Sakana AI

Gemini 3.8 Flash — это самая интеллектуальная модель Flash от Google со значительными улучшениями благодаря 3.7 Flash в разработке ПО, агентных задачах и многошаговых рассуждениях.

MiniMax H3 Max — это модель генерации видео от MiniMax, выпущенная совместно с fal.ai. Созданная путём дополнительного обучения на основе MiniMax H3, она предназначена для более быстрой генерации видео из текста и из изображения с управляемыми ключевыми кадрами первого или последнего кадра.

Claude Fable 5.1 превосходит Claude Fable 5 по всем направлениям, при этом наибольший прогресс наблюдается в агентном программировании, длительных агентных рабочих процессах и интеллектуальной работе: особенно в длительном рефакторинге кода, генерации front-end и визуального кода, а также в финансовых и аналитических задачах. Он также, как правило, более лаконичен, чем Fable 5, в своих планах и сводках. Мы рекомендуем протестировать его как прямое обновление везде, где вы сегодня используете Fable 5, а также вместе с Opus 5 для задач, требующих сложных рассуждений.

Mercury 2.5 — это самая быстрая рассуждающая LLM и новейшая диффузионная LLM (dLLM) от Inception. Вместо последовательной генерации токенов Mercury 2.5 создаёт и уточняет несколько токенов параллельно, достигая 1,107 tokens/sec на стандартном GPUs. Она обеспечивает скачок интеллекта на 10+ пунктов по сравнению с Mercury 2, при этом качество сопоставимо с оптимизированными по стоимости фронтирными моделями, такими как GPT-5, 6 Luna (Low), Gemini 3.5 Flash-Lite и Claude Haiku 4.5. Mercury 2.5 поддерживает настраиваемые уровни рассуждений, параллельные вызовы инструментов и вывод JSON, согласованный со схемой. Он создан для производственных нагрузок, где задержка накапливается: поисковые агенты, голосовые конвейеры и кодирующие субагенты.

Granite 4.2 8B — это плотная модель рассуждений от IBM. Она подходит для математики, генерации кода, многоязычного диалога и агентных рабочих процессов, требующих многошаговых рассуждений. Она поддерживает режимы полного, низкого усилия и без размышлений. Модель поддерживает 12 языков: английский, немецкий, испанский, французский, японский, португальский, арабский, чешский, итальянский, корейский, нидерландский и китайский.

Tencent: Hy4 preview — это модель смеси экспертов от Tencent, с 49B активными параметрами из 770B общих. Она предназначена для агентов кодирования, сложных рабочих процессов с использованием инструментов и задач производительности, которые требуют планирования, непрерывности контекста и устойчивого многошагового выполнения.

Wan 3.0 Prime — это быстрый вариант Wan 3.0 от Alibaba. Поддерживает генерацию видео из текста и из первого кадра изображения.

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

Qwen3.8 Flash — это мультимодальная модель рассуждений от Alibaba. Она подходит для помощи в написании кода, агентных рабочих процессов, визуального понимания, анализа документов и кодовой базы, взаимодействия с рабочим столом, анализа графиков и анализа длинных видео.

Muse Image — это агентная модель генерации изображений от Meta, которая создаёт и редактирует изображения по тексту и референсным изображениям. В отличие от однопроходных моделей изображений, она рассуждает перед рендерингом, разбивая составные запросы и уточняя свой результат в цепочке рассуждений, а также вызывает веб-поиск для фактической точности по запросам, требующим глубоких знаний. Модель поддерживает генерацию изображений по тексту, точечное редактирование изображений, композицию из нескольких изображений, управление по референсному изображению для согласованности стиля и объекта в серии, а также точный рендеринг текста внутри сгенерированных изображений. Итеративное редактирование работает путём передачи предыдущего выходного изображения обратно с новой инструкцией.

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.

Recraft V4 Styles Pro — это модель генерации изображений с согласованным стилем от Recraft. Каждый запрос требует по крайней мере одно референсное изображение стиля и создаёт новое изображение, которое воспроизводит технику рендеринга, цвет, текстуру и композицию референса, а не редактирует его. Модель создаёт растровые изображения с разрешением примерно 2K. Примечание: от 1 до 10 референсных изображений в формате PNG, JPG или WEBP, каждое размером не менее 256 px по короткой стороне. Цена состоит из двух частей: $0.10 за изображение плюс одноразовая плата $0.005 за создание стиля для каждого запроса, независимо от того, сколько изображений возвращает этот запрос. Запрос с одним изображением стоит $0.105, а запрос с шестью изображениями — $0.605.

Recraft V4 Styles Vector — это модель генерации изображений с единым стилем от Recraft. Каждый запрос требует как минимум одно референсное изображение стиля и генерирует новое изображение, которое воспроизводит технику рендеринга, цвет, текстуру и композицию референса, а не редактирует его. Она обеспечивает вывод SVG для графики, которой нужно чисто масштабироваться. Примечание: от 1 до 10 референсных изображений в форматах PNG, JPG или WEBP, каждое не менее 256 пикселей по короткой стороне. Цена состоит из двух частей: $0.05 за изображение плюс разовый сбор $0.005 за создание стиля на каждый запрос, независимо от того, сколько изображений возвращает этот запрос. Запрос одного изображения стоит $0.055, а запрос шести изображений — $0.305.

Recraft V4 Styles Pro Vector — это модель генерации изображений с сохранением стиля от Recraft. Каждый запрос требует как минимум одно референсное изображение стиля и создаёт новое изображение, воспроизводящее технику рендеринга, цвет, текстуру и композицию референса, а не редактирующее его. Она выдаёт результат в формате SVG для графики, которая должна масштабироваться без потери качества. Примечание: 1–10 референсных изображений в форматах PNG, JPG или WEBP, каждое размером не менее 256 px по короткой стороне. Ценообразование состоит из двух частей: $0.12 за изображение плюс разовый сбор в размере $0.005 за создание стиля на каждый запрос, независимо от количества изображений, возвращаемых этим запросом. Запрос на одно изображение стоит $0.125, а запрос на шесть изображений — $0.725.

Recraft V4 Styles — это модель генерации изображений с согласованным стилем от Recraft. Каждый запрос требует как минимум одного референсного изображения стиля и генерирует новое изображение, которое воспроизводит технику рендеринга, цвет, текстуру и композицию референса, а не редактирует его. Она создаёт растровые изображения с разрешением примерно 1K. Примечание: от 1 до 10 референсных изображений в PNG, JPG или WEBP, каждое размером не менее 256 пикселей по короткой стороне. Цена состоит из двух частей: $0.035 за изображение плюс разовый сбор $0.005 за создание стиля за запрос, независимо от того, сколько изображений возвращает запрос. Запрос на одно изображение стоит $0.040, а запрос на шесть изображений — $0.215.

Wan 3.0 — это модель генерации видео от Alibaba для генерации видео из текста, изображений и по эталону. Она создаёт видео с разрешением 480p, 720p или 1080p длительностью от 2 до 30 секунд.

HeyGen: Avatar IV — это модель преобразования изображения в видео, которая оживляет одно фото, превращая его в выразительное видео с говорящей головой и синхронизацией губ. Вместо простого подбора формы губ под слова, она интерпретирует вокальный тон, ритм и эмоции аудио, чтобы управлять движениями головы, мимикой и жестами, создавая результат с разрешением до 1080p. Озвучка берётся из одного из двух источников: текстовый сценарий, который модель озвучивает с помощью синтеза речи HeyGen, либо предоставленная аудиодорожка, под которую изображение синхронизирует губы напрямую. Сквозные параметры позволяют выбрать голос, настроить параметры голоса, задать выразительность, указать конкретные движения, заменить или удалить фон, добавить субтитры и задать название видео.

