Каталог AI моделей и нейросетей: сравнение и цены

Tev1 4B Experimental — это экспериментальная модель принятия решений от Together AI, представляющая собой контролируемую доработку Qwen3.5-4B, обученную выбирать один вариант из структурированного состояния, вопроса и списка из 2-24 помеченных вариантов. Она сохраняет стандартную функцию предсказания следующего токена Qwen, поэтому используется через обычный API завершения чата, а не через специальное окружение для принятия решений.

Отправьте системную инструкцию, за которой следует JSON-решение, содержащее state, question и options. Модель возвращает одну букву варианта, которую код приложения сопоставляет с ключом варианта. Рекомендуемые настройки: temperature: 0, max_tokens: 8, и отключенное мышление. Она предназначена для маршрутизации, классификации и проверки политик, а не для общего чата. Together публикует полный рецепт данных и код обучения, чтобы команды могли доработать свою собственную версию.

rerank-3-lite — это ранжировщик, оптимизированный как для задержки, так и для качества, и является улучшением по сравнению с rerank-2.5-lite, улучшая его в среднем на 0,94% по показателю NDCG@10 в различных доменных оценках и на 1,86% в оценках длинных документов, с увеличением извлечения кода на 2,77% на базе voyage-3-large и на 2,59% на базе voyage-4-large. Он соответствует качеству извлечения rerank-2.5, и по 93 наборам данных для извлечения превосходит Cohere Rerank v4.0 Pro на 1,44% и Qwen3-Reranker-8B на 2,61%. Модель поддерживает комбинированную длину контекста в 32K токенов на пару запрос-документ, включая до 8K токенов для запроса, что позволяет более точно извлекать информацию из длинных документов. Кроме того, rerank-3-lite поддерживает следование инструкциям, позволяя пользователям управлять оценкой релевантности с помощью подсказок на естественном языке. Узнайте больше о rerank-3-lite здесь: blog.voyageai.com/2026/09/30/rerank-3

rerank-3 — это ранжировщик, оптимизированный для качества и являющийся улучшением версии rerank-2.5, с увеличением на 0,80% NDCG@10 в среднем по оценкам доменов и на 3,35% по оценкам длинных документов, с приростом в извлечении кода на 2,01% на базе voyage-3-large и на 1,96% на базе voyage-4-large. На 93 наборах данных для извлечения он превосходит Cohere Rerank v4.0 Pro на 2,14% и Qwen3-Reranker-8B на 3,31%. Модель поддерживает комбинированную длину контекста в 32K токенов на пару запрос-документ, включая до 8K токенов для запроса, что позволяет более точно извлекать информацию из длинных документов. Кроме того, rerank-3 поддерживает следование инструкциям, позволяя пользователям направлять оценку релевантности с помощью подсказок на естественном языке. Узнайте больше о rerank-3 здесь: blog.voyageai.com/2026/09/30/rerank-3

GPT-6.1 Sol Pro — это та же базовая модель, что и GPT-6.1 Sol, но с установленным параметром reasoning.mode на pro для более качественных ответов на сложные задачи.

Примечание о стоимости: режим pro расходует гораздо больше токенов рассуждений на каждый запрос, поэтому типичный запрос стоит в несколько раз дороже, чем тот же запрос на GPT-6.1 Sol, и занимает гораздо больше времени для выполнения. Он предназначен для сложных, ответственных задач, где дополнительная точность оправдывает затраты. Для повседневного программирования, агентных и чат-нагрузок используйте GPT-6.1 Sol.

Узнайте больше в документации OpenAI: https://developers.openai.com/api/docs/guides/reasoning#reasoning-mode

GPT-6.1 Sol является обновлением GPT-6 Sol от OpenAI, расположенным ниже флагманской модели GPT-6 Astra в серии GPT-6. Он подходит для агентного программирования, работы с компьютером, профессиональной работы с большим количеством документов и автоматизации многоступенчатых бизнес-процессов, достигая результатов уровня Astra в этих задачах при значительно меньших затратах. По сравнению с GPT-6 Sol, он делает меньше фактических ошибок и более надежен в соблюдении явных ограничений и намерений пользователя при выполнении агентных задач.

Claude Sonnet 5.5 — это модель класса Sonnet от Anthropic для хорошо определенной повседневной работы, являющаяся прямым обновлением Claude Sonnet 5. Она особенно сильна в создании функций, исправлении ошибок и подготовке отточенных документов, презентаций и таблиц, а также пишет и излагает мысли более ясно, чем ее предшественник.

