文本模型
Qwen3.8-Flash（通义千问）
- 定位： 在 Coding、Agent 及视觉理解等核心场景全面超越前代 Plus 模型，训练成本仅为 Qwen3.7-Plus 的 1/9，是兼顾顶级智力与极致性价比的生产力工具。
- 核心优势：
- 极致效率与低成本： 采用最新架构优化，在保持强大智力的同时，大幅降低了算力消耗。相比同级别竞品，调用成本更低，响应速度更快，适合高并发场景。
- 代码与逻辑能力强： 专为编程和复杂任务设计，在处理大规模代码库、跨文件依赖管理及自动修复代码方面表现卓越，逻辑准确性高，减少“幻觉”。
- 多模态原生理解： 不仅能读懂文字，还能直接看懂图片、PDF文档及界面截图。支持“看图写码”、长视频分析等功能，无需额外转换格式，开发流程更顺畅。
- 适用场景： 高并发 API 调用、大规模代码库重构、复杂 Agent 工作流、多模态办公自动化及长上下文文档分析。
- 一句话评价： 如果追求工业级稳定性与极致的推理成本比，且任务涉及复杂编程或长文本处理，Qwen3.8-Flash 是兼顾性能与效益的最优解。
Qwen3.8-Max（通义千问）
- 定位： 2.4T 参数级原生多模态旗舰模型，突破纯文本局限，专注复杂工程落地与全域数据解析，致力于提供从代码构建到多模态办公的工业级稳定智能服务。
- 核心优势：
- 原生多模态直读： 无需转换即可直接解析 PDF、技术文档及界面截图，实现“看图写码”与文档辅助开发的无缝衔接，大幅简化开发流程。
- 工业级代码稳健性： 针对大规模代码库重构与跨文件依赖管理深度优化，在复杂技术栈下保持极高的指令遵循度，减少逻辑幻觉。
- 长程任务闭环： 依托超大上下文窗口，具备更强的状态管理能力，能稳定执行全链路开发任务，确保从规划到落地的逻辑一致性。
- 适用场景： 大型遗留系统重构、多模态技术文档自动化处理、高复杂度全栈项目开发、企业级数据分析与报告生成。
- 一句话评价： 如果追求生产环境级的稳定性与原生多模态处理能力，且任务涉及复杂文档交互或大规模代码维护，Qwen3.8-Max 是兼顾顶级智力与工程可靠性的终极选择。
Qwen3.7-Max（通义千问）
- 定位： 面向智能体时代的新一代旗舰模型，专注于提升复杂任务下的自主决策与长周期执行能力，致力于实现从代码生成到工程落地全链路智能化。
- 核心优势：
- 长程自主进化： 在编程智能体领域具备极强的长周期任务自主执行能力。从前端原型快速构建到复杂工程落地，再到办公自动化流程，均能实现“规划-执行-反思”的完整闭环。
- 跨框架泛化稳定： 拥有独特的跨框架泛化优势，在各种开发 Harness 和复杂技术栈下表现高度稳定，不局限于单一语言或框架，适应性强。
- 极致推理与指令遵循： 具备卓越的逻辑推理能力，能严格执行复杂的系统级 Prompt 约束条件，与人类意图高度对齐，减少“幻觉”与偏差。
- 适用场景： 复杂全栈工程独立开发、长周期自动化任务闭环、高约束企业级应用构建、多技术栈混合系统集成。
- 一句话评价： 如果追求强大的编程智能体体验，且任务涉及长周期自主执行或复杂逻辑约束，Qwen3.7-Max 是兼具顶级智力与稳定性的首选。
Qwen3.7-Plus（通义千问）
- 定位： 面向多模态智能体时代的新一代混合能力模型，专注于提升视觉感知语言理解自动化执行的协同效率。
- 核心优势：
- 视觉驱动开发： 支持基于截图/界面参考直接生成前端或移动端代码，精准还原UI布局与交互逻辑，大幅降低设计稿转代码门槛。
- 跨模态工具调用： 在保持编码、API调用、工作流编排等完整智能体能力的同时，无缝融合视觉输入作为决策依据，实现“看图说话动手执行”的混合智能。