Muse Spark 1.2 contributor tier — это модель рассуждения от Meta, предназначенная для разработчиков, которые хотят начать создавать приложения с еще более низкими затратами. Она значительно дешевле, чем Muse Spark 1.2. Ваши запросы и результаты могут использоваться для улучшения продуктов Meta, что делает эту модель идеальной для экспериментов, обучения и проектов на ранних стадиях, не беспокоясь о расходах. Это модель рассуждения от Meta, предназначенная для сложных агентных задач. Она принимает текст, изображения, видео, аудио и документы в формате PDF, возвращает текст и предлагает контекстное окно на 1M токенов. Модель создана для поддержки многоагентных рабочих процессов, выступая либо как основной агент, который планирует и распределяет задачи, либо как субагент, выполняющий задачи параллельно. Она работает с различными средами разработки кода и поддерживает структурированный вывод, параллельные вызовы функций и настраиваемое усилие рассуждения. В тестировании Meta модель показывает хорошие результаты при многофайловом рефакторинге, длительных сессиях отладки, генерации целых репозиториев и задачах, выходящих далеко за пределы одного запроса.

DeepSeek V4 Flash Vision Exp — это экспериментальная версия с поддержкой зрения DeepSeek V4 Flash 0731 от DeepSeek, добавляющая понимание изображений, сохраняя при этом уровень базовой модели в работе с текстом, включая агентные сценарии и рассуждения. Это разреженная модель на основе смеси экспертов с 13B активными параметрами из общего числа 284B. Она подходит для понимания документов и диаграмм, ответов на вопросы по изображениям и мультимодальных агентных рабочих процессов, объединяющих текст и изображения.

Hy-MT2-1.8B — это компактная 1.8B-параметрическая модель перевода от Tencent. Она поддерживает 33 языковых пар и пять пар китайских диалектов и языков меньшинств, а также рабочие процессы для структурированного перевода, перевода на основе разделителей, контекстного перевода, перевода с использованием глоссария и перевода с управлением стилем.

Hy-MT2-30B-A3B — это флагманская модель перевода Tencent в семействе MT2. Она поддерживает языковые пары 33, а также пять пар китайских диалектов и миноритарных языков, с рабочими процессами для структурированного перевода, перевода на основе разделителей, перевода с использованием глоссариев и стилизованного перевода. В ней используется 3B активных параметров из 30B общего числа.

FLUX Video Upscale — это модель масштабирования видео от Black Forest Labs. Она увеличивает одно исходное видео в 1.5× до 3×, сохраняя его длительность, с опциональным промптом и режимами обработки — точным или творческим.

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

Hy-MT2-7B — это модель перевода с 7B параметров от Tencent. Она поддерживает 33 языковых пар, а также пять пар для китайских диалектов и языков меньшинств, с рабочими процессами для структурированного, разделительного, контекстного, глоссарного и стилистически управляемого перевода.

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.

Nemotron 3.5 ASR Streaming Multilingual 0.6B — это модель распознавания речи от NVIDIA. Её архитектура FastConformer-RNNT, учитывающая промпты и кэш, нацелена на транскрипцию с низкой задержкой более чем на 40 языках для субтитров в реальном времени, голосовых агентов и конвейеров многоязычной транскрипции.

Voxtral Small 24B 2507 STT — это модель транскрипции речи от Mistral AI. Она подходит для задач транскрипции, перевода и понимания аудио, которым выгодна её большая ёмкость модели.

Voxtral Mini 3B 2507 — это модель для распознавания речи и аудио от Mistral AI. Она подходит для задач транскрипции, перевода и компактной обработки аудио.

Seedream 5.0 Lite — это модель генерации изображений от ByteDance Seed. Она подходит для профессионального визуального творчества, которому способствуют веб-подключённый поиск, понимание сложных промптов, визуальные референсы и широкий охват знаний.

Gemini 3.7 Flash — это мультимодальная модель от Google для быстрых агентных процессов, написания кода и сложных многошаговых рассуждений. Она предназначена для задач, требующих отзывчивой производительности и надёжного многошагового решения проблем.

voyage-code-4 — это модель встраивания кода от Voyage AI, компании MongoDB. Она предназначена для агентов кодирования и поиска кода, с матрёшечными встраиваниями размерностей 2048, 1024, 512 и 256 и несколькими вариантами квантования. Узнайте больше о voyage-code-4 здесь: blog.voyageai.com/2026/08/13/voyage-code-4

Qwen3 Reranker 8B — это модель реранжирования текста от Alibaba Cloud, построенная на архитектуре Qwen3. Она оценивает пары запрос-документ, формируя оценки релевантности для использования в пайплайнах поиска и RAG. Поддерживает более 100 языков и языков программирования, а также инструктивное реранжирование, позволяющее настраивать критерии оценки под конкретную задачу. Обеспечивает высокую производительность на мультиязычных бенчмарках, включая MTEB, CMTEB и MMTEB.

Qwen3 ASR 1.7B — это модель автоматического распознавания речи от Qwen. Она поддерживает многоязычную идентификацию языка и транскрипцию для 30 языков и 22 китайских диалектов, с потоковым и автономным выводом, а также временными метками на уровне сегментов и слов.

Qwen3 ASR 0.6B — это компактная модель автоматического распознавания речи от Qwen. Она поддерживает многоязычную идентификацию языка и транскрипцию на 30 языках и 22 китайских диалектах, с потоковым и офлайн-инференсом, а также таймстампами на уровне сегментов и слов.

Seedream 5.0 Pro — это модель генерации и редактирования изображений от ByteDance Seed. Она подходит для коммерческих рабочих процессов визуального производства, требующих точного контроля редактирования, реалистичных сцен и естественного рендеринга.

Seedance 2.0 Mini — это модель генерации видео от ByteDance. Она поддерживает генерацию видео из текста, генерацию видео из изображения с контролем первого и последнего кадра, а также мультимодальную генерацию видео по ссылке с входными данными в виде изображения, видео и аудио. Она поддерживает вывод в разрешении 480p и 720p для видео длительностью 4-15 секунд. Количество токенов вычисляется по формуле: (высота выходного видео ширина выходного видео длительность * 24) / 1024.

Seed 2.1 Turbo — это мультимодальная модель от ByteDance Seed для кодинга и долгосрочных агентных рабочих процессов. Она подходит для сквозной поставки программного обеспечения, выполнения многошаговых задач и понимания визуального и видеоконтента, с возможностями планирования, отладки и самокоррекции.

Qwen3.8 2.4T A95B — это открытая по весам разреженная модель смеси экспертов от Qwen и открытая по весам версия Qwen3.8 Max, с 95 миллиардами активных параметров из 2.4 триллионов всего. Она подходит для программирования, исследований, сложных рассуждений и агентных рабочих процессов.

Seed 2.0 Code — это модель от ByteDance Seed, оптимизированная для агентного программирования. Она подходит для разработки фронтенда, многоязычных задач программирования и рабочих процессов с кодинг-агентами в таких инструментах, как Claude Code, Kilo и OpenCode.