Мышление всегда активно, поэтому усилие является основным рычагом для балансировки глубины, задержки и стоимости, а настройки с меньшими усилиями позволяют ей оставаться отзывчивой для повседневных агентных циклов.

Solar Decide — это структурированная модель принятия решений от Upstage, которая служит конечной точкой System One на Solar Mini 4. Отправьте состояние вместе с типизированными вопросами, и она вернет выбор, оценку или ответ “да/нет”, каждый с откалиброванной вероятностью, взятой непосредственно из модели, а не записанной в виде текста. Поскольку она не генерирует прозу, каждое решение требует одного прямого прохода, и выходные токены бесплатны. С контекстным окном в 512K, весь документ может служить состоянием. Solar Decide использует ту же схему /v1/systemone, что и Jev, обеспечивая сильное понимание корейского языка Solar Mini 4 для маршрутизации, классификации и проверки политик.

Span-01 — это модель оценки поведения от Respan. Она анализирует отрезок разговора и возвращает вероятность наличия каждого определенного вами поведения на простом языке. Модель подходит для оценки, ограничения и мониторинга результатов LLM и агентов в масштабах.

Это более точный уровень семейства. Span-01 Lite — это бесплатный, более легкий уровень.

Seed Audio 1.0 — это модель генерации аудио без потоковой передачи от ByteDance Seed. Она создает речь и другие аудио на основе текстового запроса на естественном языке, который может описывать желаемый голос, тон и звуковые эффекты, с возможностью использования идентификатора Seed speaker ID или эталонного аудиоклипа для клонирования голоса. Выход ограничен 120 секундами на запрос и оплачивается за каждую секунду сгенерированного аудио. Подходит для аудиокниг, озвучивания, игр и аналогичных задач.

Kev 4B — это небольшая модель принятия решений с открытым весом от Джареда Пальмера, построенная как адаптер LoRA и указатель на Qwen3.5-4B-Base и обслуживаемая по тому же контракту /v1/systemone, что и Jev от TypeSafe. Отправьте состояние и типизированные вопросы (да/нет, множественный выбор или оценка), и она вернет откалиброванную вероятность по каждому вопросу за один проход, без сгенерированного текста. Это рекомендуемая контрольная точка в семействе Kev (0.8B, 4B, 9B) и подходит для маршрутизации, классификации и проверок политики, которые хотят компактную альтернативу Jev с лицензией Apache-2.0.

Код, карточки моделей и наборы для оценки: https://github.com/jaredpalmer/kev

Perceptron Mk1.5 — это модель воплощенного рассуждения Perceptron для физических агентов. Она принимает текстовый, графический, видео и аудио ввод и отвечает текстом с дополнительными структурированными аннотациями: точками, рамками, полигонами, треками и клипами.

Она поддерживает градуированное рассуждение через стандартные элементы управления рассуждением, вызов функций и структурированные выходные данные через JSON Schema. Структурированные аннотации выводятся в тексте только по запросу через параметр annotation_format ("point", "box" или "polygon" для пространственной локализации на изображениях, "clip" для временных сегментов в видео). Звуковые дорожки видео анализируются только при явном включении для каждого запроса.

Gemini 3.5 Transcribe — это модель преобразования речи в текст от Google. Она подходит для синхронной транскрипции, требующей временных меток на уровне слов или разделения по говорящим, с поддержкой до восьми говорящих. Аудио может длиться до одного часа или 30 минут, если включены временные метки или разделение по говорящим.

Transcribe 1 Pro — это модель преобразования речи в текст от Fish Audio, настроенная для интервью, встреч и подкастов. Она маркирует говорящих с помощью встроенных маркеров speaker, сохраняет эмоциональные и вокальные сигналы, такие как [laughter], автоматически определяет язык и может возвращать сегменты на уровне слов с временными метками.

Ember-1 — это специализированная модель рассуждений от Fireworks Research, построенная на базе Kimi K3. Она разработана для более эффективного использования каждого токена: модель создает более короткие цепочки рассуждений, используя примерно на 40% меньше токенов, чем базовая модель, при этом сохраняя сопоставимое качество по оценкам Fireworks. Ember-1 подходит для программирования, работы с информацией и агентных рабочих процессов, где важны стоимость рассуждений и задержка.

Ming Image 0.1 Design Layer — это модель преобразования изображения в изображение от inclusionAI, которая разлагает сплющенное изображение дизайна на отдельные слои RGBA, такие как слой фона и передние элементы, и…