- 高保真视觉复原： 对复杂界面元素、图标、字体、间距具备极强解析力，确保生成代码与原始视觉高度一致，减少人工调整成本。
- 适用场景： 截图一键生成高保真页面、复杂界面自动还原、跨应用任务自动化执行、视觉交互类智能助手开发、老旧系统界面现代化改造。
- 一句话评价： 如果追求“看得懂界面、写得准代码、做得完流程”的多模态智能体体验，Qwen3.7-Plus 是兼具视觉敏锐度与工程落地力的首选。
DeepSeek-V4.1-Flash（深度求索）
- 定位： DeepSeek V4 系列全新架构的最小尺寸模型，552B 总参数 MoE 结构。专为高并发、低延迟及原生多模态视觉理解设计，以极低成本实现超越旗舰的智能水平。
- 核心优势：
- 非对称高效推理： 采用全新 Causal-Encoder-Decoder 结构，输入激活仅 8B，输出激活 16B。显著降低显存占用与计算成本，推理速度更快，吞吐更大。
- 极致缓存压缩： KV Cache 大幅优化，对 HBM 需求降至上一代的 1/4，SSD 需求降至 1/8。在 Agent 长上下文场景中，彻底解决存储瓶颈，费用更低。
- 全能智能基座： 经过大规模强化学习后训练，在性能、费用、速度等指标上全面超越 V4 Pro。支持图文混合任务，无需手动切换模式，自动识别图像并激活视觉能力。
- 适用场景： 实时对话交互、高频 API 调用、多模态内容分析（图表/截图识别）、轻量级 Agent 自动化工作流、高并发批量处理任务。
- 一句话评价： 若需兼顾极致响应速度、超低调用成本与顶尖多模态智能，DeepSeek-V4.1-Flash 是替代传统旗舰模型的新一代普惠首选。
DeepSeek-V4-Pro（深度求索）
- 定位： DeepSeek V4 系列旗舰预览版，1.6T 总参数/49B 激活参数的 MoE 架构。专为复杂逻辑推理、高阶 Agent 协作及百万级长上下文处理设计的全能基座。
- 核心优势：
- 百万级原生长上下文： 原生支持 1M Token 窗口，最大输出 384K Token。创新混合注意力机制显著降低显存占用，彻底解决长文档遗忘瓶颈。
- 顶尖 Agentic Coding 能力： Agentic Coding 评测表现卓越，交付质量极高。深度适配主流Agent工具，是构建自动化开发工作流的高效引擎。
- 卓越的推理性能： 数学、STEM 及竞赛代码评测优异，具备强大深度思考与逻辑拆解能力，支持通过参数调节“思考强度”以灵活应对不同难度任务。
- 适用场景： 复杂全栈工程代码生成与审查、多步逻辑推理与数学解题、高复杂度 Agent 自动化工作流搭建。
- 一句话评价： 若需处理百万级上下文的超长复杂任务或追求极致的 Agent 编码与逻辑推理性能，DeepSeek-V4-Pro 是兼具开源透明度与顶尖性能的旗舰之选。
DeepSeek-V4-Flash（深度求索）
- 定位： DeepSeek V4 系列高性价比预览版（284B/13B MoE），专为高吞吐、低成本生产场景设计，兼顾百万上下文、Agent 协作与强推理能力。
- 核心优势：
- 百万级原生上下文： 支持 1M Token 输入 / 384K Token 输出，混合注意力机制大幅降低显存占用，KV Cache 仅前代 10%，彻底解决长文档遗忘问题。
- 极致性价比与速度： 推理开销优化显著，API 成本远低于行业均值；简单 Agent 任务表现接近 Pro 版，延迟更低，适合高频调用与大规模部署。
- 灵活推理模式： 支持“非思考”与“思考”双模式（通过
reasoning_effort调节），复杂任务可逼近 Pro 性能，日常对话则快速响应，按需切换。