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

Grok 4.6 — самая умная модель SpaceXAI с передовой производительностью в программировании, работе со знаниями и STEM.

Grok Imagine Image 2.0 — это модель генерации и редактирования изображений от xAI. Она подходит для создания изображений по текстовым запросам и редактирования изображений по референсам, с режимами низкого и среднего качества.

NVIDIA Nemotron 3.5 Lightning — открытая модель смеси экспертов от NVIDIA, с 3B активными параметрами из 30B общих. Она подходит для высоконагруженных агентных рабочих нагрузок и специализированных задач, которым выгодна настройка под конкретную предметную область.

Sakana Namazu — это специализированная для японского языка модель рассуждений от Sakana AI, основанная на Kimi K2.6 с дополнительным обучением для японского языка и бизнес-контекстов. Она подходит для выполнения японских инструкций, делового письма, математики, программирования, исследований и многошаговых агентных рабочих процессов. Sakana AI может использовать входные данные для обучения и улучшения модели по умолчанию, с возможностью отказа в консоли Sakana. Полная обработка в пределах Японии не гарантируется.

Solar Pro 4 — это экономичная большая языковая модель от Upstage, с контекстным окном 524K. Она создана для долгосрочных задач и агентных рабочих процессов, с сильными возможностями в офисной продуктивности, работе с документами и программировании.

Muse Glimmer 30B — это плотная мультимодальная модель с открытыми весами от Meta Superintelligence Labs, дистиллированная из Muse Spark и оптимизированная для автономных агентов на потребительском оборудовании. Она подходит для долгосрочных агентных и программных рабочих процессов, обеспечивая многошаговые рассуждения, надёжное использование инструментов, восстановление после сбоев, понимание изображений и многоязычную поддержку более чем 100 языков.

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 рассуждений от Meta, предназначенная для сложных агентных задач. Она принимает текст, изображения, видео, аудио и документы PDF, возвращает текст и предлагает окно контекста на 1M токенов. Модель создана для поддержки мультиагентных рабочих процессов — либо в роли основного агента, который планирует и делегирует, либо в роли субагента, выполняющего задачи параллельно. Она работает в нескольких средах для кодирования и поддерживает структурированный вывод, параллельный вызов функций и настраиваемое усилие рассуждений. В тестировании Meta она хорошо справляется с рефакторингом нескольких файлов, длительными сеансами отладки, генерацией целого репозитория и задачами, выходящими далеко за пределы 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.

Qwen3.8 Max — флагманская модель в серии Qwen3.8 от Alibaba, общедоступный преемник предварительной версии Qwen3.8 Max Preview. Это мультимодальная модель рассуждений, предназначенная для сложных рассуждений, визуального понимания, написания кода и агентских рабочих процессов.

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.

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

MAI-Voice-2-Flash — это модель преобразования текста в речь с низкой задержкой от Microsoft для голосовых агентов, ассистентов, контакт-центров, озвучивания, доступности и других интерактивных приложений. Она генерирует выразительную монофоническую речь 24 kHz на 15 языках и в 18 локалях с точным контролем тона и подачи. Голосовой промптинг и клонирование требуют доступа, одобренного Microsoft, 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.

Laguna S 2.1 — это новейшая модель кодинг-агента от Poolside. Laguna S 2.1 — это модель с общим количеством параметров 118B и 8B активными параметрами, показавшая результат 70.2% в Terminal-Bench 2.1 и 40.4% в DeepSWE, что делает её одной из самых сильных моделей для кодинга в своей категории. Открытые веса под лицензией OpenMDW-1.1. Laguna S 2.1 предназначена для случаев использования в разработке программного обеспечения и агентном кодинге, и вы несёте ответственность за подтверждение того, что она подходит для вашего предполагаемого применения. Laguna S 2.1 подпадает под действие OpenMDW-1.1 License и должна использоваться в соответствии с Acceptable Use Policy компании Poolside. Мы советуем не обходить защитные меры безопасности Laguna S 2.1, не внедрив по существу эквивалентные меры компенсации, подходящие для вашего случая использования. Пожалуйста, сообщайте об уязвимостях безопасности или проблемах безопасности на security@poolside.ai. Если вы используете Laguna S 2.1 бесплатно, мы можем использовать ваши входные и выходные данные для обучения и улучшения наших моделей.

Gemini 3.6 Flash — это высокоэффективная модель от Google для программирования, агентных рабочих процессов, а также веб- и прикладной разработки. Она создана для получения аккуратных результатов с меньшим числом лишних правок и меньшей осторожностью в формулировках, при этом снижая расход токенов и количество обращений к модели, необходимых для выполнения задачи.

Gemini 3.5 Flash Lite — это высокоэффективная модель от Google с улучшенными агентными возможностями. Она подходит для субагентов, выполняющих сфокусированные задачи в сложных мультиагентных рабочих процессах.

Krea 2 Large — это модель генерации изображений с высокой производительностью от Krea, более чем вдвое превышающая по размеру Krea 2 Medium. Более лёгкая постобработка придаёт изображениям более сырой, фактурный и гибкий характер, что делает её особенно подходящей для фотореализма, выразительных художественных стилей, размытия движения, зернистости и изображений с низким динамическим диапазоном.

Krea 2 Medium — это сбалансированная и экономичная модель генерации изображений от Krea, а также практичная отправная точка для широкого круга задач. Её обширное постобучение обеспечивает стабильную и согласованную генерацию, с особыми преимуществами в иллюстрации, аниме, живописи и других выразительных художественных стилях.

Krea 2 Medium Turbo — это дистиллированная, ориентированная на скорость версия модели Krea 2 Medium от Krea. Она создана для быстрой итерации и исследования графического дизайна, где приоритетом является скорость генерации.

LongCat 2.0 — это разреженная модель языка на основе смеси экспертов от Meituan, с 48B активными параметрами из 1.6T общих. Она подходит для написания кода, изменений на уровне репозитория, решения долгосрочных задач и агентных сценариев.

Grok Imagine Video 1.5 — это модель генерации видео от SpaceXAI. Она создаёт видео по текстовым запросам, с возможностью использования стартового изображения для направления сцены. Модель может управлять движением объектов и камеры, темпом, атмосферой и физическим поведением, сохраняя визуальную непрерывность, а также генерировать синхронизированные звуковые эффекты, фоновую атмосферу и диалоги.

Inkling — это мультимодальная модель со смесью экспертов и открытыми весами от лаборатории Thinking Machines, с 41B активными параметрами из 975B общих. Она предназначена для универсальных рассуждений, написания кода, использования в агентных системах и инструментальных средах, дополнения с检索-усиленной генерацией, следования инструкциям, а также для многоязычных диалоговых сценариев. Встроенное понимание изображений и звука позволяет модели обрабатывать мультимодальные данные наряду с текстом.

Aura-2 — это многоязычная модель преобразования текста в речь от Deepgram. Она поддерживает канонический каталог голосов Aura-2 от Deepgram для синтеза речи на нескольких языках.

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.

Muse Spark 1.1 — это мультимодальная модель рассуждения от Meta, созданная для агентных задач. Она принимает текст, изображения, видео, аудио и PDF документы и возвращает текст, с контекстным окном в 1M токенов. Модель предназначена для оркестрации мультиагентных рабочих процессов, выступая либо в роли основного агента, который планирует и делегирует задачи, либо в роли субагента, и без дополнительного обучения обобщается на новые инструменты, MCP серверы и пользовательские навыки. Она поддерживает структурированный вывод, параллельный вызов функций, встроенный поиск с цитированием и настраиваемые усилия при рассуждении. Meta сообщает о высокой производительности в реальных задачах программирования в крупных кодовых базах, сценариях использования компьютера и генерации кода из визуальных данных.

