужна компактная альтернатива Jev под лицензией Apache-2.0. Код, карточки моделей и наборы для оценки: https://github.com/jaredpalmer/kev

Эта модель всегда перенаправляет на последнюю модель в семействе DeepSeek Pro.

DeepSeek V4.1 Flash — это разреженная модель смеси экспертов от DeepSeek и первая модель, построенная на архитектуре Causal Encoder-Decoder (CED) компании. Она активирует 8B параметров на входе и 16B на выходе из базовой модели с 552B параметрами; такое асимметричное разделение обеспечивает низкий объём вычислений на токен по сравнению с общим размером модели. Понимание изображений изначально присуще архитектуре: визуальные и текстовые эмбеддинги обучаются совместно с самого начала предварительного обучения, а не добавляются впоследствии, как в более ранней экспериментальной модели V4 Flash Vision Exp. Она подходит для агентов, работающих с кодом, терминалом и компьютером, а также для задач с длинным горизонтом, которые должны выполняться до конца на протяжении многих шагов, и для анализа длинного контекста. Сжатое KV кэширование сокращает объём кэш-памяти примерно до четверти по сравнению с предыдущим поколением Flash, значительно снижая затраты на агентных нагрузках. DeepSeek позиционирует её как экономичный уровень семейства V4.1 и сообщает, что она превосходит V4 Pro по производительности, скорости и времени выполнения задач.

Эта модель всегда перенаправляет на последнюю модель в семействе GLM Flash.

GLM-5.3-Flash — это нативная мультимодальная модель от Z.ai. Она подходит для эффективного программирования и долгосрочных агентных задач. Её гибридная архитектура разрежённого и линейного внимания сохраняет точное поведение при работе с длинным контекстом, одновременно снижая вычислительные накладные расходы.

Эта модель всегда перенаправляет на последнюю модель GLM от Z.ai.

GLM-5.3 — это крупномасштабная модель рассуждения от Z.ai, созданная для сложной разработки программного обеспечения и долгосрочных агентных задач. Она поддерживает ввод и вывод текста с контекстным окном в 1M токенов и превосходит GLM-5.2 в кодировании, а также в балансе между производительностью и эффективностью использования токенов. Рассуждение всегда включено и не может быть отключено. Поддерживаются уровни усилий рассуждения low, high и max; по умолчанию используется max.

Qwen3.8 27B — это открытая модель с публичными весами, относящаяся к классу плотных мультимодальных моделей «зрение-язык» от компании Qwen. Она подходит для задач программирования, профессиональных рабочих процессов, исследований, мультимодального взаимодействия и длительных агентских задач, поддерживая гибкий режим рассуждений, который можно включать или отключать.

DeepSeek V4 Pro 0813 — это крупномасштабная модель смеси экспертов от DeepSeek. Это GA-й выпуск DeepSeek V4 Pro.

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.

Kimi K3 — это мультимодальная модель рассуждений с открытыми весами на 2.8T параметров от Moonshot AI. Она подходит для сложного программирования, работы со знаниями и длительных агентных сценариев, а особенно сильна в навигации по крупным репозиториям, использовании инструментов, отладке и итеративной работе с изображениями, логами, тестами и обратной связью от выполнения. В её архитектуре используются KDA и Attention Residuals для вычислительной эффективности.

Hy3 — это модель смеси экспертов (Mixture-of-Experts) с 295B параметрами от Tencent (активно 21B, 192 экспертов с маршрутизацией top-8), предназначенная для рассуждений, агентных рабочих процессов и реального производственного использования. Она поддерживает настраиваемое усилие рассуждения: по умолчанию — прямой режим без размышлений, а также режимы цепочки рассуждений с низким и высоким уровнем для сложных задач по математике, программированию и многошаговых проблем. С контекстным окном 256K, Hy3 нацелена на задачи с длинным горизонтом, включая улучшенное разрешение кореферентности, отслеживание ограничений в многоходовых диалогах и стабильный вызов инструментов, который обобщается на различные агентные каркасы. Tencent позиционирует её как надёжный и экономически эффективный вариант для программирования, обработки документов, финансового анализа, разработки игр и дизайна фронтенда, с сильным акцентом на обоснованное поведение, препятствующее галлюцинациям: модель отвечает, когда есть основание, и сигнализирует об отсутствии доказательств, а не выдумывает.

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 семейства Kimi.