- 适用场景： 基础代码生成解释、低延迟 Agent 工作流、批量处理数百篇文档或数千条记录。
- 一句话评价： 若追求高速、低价、百万上下文稳定 Agent 能力，且任务以效率型或规模化运行为主，DeepSeek-V4-Flash 是实用与经济兼得的首选基座。
Kimi K3（Moonshot AI）
- 定位： 全球首个2.8万亿参数级开源旗舰模型，基于KDA混合线性注意力架构，原生支持视觉理解与百万级上下文，专为长程编程、深度推理及复杂知识工作设计。
- 核心优势：
- 百万级超长上下文： 原生支持100万Token窗口，一次性承载整本代码库或全年财报，在极长序列中保持细节不丢失、逻辑不矛盾。
- 原生视觉任务闭环： 文字、图像与视频统一理解，能结合截图反馈自主迭代前端、游戏及CAD开发，实现“边看边改”的视觉推理循环。
- 高效扩展与开放权重： 采用896专家MoE架构（激活16个），扩展效率提升2.5倍；提供开放权重与低成本API，兼顾企业私有化部署灵活性与前沿智能表现。
- 适用场景： 大型代码库全量重构、多模态软件工程（前端/游戏/CAD）、深度行业研究报告生成、长周期Agent自主执行及复杂数据叙事。
- 一句话评价： 若需处理百万级上下文的长程工程任务或进行高自主性的多模态开发，Kimi K3是目前开源阵营中规模最大、性价比最高的前沿智能基座。
Kimi K2.5（Moonshot AI）
- 定位： 以超长上下文窗口（支持 200K 甚至更多）著称，擅长处理海量文本。
- 核心优势：
- 整库阅读： 你可以直接把几百个文件的项目代码扔给它，它能记住所有细节，不会“遗忘”。
- 文档分析： 非常适合读取超长的技术文档、API 手册，然后基于文档写代码。
- 逻辑连贯性： 在处理长链条任务时，不容易迷失方向。
- 短板： 纯代码生成的“手感”和精细度略逊于 Qwen3.6-Plus 和 GPT-5，偶尔会有幻觉。
- 适用场景： 遗留代码重构（需要读很多旧代码）、基于长文档开发、大型项目架构咨询。
- 一句话评价： 当项目太大、文档太长，其他模型记不住时，用 Kimi。
GLM-5.3-Flash（智谱AI）
- 定位： 首个采用“稀疏线性”混合架构的开源前沿模型。总参数 320B，但每次推理仅激活 18B，在保持顶尖智能的同时，将成本降至原来的十分之一，是兼顾高性能与高性价比的旗舰选择。
- 核心优势：
- 原生视觉编程： 不只是“看图”，而是能像人一样“看代码”。它能直接观察界面渲染结果、交互反馈和图表结构，并据此自动修改代码或优化文档，实现真正的“所见即所得”开发。
- 百万级超长上下文： 支持 100 万 Token 上下文（约 1500 页 A4 纸），无需切片即可处理整本技术书、完整项目代码库或超长合同，信息检索精准无遗漏。
- 全能专业工作伙伴： 超越纯编程场景，可自主拆解 Office 办公、金融研究等复杂目标，调用浏览器、文件编辑器等工具完成端到端任务，覆盖 44 种职业场景。
- 适用场景： UI/前端可视化开发、长文档分析与总结、跨应用自动化办公、3D/游戏场景构建、视频内容理解与剪辑。
- 一句话评价： 如果你需要一款既能“看懂界面写代码”，又能“读懂百万字资料并自动操作电脑”的高效助手，GLM-5.3-Flash 是当前兼顾视觉智能与长文本处理的最优解。
GLM-5.3（智谱AI）
- 定位： 极致后训练Scaling旗舰模型，基于同一基座通过强化学习压榨智能上界。主打“开源编程能力SOTA”与“安全防御能力涌现”，是兼顾开发效率与安全治理的新一代标杆。
- 核心优势：
