专有端点新
快速的多模态编码和代理模型，拥有100万上下文，可调节推理深度，图像和视频输入，函数调用，以及内置的网页搜索。
浏览涵盖文本、图像、音频、视频、3D等多种模型的完整目录。
车型目录
浏览文本、图片、视频、音频、3D、搜索和代理端点，价格pay-as-you-go。交互式目录从EmpirioLabs加载当前可用性，这些模型文档无需客户端JavaScript即可爬取。
XAIimage-to-video提示引导动作、原生音频、480p或720p输出，以及最长15秒的片段。
多模态视频生成，用于从文本、图像、音频或视频输入中生成电影片段。
统一的图像生成与编辑，支持高分辨率创意、品牌和产品视觉效果。
适用于文本、图像、视频、编码、工具及100万上下文工作流程的经济高效视觉语言模型。
旗舰长上下文模型，涵盖编码、生产力、长期运行代理、深度思考和工具使用。
多模态推理用于编码、代理、长上下文分析以及文本、图像和视频输入。
Moonshot多模态推理，强有力的编码支持，256K上下文，以及图像和视频输入。
长上下文推理，包含工具调用、结构化输出、缓存支持和128K输出。
图像到三维生成，将参考图像转换为带纹理的GLB资产。
快速的多模态编码和代理模型，拥有100万上下文，可调节推理深度，图像和视频输入，函数调用，以及内置的网页搜索。
Alibaba Cloud音频生成基于书面描述，包含旁白、最多三个克隆声音的对话、音效、环境音和音乐，集中在一个文件中。
DeepSeek1017 后期发布，编码和代理结果更强，任务完成更快，输出更短，图像输入，上下文窗口为 1M 窗口。
Alibaba Cloud支持Pro和Turbo版本的图像生成和编辑，最多支持十张参考图片，透明PNG输出，以及最高可自定义尺寸2560x2560。
Alibaba Cloud实时语音合成，支持19个语音，用通俗语言进行传达指令，内联情感和声音标签，并通过SSE或WebSocket进行音频流式传输。
EmpirioLabs回答yes/no、选择、评分和工具题，内容包括文本、JSON、图片、视频和音频，最多可达100万个标记，并能判断输入中是否缺少答案。
Z.ai编码和代理模型，拥有100万令牌上下文，输出12.8K，始终在线推理，无论低、高、最大努力，本地网页搜索和工具调用。
Z.ai原生多模态闪存模型，具备100万令牌上下文、图像和视频输入、始终在线推理、原生网页搜索和工具调用。
推理与编码模型，具有100万个令牌上下文，输出12.8K，推理努力可调，原生网页搜索和工具调用。
Moonshot AIKimi K3 是 Moonshot 的旗舰推理模型，具备 100 万令牌上下文、始终在线思维、原生网页搜索以及文本、图片和视频输入。
Meta AIMeta更新的前沿推理模型，涵盖1,048,576个令牌上下文、图片、视频、音频和PDF理解，支持网页搜索和工具调用。
Kimi K2.7 代码是 Moonshot 的万亿参数代理编码模型，拥有 256K 上下文、始终在线的推理，以及文本、图像和视频输入。
Apache 许可的 4B FLUX.2 Klein 图像生成与编辑模型，支持text-to-image、参考图像编辑和创意工作流程。
Tencent基于多模态专家混合架构的开源text-to-image模型，具备照片级真实细节和强力的多语言文本渲染。
DeepSeek基于Janus Pro 7B模型的自回归框架，将多模态理解和图像生成统一在一个架构中。
Alibaba Cloud统一的图像生成与编辑模型，拥有类领先的复杂Chinese/English文本渲染、逼真的纹理和多图像融合。
Alibaba CloudQwen 图像生成与编辑支持基础和专业版本，多语言排版，多图像参考，以及可控制的 1K 或 2K 输出。
ByteDance统一的多模态图像模型，能在渲染前根据提示推理，生成高分辨率且一致的编辑和品牌视觉效果。
Kling AI文本转视频和image-to-video，原生音频同步，720p或1080p，持续3到15秒，支持宽高比和提示控制。