Qwen3.6-35B-A3B — это мультимодальная модель с открытыми весами от Alibaba Cloud с 35 миллиардами параметров суммарно и 3 миллиардами активных параметров на токен. Она использует гибридную разреженную архитектуру смеси экспертов, сочетающую гейтированное линейное внимание DeltaNet со стандартными гейтированными слоями внимания, что обеспечивает эффективный инференс за небольшую долю вычислительных затрат. Модель поддерживает нативное окно контекста на 262K токенов (расширяемое до 1M с помощью YaRN) и принимает текстовые, графические и видеовходные данные. В неё встроен режим размышления с сохранением следов рассуждений в многоходовых беседах, вызов функций и структурированный вывод. Модель выпущена под лицензией Apache 2.0.

Kimi K2.6 — это мультимодальная модель следующего поколения от Moonshot AI, предназначенная для долгосрочного программирования, генерации UI/UX на основе кода и мультиагентной оркестрации. Она справляется со сложными сквозными задачами программирования на Python, Rust и Go, а также может преобразовывать промпты и визуальные входные данные в готовые к эксплуатации интерфейсы. Её архитектура роя агентов масштабируется до сотен параллельных субагентов для автономной декомпозиции задач — создавая документы, веб-сайты и электронные таблицы за один запуск без участия человека.

GLM-5.1 обеспечивает значительный скачок в возможностях программирования, особенно заметный при работе с долгосрочными задачами. В отличие от предыдущих моделей, ориентированных на взаимодействие в масштабе минут, GLM-5.1 может работать независимо и непрерывно над одной задачей в течение более чем 8 часов, автономно планируя, выполняя и улучшая себя в процессе, в конечном итоге предоставляя полные результаты инженерного уровня.

Модель Qwen3.5 27B, основанная на плотном vision-language подходе, использует механизм линейного внимания, обеспечивая быструю реакцию при сохранении баланса между скоростью вывода и производительностью. Её общие возможности сопоставимы с характеристиками Qwen3.5-122B-A10B.

DeepSeek-V3.2 — это большая языковая модель, предназначенная для гармоничного сочетания высокой вычислительной эффективности с сильными возможностями рассуждения и использования инструментов. Она внедряет DeepSeek Разреженное Внимание (DSA), механизм мелкозернистого разреженного внимания, который снижает затраты на обучение и вывод, сохраняя при этом качество в сценариях с длинным контекстом. Масштабируемая структура обучения с подкреплением дополнительно улучшает её, обеспечивая производительность в классе GPT-5 и демонстрируя результаты уровня золотой медали на 2025 IMO и IOI. V3.2 также использует крупномасштабный конвейер синтеза задач агентного типа, чтобы лучше интегрировать рассуждения в сценарии использования инструментов, повышая соответствие и обобщение в интерактивных средах. Пользователи могут управлять поведением рассуждения с помощью reasoning enabled логического параметра. Подробнее в нашей документации

gpt-oss-120b — это модель языка с открытым весом, на 117B параметров, архитектуры Mixture-of-Experts (MoE) от OpenAI, предназначенная для производственных сценариев с высокими требованиями к рассуждению, агентных и универсальных задач. Она активирует 5.1B параметров за прямой проход и оптимизирована для работы на одном H100 GPU с нативной квантизацией MXFP4. Модель поддерживает настраиваемую глубину рассуждений, полный доступ к цепочке рассуждений и нативное использование инструментов, включая вызов функций, просмотр веб-страниц и генерацию структурированных выходных данных.

Qwen2.5 7B — новейшая серия больших языковых моделей Qwen. Qwen2.5 вносит следующие улучшения по сравнению с Qwen2: Значительно больше знаний и значительно улучшенные возможности в программировании и математике благодаря нашим специализированным экспертным моделям в этих областях. Значительные улучшения в следовании инструкциям, генерации длинных текстов (более 8K токенов), понимании структурированных данных (например, таблиц) и генерации структурированных выходных данных, особенно JSON. Повышенная устойчивость к разнообразию системных промптов, улучшающая реализацию ролевых игр и установку условий для чат-ботов. Поддержка длинного контекста до 128K токенов и возможность генерации до 8K токенов. Многоязычная поддержка более 29 языков, включая китайский, английский, французский, испанский, португальский, немецкий, итальянский, русский, японский, корейский, вьетнамский, тайский, арабский и другие. Использование этой модели регулируется условиями Tongyi Qianwen LICENSE AGREEMENT.