- 开源性能领跑： 在Terminal-Bench 3.0等核心基准测试中位列开源第一，编程能力较前代提升约50%，逼近闭源顶尖水平，具备处理真实终端复杂任务的高完成度。
- 长程工程突破： 通过数十倍扩大的长程任务环境训练，支持DeepSWE v1.1等长周期软件工程任务，能像工程师一样独立完成从需求分析、代码修改到测试验证的全流程闭环。
- 多模态与Agent增强： 原生集成视觉编码器（CogVLM），支持视觉理解与编程结合；具备更强的智能体（Agent）能力，覆盖44种职业场景下的高价值知识工作执行。
- 适用场景： 复杂软件工程全链路开发、跨工具Agent协作、多模态代码理解、高难度算法与工程题求解。
- 一句话评价： 如果追求当前开源模型中极致的编程效能与长程任务自主性，且需要模型具备行业顶尖的安全审查与漏洞发现能力，GLM-5.3是兼具性能与防御价值的最佳选择。
GLM-5.2（智谱AI）
- 定位： 长周期任务旗舰模型，拥有百万级无损上下文，主打“项目级全链路开发”与“复杂工程自主闭环”。
- 核心优势：
- 1M 无损超长上下文： 提供可靠的 100 万 Token 上下文窗口，支持一次性接管整个项目代码库，性能稳定。可实现从需求到跨平台部署的完整工作流，确保长程交互细节不丢失。
- 生产级标准遵循： 经过针对长周期编码代理场景的专门训练，能严格遵守生产级工程约束，支持长期重构、压力测试及从代码到视频/小程序的复杂迁移任务，确保开发成功率。
- 灵活的工具集成： 支持 MCP 协议，可灵活集成外部工具和数据源；具备强大的函数调用能力和结构化输出（JSON）支持，便于系统集成与自动化工作流构建。
- 适用场景： 项目级代码重构、小程序/移动应用全栈开发、复杂Agent协作及长程代码生成。
- 一句话评价： 如果需要模型像资深工程师一样独立处理百万级上下文的复杂工程项目，或进行高标准的长周期全链路开发，GLM-5.2 是目前开源阵营中兼具深度与广度的首选旗舰。
GLM-5.2-Fast-Preview（智谱AI）
- 定位： GLM-5.2 旗舰模型的高速预览版本，专为对输出速度极度敏感的场景设计，在保持 1M 超长上下文与标准版同等智能水平的同时，实现极致低延迟响应。
- 核心优势：
- 高速输出引擎： 通过深度推理加速优化，输出 TPS 达标准版的 1.5～2 倍（80~100 TPS），显著缩短首字等待时间，提升实时交互体验。
- 1M 无损长上下文： 完整继承 GLM-5.2 的 1M Token 窗口能力，支持一次性处理整本代码库或长篇文档，且在高速模式下依然保持长程逻辑稳定。
- 智能流式排队机制： 超出 TPM 额度时不直接限流，而是进入排队队列，保障高并发场景下业务调用的连续性与稳定性。
- 适用场景： AI 流式编程助手、Agent 多步/多轮快速推理、实时对话系统、流式代码生成及任何需要“秒级响应”的高频交互应用。
- 一句话评价： 若需在保留百万级上下文与旗舰智能的前提下追求极致响应速度，GLM-5.2-Fast-Preview 是实时交互与高频 Agent 任务的最优效率之选。
多媒体模型
Qwen Image 3.0（默认）
- 定位： 面向复杂图文创作的图片生成与编辑模型，兼顾生成质量与速度，适合对文字可读性、版面组织和画面细节有要求的任务。
- 核心优势：
- 复杂版面生成： 支持包含多个视觉元素与文字区域的构图，适合制作信息密集的海报、信息图和界面设计图。
- 文字渲染： 擅长小字与多语言字体呈现，可将标题、说明文字和图形整合在同一画面中。
- 生成与编辑结合： 既能从文字描述生成新图，也能修改已有图片，便于持续调整设计方案。
- 适用场景： 活动海报、产品宣传图、信息图、网页与应用界面设计图，以及需要图文共同表达的视觉内容。