MiniMax Speech 2.8 HD — это модель преобразования текста в речь от MiniMax. Она подходит для приложений, которые генерируют аудио из текста и принимают произвольный MiniMax голос IDs.

MiniMax Speech 2.8 Turbo — это модель преобразования текста в речь от MiniMax. Она подходит для приложений, которые генерируют аудио из текста, и принимает произвольный голос MiniMax IDs.

Deepgram Nova-3 универсальная модель преобразования речи в текст с поддержкой одноязычной и многоязычной транскрипции.

KAT-Coder-Pro V2.5 — это флагманская модель агентного кодирования, которой можно напрямую передать целую задачу или целый бизнес-процесс, позволяя ей автономно находить и вносить изменения и выполнять весь процесс в реальном репозитории. В то же время она бесшовно интегрирует несколько экспертов, чтобы полностью сохранить способность генерации фронтенд-эстетики V2.

GPT-5.6 Luna Pro — это та же базовая модель, что и GPT-5.6 Luna, обслуживаемая с параметром reasoning.mode, установленным в значение pro, для получения более качественных ответов на сложных задачах. Подробнее в документации OpenAI: https://developers.openai.com/api/docs/guides/reasoning#reasoning-mode

GPT-5.6 Luna — это быстрая и экономически эффективная модель в серии OpenAI GPT-5.6. Она подходит для высоконагруженных задач, чувствительных к задержке, таких как чат, классификация и лёгкие агентные рабочие процессы, обеспечивая достойные рассуждения для своего ценового сегмента.

GPT-5.6 Terra Pro — это та же базовая модель, что и GPT-5.6 Terra, предоставляемая с reasoning.mode, установленным в pro, для более качественных ответов на сложных задачах. Подробнее в документации OpenAI: https://developers.openai.com/api/docs/guides/reasoning#reasoning-mode

GPT-5.6 Terra — сбалансированная модель в серии OpenAI GPT-5.6, занимающая позицию между флагманским уровнем Sol и экономичным уровнем Luna. Она подходит для повседневных задач программирования, рассуждений и агентных сценариев, где требуется баланс между производительностью и стоимостью, обеспечивая высокую эффективность примерно вдвое дешевле, чем Sol.

GPT-5.6 Sol Pro — это та же базовая модель, что и GPT-5.6 Sol, предоставляемая с параметром reasoning.mode, установленным в pro, для более качественных ответов на сложных задачах. Узнайте больше в документации OpenAI: https://developers.openai.com/api/docs/guides/reasoning#reasoning-mode

GPT-5.6 Sol — флагманская модель в серии GPT-5.6 от OpenAI. Она подходит для сложных рассуждений, написания кода и агентских рабочих процессов, и особенно сильна в задачах командной строки, многошаговых задачах кодирования и решении задач с длинным горизонтом.

Grok 4.5 — это модель от SpaceXAI с передовой производительностью в программировании, работе со знаниями и STEM.

Эта модель всегда перенаправляет на последнюю модель Grok от xAI.

Aion-3.0 Mini — это мультимодельная система для ролевых игр и повествования от AionLabs, построенная на семействе моделей DeepSeek. Она использует совместный процесс генерации, в котором несколько специализированных моделей вносят вклад в ответ, обеспечивая более сильную структуру повествования и более убедительные напряжение и конфликт.

Aion-3.0 — это мультимодельная система ролевых игр и повествования от AionLabs, построенная на семействе моделей GLM. Она использует совместный процесс генерации, в котором несколько специализированных моделей каждая вносят свой вклад в ответ, создавая более сильную повествовательную структуру и более захватывающие напряжение и конфликт.

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.

Laguna XS 2.1 — это новейшая модель агента-кодера в категории 33B-A3B от Poolside, представляющая собой шаг вперёд по сравнению с их моделью Laguna XS.2 (выпущенной в апреле 2026). Она сочетает вызов инструментов и возможности рассуждения с компактным размером, предлагая контекстное окно 256K и до 32K выходных токенов. Квантована до FP8 для быстрых и экономичных агентных процессов кодирования. Laguna XS 2.1 предназначена для случаев использования в программной инженерии и агентном кодировании, и вы несёте ответственность за подтверждение того, что она подходит для вашего целевого применения. Laguna XS 2.1 регулируется OpenMDW-1.1 License и должна использоваться в соответствии с Acceptable Use Policy компании Poolside. Мы рекомендуем не обходить защитные механизмы безопасности Laguna XS 2.1 без внедрения существенно эквивалентных мер защиты, соответствующих вашему случаю использования. Пожалуйста, сообщайте об уязвимостях безопасности или проблемах безопасности на security@poolside.ai. Если вы используете Laguna XS 2.1 бесплатно, мы можем использовать ваши входные и выходные данные для обучения и улучшения наших моделей.

Sonnet 5 — это самая мощная модель Anthropic класса Sonnet, с передовой производительностью в программировании, агентных задачах и профессиональной работе. Она поддерживает адаптивное мышление с выбираемым уровнем рассуждений (низкий, средний, высокий, максимальный и сверхвысокий), контекстное окно на 1M токенов, а также ввод текста, изображений и файлов. Sonnet 5 использует обновлённый токенизатор и включает киберзащиту в реальном времени, блокирующую определённые виды деятельности двойного назначения с высоким риском.

Nano Banana 2 Lite (Gemini 3.1 Flash Lite Image) — у Google это самая быстрая и экономичная Gemini модель генерации изображений, созданная для высокоскоростных конвейеров разработки и быстрых визуальных исследований. Она обеспечивает генерацию из текста в изображение примерно за 4 секунд — примерно в 2.7 раз быстрее, чем Gemini 3.1 Flash Image, — сохраняя при этом согласованность персонажей, точное редактирование и знания о реальном мире, характерные для семейства Nano Banana. Единый API, подключаемый без изменений, обрабатывает генерацию из текста в изображение, редактирование изображений и создание композиций из нескольких изображений. Будучи мультимодальной моделью, она также возвращает текст вместе с изображениями. Результаты генерируются в разрешении 1K при 14 соотношениях сторон и содержат невидимый водяной знак SynthID, позволяющий идентифицировать их как AI-generated. Позиционируясь как лучший баланс качества и скорости в линейке Nano Banana 2, она позволяет генерировать тысячи изображений по стоимости, составляющей лишь малую долю затрат на более тяжёлые производственные модели, — идеально для прототипирования, приложений реального времени и масштабных визуальных рабочих процессов.

Nex-N2-Mini — это открытая агентная модель со смешанной архитектурой экспертов от Nex AGI, младшая модель в серии Nex-N2. Она принимает текстовый и графический ввод и предназначена для написания кода, работы с инструментами, глубоких исследований и длительных агентных сценариев, с контекстным окном на 262K токенов и встроенной поддержкой рассуждений.