Alibaba Cloud视频模型提供文本转视频、图像转视频、参考视频和视频编辑模式，输出高保真、运动平滑。
8.3B参数视频模型，原生720p输出（可升频至1080p），具备强烈的运动连贯性，双语提示理解能力高达10秒。
Kling AI视频模型支持标准或专业模式，支持文本转视频、图像转视频、参考视频、编辑、原生声音和多场景过渡。
Kling AIKling 3.0 型号，将参考视频的动态传输到参考图像中的角色上，支持标准 720p 和 Pro 1080p 层级。
OpenMOSS开源32B MoE基础模型，通过精确的双塔口型同步，在一次推断步骤内生成同步的视频和音频。
开源音乐生成模型，支持text-to-song和歌词引导音频，支持快速的8步XL Turbo推理，实现可控的歌曲迭代。
实时语音模型采用纯英语表达方向，拥有跨200+语言的统一语音身份，并带有单词时间戳进行流媒体传输。
TTFB语音合成速度低于130毫秒，支持15种语言的271+语音，富有表现力的韵律，以及为低延迟语音代理提供实时SSE流媒体。
广播级语音合成，富有表现力的韵律，271+语音，跨15种语言，实时SSE流媒体，按字时间戳。
根据歌词和风格提示生成完整的立体声歌曲，时长、种子和格式控制最长可达5分钟。
以延迟为先的实时语音合成，跨越200+语言保持单一语音身份，专为高流量流媒体工作负载优化。
Deepgram采用Nova-3模型进行语音转文字转录，支持多语言支持，并可为生产工作负载提供高级可定制设置。
OpenAIWhisper-1 speech-to-text多语言监督音频训练的转录，每个文件上传限制为25 MB。
受控Whisper Large v3 Turbo转录，支持多语言ASR、翻译、VAD、时间戳、字幕、热词和解码控制。
StepFunStepFun 流式语音识别模型，用于中英音频转录。
StepFun专有名词、专业术语、方言及难听音频（如低语、快速说话和歌唱）的上下文感知转录。
StepFun通过插槽进行实时转录，随着说话者说话时返回部分结果，语音活动检测会标记每一句话。
Exa快速的大型语言模型风格回答自然语言问题，基于新的Exa网络搜索结果，附有内嵌引用和来源链接。
Exa用于寻找页面、检索相似页面、爬取以及专门代码搜索的网页搜索引擎，供AI代理在开放网络上使用。
Linkup迭代AI搜索，当初始结果不足时仍持续查询，返回比标准模式更全面的答案。
LinkupAI驱动的网络搜索，提供详细的概述和答案，速度快于深度搜索。
Perplexity机构级研究代理，能进行多轮网页搜索和页面阅读，提供最大深度和广泛的来源覆盖。
Perplexity多步骤检索、综合和推理的研究模型，自主搜索、阅读和评估复杂主题中的资料。
TRELLIS.2 图像转3D模型，将参考图像转换为带有分辨率、种子、网格、纹理和导出控制的纹理GLB资产。
DeemosRodin Gen-2 引擎，可将文本提示或最多五张参考图像转化为带有 PBR 材质和四边形或原始网格的生产 3D 资产。
Hitem3D以制作为中心的图像转3D，带有结构感知纹理，1536和1536 Pro的高精度层级，最多可进行200万个面部网格，以及五种导出格式。
Alibaba Cloud多语言文本嵌入，输出尺寸可选（64–2048）。每个输入最多可支持8,192个词。
Alibaba Cloud速度优化的多模态嵌入，形状与Vision-Plus相同，3×更便宜的image/video令牌。
Alibaba Cloud多模态嵌入产生文本、图像和视频输入的独立矢量。
ByteDance多模态嵌入，将文本、图像和视频融合为一个1024或2048维的向量，实现跨模态搜索和检索。
Alibaba Cloud语义文档重排序器。可按相关性排序最多500个候选人，支持100+语言，并接受自定义排序指令。
LightOn文档OCR，可以将PDF和图片逐页读取成结构化的Markdown，包含表格、数学、图表、图像区域和布局。