- 一句话评价： 当图片需要同时承载清晰文字和复杂布局时，Qwen Image 3.0 是值得优先尝试的选择。
Qwen Image 2.0
- 定位： 千问图像生成与编辑系列的加速版模型，兼顾画面效果与响应速度，适合日常出图和多轮创意尝试。
- 核心优势：
- 高效迭代： 侧重生成速度与效果的平衡，适合反复调整提示词、比较不同构图和风格。
- 一体化创作： 同时支持文生图与图片编辑，可覆盖从初稿生成到已有素材修改的过程。
- 灵活画幅： 支持自定义图片宽高与最高 2K 级输出，方便适配封面、插图和页面素材。
- 适用场景： 日常配图、文章封面、创意草图、页面装饰素材，以及需要频繁试图和改图的设计任务。
- 一句话评价： 如果主要需求是高效完成日常图片生成与修改，Qwen Image 2.0 是实用的创作选择。
Qwen Image 3.0 Pro
- 定位： 千问图像 3.0 系列的旗舰模型，侧重高质量图文生成与精细编辑，适合对版面复杂度、文字表现和真实质感要求较高的创作。
- 核心优势：
- 复杂图文排版： 能根据较长的提示词组织密集信息与多层画面，适合菜单、分镜、信息图等包含大量内容的设计。
- 文字与细节表现： 擅长小字、多语言字体及人物、材质细节的呈现，便于制作兼顾文字可读性和视觉质感的图片。
- 生成与编辑一体： 支持从文字生成新图，也能结合参考图片与修改指令完成编辑，方便反复打磨成品。
- 适用场景： 品牌主视觉、精细商品宣传图、复杂海报、菜单与分镜，以及对细节呈现要求较高的界面设计图。
- 一句话评价： 当你更看重复杂图文的完成度和画面细节时，可以优先考虑 Qwen Image 3.0 Pro。
Wan 2.7
- 定位： 万相 2.7 图像生成与编辑模型，兼顾生成速度与创作能力，适合日常素材制作、多图参考和系列图片创作。
- 核心优势：
- 高效出图： 相比 Pro 版生成速度更快，最高支持 2K 级输出，适合多轮试图和日常素材迭代。
- 多图参考与编辑： 可结合多张参考图生成或修改画面，支持交互式编辑，便于围绕已有角色、商品和场景继续创作。
- 系列画面生成： 支持根据文字或图片生成组图，并注重主体一致性，适合连续故事、分镜和系列宣传素材。
- 适用场景： 日常营销配图、产品素材修改、角色系列图、故事分镜，以及需要频繁比较不同方案的设计任务。
- 一句话评价： 如果 2K 输出已能满足需求，并希望更快完成出图与改图，Wan 2.7 是适合日常使用的选择。
Wan 2.7 Pro
- 定位： 万相 2.7 图像生成与编辑专业版，提供更高分辨率的文生图能力，适合需要精细成品和可控视觉风格的设计任务。
- 核心优势：
- 高分辨率生成： 在无参考图、非组图的文生图场景下，最高支持 4K 输出；图片编辑与组图生成最高支持 2K。
- 品牌配色控制： 支持通过调色盘指定颜色与占比，便于使生成画面贴合品牌色和设计主题；该能力用于非组图生成。
- 多素材协同创作： 支持多图参考、图片编辑和主体一致性组图，可围绕人物、商品或场景素材制作不同构图的系列图片。
- 适用场景： 高分辨率宣传图、品牌视觉素材、精细商品展示，以及需要统一主体与风格的系列设计。
- 一句话评价： 当你需要更高分辨率的文生图成品，并重视配色与参考素材控制时，可以选择 Wan 2.7 Pro。
Wan 3.0 Video（默认）
- 定位： 万相 3.0 的通用视频生成模型，将文生视频、图生视频和参考生视频整合在同一模型中，适合从创意描述或已有素材制作短片。
- 核心优势：
- 多种创作入口： 可从文本开始生成，也可用首帧、首尾帧图片引导视频，覆盖不同素材准备程度的任务。