Fugu Ultra — это модель с более высокой производительностью в семействе Sakana AI's Fugu. Вместо единой монолитной модели, Fugu представляет собой обученную мультиагентную систему оркестрации: языковая модель, обученная направлять задачи через сменяемый пул базовых моделей и рекурсивно вызывать свои собственные экземпляры.\n\nFugu Ultra уделяет приоритет качеству ответов в сложных многошаговых рассуждениях, программировании и агентных рабочих процессах. Она поддерживает настраиваемые усилия по рассуждению, вызов инструментов и встроенный веб-поиск. Токены оркестрации, потребляемые системой, тарифицируются как стандартные входные/выходные токены.

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.

Nex-N2-Pro — это агентная модель смеси экспертов от Nex AGI с 17B активными параметрами из общего числа 397B. Основанная на архитектуре Qwen3.5, она принимает на вход текст и изображения и выдает текстовые выводы, а также поддерживает рассуждения, вызов функций и структурированные выводы. Она предназначена для программирования, использования инструментов, глубоких исследований и долгосрочных агентных рабочих процессов, объединяя планирование, реализацию кода, отладку и итерации в единый цикл выполнения.

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 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 синтеза речи от Microsoft. Она подходит для разговорных ассистентов, озвучивания медиа, доступности, образования и других голосовых приложений длинного формата. Она поддерживает 15 языков в 18 локалях, обеспечивает детальную настройку тона и подачи, многоголосую генерацию и генерацию по голосовому образцу из коротких аудиофрагментов без дообучения. Модель ставит естественность и выразительность выше генерации, критичной к задержке.

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.

MAI-Image-2.5 от Microsoft — 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.

Grok Voice TTS 1.0 — это модель преобразования текста в речь от SpaceXAI. Она преобразует текст в озвученное аудио на более чем 20 языках с автоматическим определением языка и предлагает пять встроенных голосов (Eve, Ara, Rex, Sal, Leo), охватывающих различные тональности. Встроенные речевые теги позволяют управлять паузами, ударением, высотой тона и стилем голоса. Выходной аудиофайл доступен в форматах MP3, WAV, PCM, μ-law и A-law с частотой дискретизации от 8 kHz до 48 kHz, при этом до 15,000 символов на запрос.

Qwen3-ASR-Flash — это сервис автоматического распознавания речи компании Alibaba, построенный на основе Qwen3-Omni и обученный на десятках миллионов часов мультимодальных речевых данных. Модель поддерживает 11 языков, включая китайский (с кантонским, сычуаньским, миньнаньским и у диалектами), английский, арабский, французский, немецкий, испанский, итальянский, португальский, русский, японский и корейский, с автоматическим определением языка, поэтому для аудио со смешанными языками не требуется ручная настройка. Модель предназначена для сложных акустических условий: она транскрибирует текст песен на фоне музыки, обрабатывает шумные и удалённые записи, отфильтровывает тишину и неречевые звуки, а также принимает произвольный контекстный текст (имена, жаргон, доменную терминологию) для смещения распознавания в сторону конкретной лексики.

Recraft V4.1 Pro Vector — это векторный (SVG) вариант Recraft V4.1 Pro, оптимизированный для высокой эстетики. Он поддерживает ввод текста и изображений и создаёт вывод изображений SVG более высокого разрешения для различных соотношений сторон, при этом типичная генерация занимает около 15 секунд. Вывод масштабируется без потерь, что делает его подходящим для иконок, логотипов и другой графики. V4.1 добавляет больше индивидуальности тексту и иллюстрациям, обеспечивает более плавные градиенты и более точное следование коротким промптам по сравнению с V4 Pro. Подходит для иллюстраций более высокого разрешения и производственной графики, где результат должен быть разработан, а не сфотографирован. Поддерживает следующие параметры image_config: strength (управляет степенью отклонения вывода от исходного изображения), rgb_colors (задаёт цветовую палитру) и background_rgb_color (задаёт цвет фона). Подробнее см. документацию по генерации изображений: https://openrouter.ai/docs/features/multimodal/image-generation Примечание: поддерживается только одно входное изображение.

Recraft V4.1 Vector — это векторный (SVG) вариант модели Recraft V4.1, оптимизированный для высокой эстетики. Он поддерживает текстовые запросы и изображения на входе и создаёт выходное изображение SVG с различными соотношениями сторон, при этом типичная генерация занимает около 10 секунд. Выходное изображение хорошо масштабируется, что делает его подходящим для иконок, логотипов и другой графики. V4.1 добавляет больше индивидуальности тексту и иллюстрациям, обеспечивает более плавные градиенты и лучшее следование коротким запросам по сравнению с V4. Подходит для повседневной иллюстрационной работы, где результат должен быть дизайном, а не фотографией. Поддерживает следующие параметры image_config: strength (управляет степенью отклонения результата от исходного изображения), rgb_colors (задаёт цветовую палитру) и background_rgb_color (задаёт цвет фона). Подробности см. в документации по генерации изображений: https://openrouter.ai/docs/features/multimodal/image-generation Примечание: поддерживается только одно входное изображение.

Recraft V4.1 Utility Pro — универсальная модель генерации изображений от Recraft. Она поддерживает текстовые и графические входные данные с выводом изображения в разрешении примерно 2K при нескольких соотношениях сторон — вдвое выше разрешения V4.1 Utility — при типичном времени генерации около 10 секунд. Как и V4.1 Utility, она спроектирована с расчётом на сдержанность как эстетический выбор — плоское освещение, фронтальная композиция и простые, контролируемые сцены — с более высокой точностью для производственных сценариев использования. Улучшения V4.1 по сравнению с V4 Pro включают более естественное понимание объектов, более чёткие мокапы, более аккуратные стандартные иконки и более точное следование промпту при более коротких промптах. Подходит для изображений товаров, электронной коммерции и структурированных визуальных материалов, где важна качество изображения, а линия V4.1 Pro с высокой эстетикой была бы слишком выразительной. Поддерживает следующие параметры image_config: strength (управляет тем, насколько результат отклоняется от исходного изображения), rgb_colors (задаёт цветовую палитру) и background_rgb_color (задаёт цвет фона). Подробнее см. в документации по генерации изображений: https://openrouter.ai/docs/features/multimodal/image-generation Примечание: поддерживается только одно входное изображение.

Recraft V4.1 Utility — это универсальная модель генерации изображений от Recraft. Она поддерживает текстовые и графические входные данные с выводом изображений разрешением около 1K при различных соотношениях сторон, при этом типичное время генерации составляет около 6 секунд. Линейка Utility ориентирована на сдержанность как эстетический выбор: ровное освещение, фронтальная композиция и простые контролируемые сцены — что делает её практичным решением для изображений товаров, макетов и структурированных визуалов, где слишком выразительная линейка V4.1 была бы излишней. Улучшения в V4.1 по сравнению с V4 включают более естественное понимание объектов, более чёткие макеты, более аккуратные иконки по умолчанию и более точное следование коротким промптам. Поддерживаются следующие параметры image_config: strength (управляет степенью отклонения выходного изображения от исходного), rgb_colors (задаёт цветовую палитру) и background_rgb_color (устанавливает цвет фона). Подробнее см. в документации по генерации изображений: https://openrouter.ai/docs/features/multimodal/image-generation Примечание: поддерживается только одно входное изображение.

