GLM 5.3
Z.ai专有端点新
Coding and agentic model with a 1M token context, 128K output, always-on reasoning at low, high, or max effort, native web search, and tool calling.
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。
Z.aiCoding and agentic model with a 1M token context, 128K output, always-on reasoning at low, high, or max effort, native web search, and tool calling.
Alibaba CloudMultimodal reasoner with 256K context, image and video input, function tools, structured JSON, and thinking on by default.
MiniMaxGenerates complete stereo songs from lyrics and a style prompt, with duration, seed, and format controls up to 5 minutes.
DeepSeekOfficial 0813 Pro release with major gains across coding, repository work, tool use, and agent tasks, plus hybrid thinking and a 1M context window.
Text-to-image plus multi-reference editing with up to three source images, selectable quality tiers, and 1K or 2K output resolution.
Meta AIMeta Open 30B 代理模型，具备图像理解、128K 上下文、工具调用、结构化输出和可控推理强度。
Z.aiCoding and agentic model with a 1M token context, 128K output, always-on reasoning at low, high, or max effort, native web search, and tool calling.
Z.ai1M令牌上下文的理性和编码模型,128K输出,可调整的推理努力,本土网络搜索,以及工具调用.
Moonshot AIKimi K3是Moonshot的旗舰推理模型,带有1M标志性上下文,始终在思考,本土网络搜索,以及文本,图像,视频输入.
Meta AIMeta更新的前沿推理模型有1,048,576个托肯上下文,图像,视频,音频,和PDF理解,网络搜索,以及工具调用.
Moonshot AIKimi K2.7 (韩语) 代码是Monshot的万亿参数的代理编码模型,其上下文为256K,总是进行推理,以及文字,图像,和视频输入.
Meta AIMeta边疆推理模型,包含1,048,576个上下文外加图像,视频,音频,和PDF理解,网络搜索,以及工具调用.
Black Forest Labs阿帕奇牌4B FLUX.2 Klein 图像生成和编辑模式带有 text-to-image,参考图像编辑,以及创意工作流程支持.
Amazon图像生成和编辑模型从文本或图像输入中创建和修改图像,并带有涂装,虚拟尝试,样式控制.
TencentOpen-source text-to-image 型号为多式混合实验架构,具有光现实性细节和强多语言文本渲染.
DeepSeekJanus Pro 7B模型上的自动递减框架,统一了一种架构中的多式联运理解和图像生成.
Alibaba Cloud统一的图像生成和编辑模型,具有类引导复合体 Chinese/English 文本渲染,现实的纹理,以及多图像聚变.
Alibaba CloudQuen图像生成和编辑与Base和Pro变体,多语种打字法,多图像参考,以及可控1K或2K输出.
Kling AIText-to-video和 image-to-video 带有同步的本土音频,在720p或1080p时为3至15秒,具有宽比和即时控制.
Amazon视频生成模型从文本和可选图像中产生最多2分钟的多镜头视频,其质量和一致性都有提高。
Alibaba Cloud视频模式提供Text-to-Video,Image-to-Video,Reference-to-Video,以及视频编辑模式,具有高真实度,运动流畅的输出.
Tencent8.3B参数的视频模型,原生输出720p(可扩展至1080p),强运动一致性,双语快速理解可达10s.
Kling AI以标准或Pro模式制作的视频模型有Text至Video,Image至Video,Reference-toVideo,编辑,原声,以及多景过渡.
Kling AIKling 3.0 模型,从参考视频中将运动从参考图像转移到字符上,具有标准720p和Pro 1080p级.
ACE-Step开源音乐生成模式用于 text-to-song 和lyric-guided音频,快速8步XL Turbo推论用于可控歌曲迭代.
Inworld实时语音模型，采用纯英语语音指导，跨100+语言实现统一语音身份，且流媒体time-to-first-audio低于200毫秒。
Inworldsub-130ms TTFB语音合成,配有271+语音,跨越15种语言,表现性prosody,以及用于低纬度语音代理的实时SSE流.
Inworld广播质量语音合成,具有丰富的表达式音标,271+语音跨越15种语言,实时SSE流传每字时间戳.
MiniMaxGenerates complete stereo songs from lyrics and a style prompt, with duration, seed, and format controls up to 5 minutes.
Google低纬度 text-to-speech 使用单声道和多声道语音,并具有可控风格,口音,以及制作应用的表达语调.
Deepgram使用Nova-3模式进行语音对文字的转录,提供多种语言支持和先进的定制的制作工作量设置。
OpenAIWhisper-1 speech-to-text 在多语种监督音频上训练的转录,每个文件有25 MB上传限制.
OpenAI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。
Exa对一个自然语言问题的快速 LLM 风格的回答,基于新的 Exa 网络搜索结果,并带有内含引用和源链接.
Exa搜索页面的网络搜索引擎,检索相似的页面,爬行,以及专用代码搜索通过开放的网络搜索AI代理.
Linkup迭代AI搜索在初始结果不足时不断查询,返回比标准模式更全面的答案.
LinkupAI有动力的网络搜索有详细的综述和答案,比"深度搜索"更快. OpenAI SimpleQA基准上的排名#1.
Perplexity机构级研究由克劳德·奥普斯4.6推理提供动力,具有最大深度,增强工具访问,以及广泛的源覆盖.
Perplexity多步骤检索,综合,推理的研究模式,自主搜索,阅读,并跨复杂话题评价来源.
MicrosoftTRELLIS.2 图像到-3D模型,将参考图像转化为有文本的GLB资产,具有分辨率,种子,网格,纹理和导出控制.
DeemosRodin Gen-2 engine that turns a text prompt or up to five reference images into production 3D assets with PBR materials and quad or raw meshes.
Hitem3DProduction-focused image-to-3D with structure-aware textures, 1536 and 1536 Pro precision tiers, meshes up to two million faces, and five export formats.
Alibaba Cloud多语言文本嵌入可选择输出维度(64–2048). 每个输入最高可达8,192个令牌.
Alibaba CloudSpeed-optimised multimodal embedding, same shape as Vision-Plus, 3× cheaper image/video tokens.
Alibaba Cloud多模式嵌入生成文本、图像和视频输入的独立矢量。
ByteDanceMultimodal embedding that fuses text, images, and video into one 1024 or 2048 dimension vector for cross-modal search and retrieval.
Alibaba Cloud语义文档重排. 每个查询按相关性排序最多500名考生,支持100+语言,接受自定义排序指令.