- 多模态参考： 支持参考图片、视频和音频，便于通过素材说明角色、场景、动作与声音要求。
- 有声视频输出： 支持生成带声音的视频，最高支持 1080P、30fps 和 30 秒时长，可承载较完整的短片表达。
- 适用场景： 产品展示、品牌短片、故事分镜、图片动态化，以及结合多种参考素材的视频创作。
- 一句话评价： 当你需要灵活组合文字与参考素材来制作视频时，Wan 3.0 Video 是覆盖面较广的通用选择。
Wan 3.0 Video Prime
- 定位： 万相 3.0 的优速版视频模型，在保留标准版主要创作能力的同时提升生成速度，适合对交付时效和迭代效率要求较高的任务。
- 核心优势：
- 更快生成： 优化视频生成的端到端速度，缩短多轮试片与方案调整的等待时间。
- 完整创作方式： 同样支持文生视频、首帧或首尾帧图生视频，以及多模态参考生视频。
- 高清短片能力： 支持 480P、720P 和 1080P 输出，最长 30 秒、30fps，可根据内容用途选择输出规格。
- 适用场景： 营销素材快速试片、多版本创意比较、紧凑排期下的短视频制作，以及需要频繁修改的视频任务。
- 一句话评价： 如果已经需要万相 3.0 的创作能力，并希望更快完成多轮生成，可以优先考虑 Prime。
HappyHorse 1.1
- 定位： 面向短片创作的视频生成模型，可根据文字描述、首帧图片或主体参考图生成视频，适合将创意和静态素材转化为动态画面。
- 核心优势：
- 文字驱动创作： 通过提示词描述场景、主体与动作，直接生成视频，便于将创意脚本转成视觉草稿。
- 图片引导生成： 图生视频以单张图片作为首帧；参考生视频可使用多张主体参考图，并在提示词中指定对应的人物或物件。
- 短片规格灵活： 支持 3～15 秒时长与 480P、720P、1080P 输出，适合制作独立镜头或短视频素材。
- 适用场景： 创意短片、静态图片动效、人物或商品参考图驱动的视频，以及故事分镜的动态预览。
- 一句话评价： 如果手头已有角色或商品图片，希望围绕这些素材生成短片，HappyHorse 1.1 值得尝试。
Qwen TTS 3.0 Flash（默认）
- 定位： 面向实时交互的文本转语音模型，将文字内容合成为语音，侧重响应速度与可控制的声音表达。
- 核心优势：
- 实时合成： Flash 版本针对实时体验优化，适合需要及时给出语音反馈的交互场景。
- 表达方式可控： 支持通过自然语言指令与细粒度标签调整情绪、语气、角色、语速和音量，便于适配不同内容风格。
- 多语言与方言： 覆盖多种语言及中文方言，可为不同语言习惯的用户生成语音内容。
- 适用场景： 语音助手、智能客服、实时对话、内容朗读，以及需要指定语气和表达风格的配音。
- 一句话评价： 当你需要把文字及时转成有表现力的语音时，Qwen TTS 3.0 Flash 是适合交互应用的选择。
FunMusic v1（默认）
- 定位： 根据文本提示词或歌词生成音乐的模型，可创作含人声的歌曲或纯音乐，适合将音乐想法快速转成可试听的作品。
- 核心优势：
- 描述生成音乐： 可通过文字表达音乐主题与期望氛围，生成相应的音乐内容，降低音乐创意验证的门槛。
- 歌词生成歌曲： 支持直接输入已有歌词生成歌曲，便于试听文案、歌词与旋律结合后的效果。
- 人声与纯音乐： 可选择生成纯音乐或含人声作品，歌曲支持男声、女声选择，覆盖配乐和歌曲样稿两类需求。
- 适用场景： 短视频与 Vlog 配乐、活动背景音乐、主题歌曲样稿，以及已有歌词的音乐创作尝试。
- 一句话评价： 如果希望把一段音乐描述或一份歌词变成可试听的初稿，FunMusic v1 是直接的创作入口。