Recraft V4.1 Pro — это модель генерации изображений от Recraft, настроенная на высокую эстетику. Она поддерживает ввод текста и изображений с выводом изображения с разрешением около ~2K при различных соотношениях сторон — вдвое больше разрешения, чем у V4.1 — при типичной генерации за около 10 секунд. Она разделяет визуальную чувствительность V4.1 при более высокой точности и плотности деталей, с более естественным фотореализмом, более плавным 3D-рендерингом и градиентами, а также более сильным следованием коротким промптам, чем V4 Pro. Подходит для продакшн-работы, где качество изображения является приоритетом, и идея выигрывает от большего разрешения, чтобы дышать. Поддерживает следующие параметры image_config: strength (контролирует, насколько выходное изображение отклоняется от исходного), rgb_colors (задает цветовую палитру) и background_rgb_color (задает цвет фона). Подробнее см. документацию по генерации изображений: https://openrouter.ai/docs/features/multimodal/image-generation Примечание: поддерживается только одно входное изображение.

Recraft V4.1 — это модель генерации изображений от Recraft, настроенная на высокую эстетику. Она поддерживает текстовые и графические входные данные с выводом изображений при разрешении примерно 1K в различных соотношениях сторон, с типичной генерацией около 6 секунд. По сравнению с V4, фотореализм ощущается более естественным с более спокойными фонами и целенаправленным освещением, 3D-рендеринг и мягкие градиенты становятся более плавными, а модель более надёжно следует более коротким подсказкам. Подходит для исследований, концептуальной работы и повседневной творческой работы, где важны скорость и стоимость. Поддерживает следующие параметры image_config: strength (контролирует, насколько выходное изображение отклоняется от исходного), rgb_colors (устанавливает цветовую палитру) и background_rgb_color (устанавливает цвет фона). Подробнее см. документацию по генерации изображений: https://openrouter.ai/docs/features/multimodal/image-generation Примечание: поддерживается только одно входное изображение.

Recraft V4 Pro Vector — это векторный (SVG) вариант VRecraft V4 Pro. Он поддерживает ввод текста и изображений и создает векторные изображения в различных соотношениях сторон на уровне более высокого качества Pro. Вывод предоставляется в формате SVG, подходящем для иконок, логотипов и другой графики, которую нужно масштабировать без потери качества. V4 Pro обеспечивает более высокое качество и плотность деталей, чем V4, с более сильным композиционным суждением, согласованностью цветов и читаемым встроенным текстом по сравнению с V3. Поддерживаются следующие параметры image_config: strength (контролирует степень отклонения вывода от исходного изображения), rgb_colors (задает цветовую палитру) и background_rgb_color (задает цвет фона). См. документацию по генерации изображений: https://openrouter.ai/docs/features/multimodal/image-generation Примечание: поддерживается только одно входное изображение.

Recraft V4 Vector — это векторный (SVG) вариант модели Recraft V4. Он поддерживает ввод текста и изображений и создает векторное изображение на выходе для различных соотношений сторон. По сравнению с растровой моделью V4, выходные данные предоставляются в виде SVG, подходящего для иконок, логотипов и другой графики, которую нужно масштабировать без потери качества. V4 обеспечивает более сильное чувство композиции, цветовую согласованность и читаемый встроенный текст по сравнению с V3. Поддерживаются следующие параметры image_config: strength (управляет степенью отклонения выходного изображения от исходного), rgb_colors (задает цветовую палитру) и background_rgb_color (задает цвет фона). Дополнительную информацию см. в документации по генерации изображений: https://openrouter.ai/docs/features/multimodal/image-generation Примечание: поддерживается только одно входное изображение.

Perceptron Mk1 (Mark One) — это зрение-языковая модель высочайшего качества от Perceptron для видео и воплощённого рассуждения.** Она принимает изображения и видео вместе с запросами на естественном языке и выдаёт подробные ответы с пониманием визуальной информации — либо в структурированной форме, либо на естественном языке. Она превосходно справляется с задачами понимания видео, такими как видео QA, суммаризация и обнаружение событий. Для изображений она развивает точечную привязку по примерам из мультимодальных подсказок, OCR и разбор документов на «зашумлённых» реальных входных данных, обнаружение и подсчёт объектов с открытым словарём, а также оценку позы рук. Рассуждение может быть включено по запросу, чтобы обменять задержку на более глубокий анализ более сложных задач. Структурированные аннотации выводятся в тексте только в том случае, если это явно запрошено через параметр annotation_format (передайте "point", "box" или "polygon" для пространственной локализации на изображениях, или "clip" (временные метки начала/конца) для временных сегментов в видео). Без annotation_format модель возвращает только текст на естественном языке.

Recraft V4 Pro — это модель генерации изображений от Recraft. Она поддерживает ввод текста и изображений с выводом изображения с разрешением ~2K при нескольких соотношениях сторон, что вдвое превышает разрешение V4. Она обеспечивает более высокую достоверность и плотность деталей, чем V4, и подходит для производственных сценариев, где качество изображения является приоритетом. Поддерживаются следующие параметры image_config: strength (управляет степенью отклонения вывода от исходного изображения), rgb_colors (задает цветовую палитру) и background_rgb_color (задает цвет фона). Подробнее см. в документации по генерации изображений: https://openrouter.ai/docs/features/multimodal/image-generation Примечание: поддерживается только одно входное изображение.

Recraft V4 — это модель генерации изображений от Recraft. Она поддерживает ввод текста и изображений с выводом изображения с разрешением около 1K при нескольких соотношениях сторон. По сравнению с V3 она обеспечивает более сильное композиционное суждение, согласованность цветов и читаемый встроенный текст, что делает её подходящей для инфографики, вывесок и упаковки. Поддерживает следующие параметры image_config: strength (контролирует степень отклонения вывода от исходного изображения), rgb_colors (задаёт цветовую палитру) и background_rgb_color (задаёт цвет фона). Подробности см. в документации по генерации изображений: https://openrouter.ai/docs/features/multimodal/image-generation Примечание: поддерживается только одно входное изображение.

Recraft V3 — это модель генерации изображений от Recraft. Она поддерживает ввод текста и изображений с выводом изображения в разрешении ~1K при различных соотношениях сторон. Поддерживаются следующие параметры image_config: strength (управляет степенью отклонения выходного изображения от исходного), style (применяет художественный стиль), text_layout (размещает текст в определённых позициях), rgb_colors (задаёт цветовую палитру) и background_rgb_color (задаёт цвет фона). См. документацию по генерации изображений для подробностей: https://openrouter.ai/docs/features/multimodal/image-generation Примечание: поддерживается только одно входное изображение.

Gemini 3.1 Flash Lite — это GA высокоэффективная мультимодальная модель от Google, оптимизированная для низкой задержки и больших объёмов рабочих нагрузок. Она поддерживает ввод текста, изображений, видео, аудио и PDF и предназначена для лёгких агентных рабочих процессов, простого извлечения данных и приложений, где основными ограничениями являются отзывчивость и стоимость API. Поддерживает полные уровни мышления (минимальный, низкий, средний, высокий) для тонкой настройки компромиссов между стоимостью и производительностью. Цена составляет половину стоимости Gemini 3 Flash.

GPT Chat Latest указывает на стабильный псевдоним chat-latest модели API от OpenAI, который всегда разрешается в актуальную модель Instant-чата, используемую в ChatGPT. По мере того как OpenAI в будущем выпускает новые обновления модели Instant, они автоматически направляются через этот слаг. Дополнительная информация: https://developers.openai.com/api/docs/models/chat-latest

Chirp 3 — новейшая многоязычная модель распознавания речи от Google. Она обеспечивает повышенную точность транскрипции для 24 GA языков и 77+ языков в предварительном доступе, с поддержкой автоматического определения языка, автоматической пунктуации и встроенного шумоподавителя для более чистой обработки аудио.

GPT-4o Mini Transcribe — это меньшая и экономичная модель распознавания речи от OpenAI, построенная на аудиовозможностях GPT-4o Mini. Она тарифицируется за токен (вход и выход), что делает её подходящей для высокообъёмных процессов транскрипции, которым выгодна прозрачность оплаты на уровне токенов при более низкой стоимости.

Whisper Large V3 — это открытая модель автоматического распознавания речи от OpenAI, которая обеспечивает как транскрибацию аудио, так и перевод. Она поддерживает 99+ языков и принимает распространённые аудиоформаты, включая mp3, mp4, wav, webm, flac и ogg. С 1,550M параметрами модель достигает показателя ошибок в 10.3% слов и хорошо подходит для помехоустойчивой многоязычной транскрибации в сложных условиях. Поддерживается детализация временных меток на уровне слов и сегментов.

Whisper Large V3 Turbo — это оптимизированная версия модели распознавания речи OpenAI's Whisper Large V3, разработанная для скорости и экономической эффективности. Она поддерживает транскрипцию на 99+ языках с коэффициентом ошибок в словах 12% и принимает распространённые аудиоформаты, включая mp3, mp4, wav, webm, flac и ogg. Достигает коэффициентов реального времени до 216x, что делает её хорошо подходящей для задач транскрипции, чувствительных к задержке и с высокой пропускной способностью.

Grok 4.3 — это модель рассуждения от SpaceXAI. Она принимает текстовые и графические входные данные и выдает текст, подходит для агентских рабочих процессов, задач следования инструкциям и приложений, требующих высокой фактической точности. Уровень рассуждения можно настроить: отсутствует/низкий/средний/высокий (по умолчанию низкий). Поддерживается контекстное окно в 1 миллионов токенов без ограничения на выходные токены, что делает её хорошо подходящей для анализа длинных документов, глубоких исследований и многоэтапных агентских задач. Цены многоуровневые: запросы, превышающие 200k суммарных токенов, тарифицируются по более высокой ставке.

Granite 4.1 8B — это плотная языковая модель с архитектурой только декодер, содержащая 8 миллиардов параметров, от компании IBM, входящая в семейство Granite 4.1. Она поддерживает окно контекста в 131K токенов и предназначена для корпоративных задач, включая вызов инструментов, генерацию с дополнением на основе поиска (RAG), генерацию кода с поддержкой заполнения середины (fill-in-the-middle), суммаризацию текста, классификацию и извлечение информации. Модель работает с 12 языками (английский, немецкий, испанский, французский, японский, португальский, арабский, чешский, итальянский, корейский, нидерландский и китайский) и реализует совместимый с OpenAI вызов инструментов. Выпущена под лицензией Apache 2.0.

Mistral Medium 3.5 — это плотная модель 128B, следующая инструкциям, от Mistral AI. Она поддерживает текстовые и графические входные данные с текстовым выводом и предназначена для агентных сценариев, программирования и сложных многошаговых рассуждений. Модель особенно сильна в надёжных множественных вызовах инструментов и долгосрочных задачах, обладает контекстным окном на 256K, настраиваемой интенсивностью рассуждений для каждого запроса и собственным визуальным энкодером, который обрабатывает изображения переменного размера и с разным соотношением сторон. Разворачивается самостоятельно всего на четырёх GPUs и доступна с открытыми весами.

Kling v3.0 Pro — это премиальная модель генерации видео от Kuaishou, обеспечивающая более высокое визуальное качество по сравнению со стандартным уровнем. Она поддерживает рабочие процессы «текст в видео» и «изображение в видео», с контролем первого и последнего кадра для точной компоновки сцены. Длительность клипов варьируется от 3 до 15 секунд при соотношениях сторон 16:9, 9:16 или 1:1. Нативную генерацию аудио можно включить как опцию.

Kling v3.0 Standard — это модель генерации видео от Kuaishou. Она поддерживает рабочие процессы «текст в видео» и «изображение в видео», а также управление по первому и последнему кадру для направленной композиции сцен. Ролики могут длиться от 3 до 15 секунд при соотношениях сторон 16:9, 9:16 или 1:1. Опционально доступна генерация нативного аудио.

Whisper — это модель автоматического распознавания речи с открытым исходным кодом от OpenAI, доступная через API как whisper-1. Она поддерживает транскрипцию и перевод для 50+ языков из аудиофайлов размером до 25 MB. Принимает форматы, включая mp3, mp4, wav и webm. Цена рассчитывается за минуту аудиодлительности, с округлением до ближайшей секунды.

GPT-4o Transcribe — это высококачественная модель распознавания речи от OpenAI, построенная на аудио-возможностях GPT-4o. Она тарифицируется за токен (вход и выход), что делает её подходящей для рабочих процессов, которые выигрывают от прозрачности биллинга на уровне токенов.

Эта модель всегда перенаправляет на последнюю модель в семействе Anthropic Claude Haiku.

Эта модель всегда перенаправляет на последнюю модель в семействе OpenAI GPT Mini.

Эта модель всегда перенаправляет на последнюю модель в семействе Google Gemini Pro.

Эта модель всегда перенаправляет на последнюю модель в семействе MoonshotAI Kimi.

Эта модель всегда перенаправляет на самую последнюю модель в семействе Google Gemini Flash.

Эта модель всегда перенаправляет на последнюю модель семейства Anthropic Claude Sonnet.

Эта модель всегда перенаправляет на последнюю модель в семействе OpenAI GPT.

Qwen3.5 Plus (апрель 2026) — это крупномасштабная мультимодальная языковая модель от Alibaba. Она принимает текст, изображения и видео на входе и генерирует текстовый вывод с контекстным окном в 1M токенов. Это обновлённая версия Qwen3.5 Plus с многоуровневым ценообразованием: стоимость зависит от количества токенов, превышающего 256K.

Qwen3.6 Flash — это быстрая и эффективная языковая модель из серии Alibaba Qwen 3.6. Она поддерживает ввод текста, изображений и видео с контекстным окном в 1M токенов. Начиная с 256K токенов действует многоуровневое ценообразование. Поддерживается кэширование подсказок, включая тарификацию как за явное чтение кэша, так и за его создание.

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.

Qwen3.6-Max-Preview — это проприетарная передовая модель от Alibaba Cloud, построенная на разреженной архитектуре смеси экспертов с примерно 1 триллионами параметров. Она оптимизирована для агентного программирования, использования инструментов и рассуждений в длинном контексте, поддерживая окно контекста в 262K токенов. Модель включает встроенный режим мышления, который сохраняет цепочки рассуждений в многоходовых диалогах, и поддерживает структурированный вывод и вызов функций. Доступ предоставляется исключительно через Alibaba Cloud Model Studio и Qwen Studio APIs; открытые веса не предоставляются.

Qwen3.6 27B — это плотная языковая модель с 27 миллиардами параметров от команды Qwen в Alibaba, выпущенная в апреле 2026. Она обладает гибридными мультимодальными возможностями — принимает текстовые, графические и видео входные данные — и поддерживает контекстное окно на 262,144 токенов. Модель предназначена для агентных задач кодирования и рассуждений, с особой силой в понимании кода на уровне репозитория, рабочих процессах фронтенд-разработки и многошаговом решении проблем. Она включает встроенный режим мышления для расширенного рассуждения и сохраняет контекст мышления в истории разговора. Qwen3.6 27B поддерживает 201 языков и диалектов и выпущена под лицензией Apache 2.0.

GPT-5.5 Pro — это высокопроизводительная модель OpenAI, оптимизированная для глубокого рассуждения и точности в решении сложных задач с высокой ответственностью. Она оснащена контекстным окном на 1M+ токенов (вход — 922K, выход — 128K) и поддерживает ввод текста и изображений. Модель предназначена для долгосрочного решения проблем, агентного программирования и точного выполнения многошаговых рабочих процессов.

GPT-5.5 — это фронтирная модель от OpenAI, разработанная для сложных профессиональных задач, развивающаяся на основе GPT-5.4 с более сильными рассуждениями, повышенной надёжностью и улучшенной эффективностью токенов на сложных задачах. Она оснащена контекстным окном размером 1M+ токенов (922K на вход, 128K на выход) с поддержкой текстовых и графических входных данных, что обеспечивает масштабные рассуждения, программирование и мультимодальные рабочие процессы в одной системе.

DeepSeek V4 Pro — это крупномасштабная модель смеси экспертов от DeepSeek с общим количеством параметров 1.6T и активными параметрами 49B, поддерживающая контекстное окно в 1M токенов. Модель предназначена для сложных задач рассуждения, программирования и длительных агентных сценариев, демонстрируя высокую производительность в области знаний, математики и программной инженерии. Основанная на той же архитектуре, что и DeepSeek V4 Flash, она использует гибридную систему внимания для эффективной обработки длинных контекстов. Поддерживаются уровни рассуждения high и xhigh; xhigh соответствует максимальному режиму рассуждения. Модель хорошо подходит для ресурсоёмких задач, таких как анализ всего кодового репозитория, многошаговая автоматизация и крупномасштабный синтез информации, где критически важны как производительность, так и эффективность.

DeepSeek V4 Flash — это оптимизированная по эффективности модель Mixture-of-Experts от DeepSeek с 284B общим количеством параметров и 13B активируемых параметров, поддерживающая контекстное окно в 1M токенов. Она предназначена для быстрого вывода и высокопроизводительных рабочих нагрузок, сохраняя при этом высокую производительность в рассуждениях и написании кода. Модель включает гибридное внимание для эффективной обработки длинного контекста. Поддерживаются режимы рассуждений high и xhigh; xhigh соответствует максимальному режиму рассуждений. Она хорошо подходит для таких приложений, как ассистенты программирования, чат-системы и агентные рабочие процессы, где важны отзывчивость и экономическая эффективность.

Gemini 3.1 Flash TTS Preview — это модель преобразования текста в речь от Google, и значительный шаг вперед по сравнению с Gemini 2.5 Flash TTS. Она принимает текстовый ввод и создает аудиовыход на 70+ языках — почти в 3× больше языков, чем у ее предшественницы. Главное дополнение — это система из 200+ встроенных аудиотегов (например, [whispers], [laughs], [excited]), которые позволяют разработчикам управлять подачей, эмоциями и темпом прямо в середине предложения, а также рабочий процесс «режиссерского кресла» в студии Google AI для определения аудиопрофилей для каждого персонажа и контекста сцены. Она поддерживает до двух говорящих с независимой настройкой голоса и стиля для каждого, выводит аудио PCM в формате 24 kHz / 16-бит моно и автоматически добавляет водяной знак SynthID ко всем выходам. Окно контекста — 32k токенов.

Модель генерации видео среднего уровня от Google, сочетающая скорость и качество. Veo 3.1 Fast генерирует высококачественное видео по текстовым или графическим запросам с синхронизированным звуком, обеспечивая более быструю выдачу результата, чем Veo 3.1, при более низкой стоимости. Поддерживает управление по первому и последнему кадру, несколько разрешений и соотношений сторон, а также нанесение водяных знаков SynthID.

Orpheus 3B — это англоязычная модель синтеза речи от Canopy Labs, тонко настроенная для естественной просодии и выразительного озвучивания. Она предлагает 7 предустановленных голосов и подходит для озвучивания повествований, голосовых ассистентов и интерактивных приложений, где приоритетом является естественность речи.

CSM 1B — это разговорная речевая модель от Sesame. Она принимает текстовый ввод и генерирует англоязычную речь, с вариантами голоса, охватывающими разговорный и чтение-речевой стили. При 1B параметрах она подходит для приложений, ориентированных на диалог, таких как голосовые ассистенты и интерактивные агенты.

Kokoro 82M — это легковесная модель синтеза речи с открытыми весами от hexgrad. Она преобразует текст в речь на 8 языках (американский и британский английский, испанский, французский, хинди, итальянский, японский, португальский и китайский) с использованием 54 предустановленных голосов, сгруппированных по языку и полу. При 82M параметрах она хорошо подходит для многоязычных TTS развертываний, где важны компактность и эффективность затрат.

Наиболее экономически эффективная модель генерации видео от Google, предназначенная для высоконагруженных приложений и быстрой итерации. Veo 3.1 Lite генерирует видео разрешением 720p и 1080p по текстовым или графическим промптам со встроенным синхронизированным звуком менее чем за 50% стоимости Veo 3.1 Fast. Поддерживает клипы длительностью 4–8 секунд в альбомном (16:9) и портретном (9:16) форматах, с водяным знаком SynthID. Идеально подходит для контентных платформ, создания коротких видео и автоматизированной генерации медиа.

Hy3 preview — это высокоэффективная модель смеси экспертов от Tencent, предназначенная для агентных рабочих процессов и производственного использования. Она поддерживает настраиваемые уровни рассуждения в режимах «отключено», «низкий» и «высокий», что позволяет балансировать между скоростью и глубиной в зависимости от задачи, обеспечивая при этом высокое качество генерации кода и надёжную работу в многошаговых реальных сценариях.

MiMo-V2.5-Pro — флагманская модель Xiaomi, обеспечивающая высокую производительность в общих агентных возможностях, сложной программной инженерии и задачах с длинным горизонтом планирования, занимая верхние строчки в бенчмарках, таких как ClawEval, GDPVal и SWE-bench Pro. Модель способна независимо и автономно выполнять профессиональные задачи, на которые у экспертов-людей ушли бы дни или недели, задействуя более тысячи вызовов инструментов. Длина контекста до 1M делает её хорошо подходящей для интеграции с широким спектром агентных фреймворков.

MiMo-V2.5 — это нативная омнимодальная модель от Xiaomi. Она обеспечивает производительность агентного уровня Pro примерно при вдвое меньших затратах на инференс, превосходя MiMo-V2-Omni в мультимодальном восприятии при решении задач понимания изображений и видео. Её контекстное окно 1M поддерживает полные документы, протяжённые диалоги и сложные контексты задач за один проход, что делает её идеальной для интеграции с агентными фреймворками, где важны сильные рассуждения, богатое восприятие и экономическая эффективность.

GPT-5.4 Image 2 объединяет модель GPT-5.4 от OpenAI с передовыми возможностями генерации изображений от GPT Image 2. Это обеспечивает богатые мультимодальные рабочие процессы, позволяя пользователям беспрепятственно переключаться между рассуждением, программированием и генерацией изображений в рамках одного взаимодействия.