腾讯混元

【360在阿里云部署版】DeepSeek-R1 在后训练阶段大规模使用了强化学习技术，在仅有极少标注数据的情况下，极大提升了模型推理能力。在数学、代码、自然语言推理等任务上，性能比肩 OpenAI o1 正式版。

anthropic 最新的功能最强大的多模态模型，支持文本、图片输入，适用于复杂、多步骤的任务

能力均衡，推理效果和速度介于通义千问-Max和通义千问-Turbo之间，适合中等复杂任务。

【 deepseek-V3-0324 新版 V3 模型借鉴 DeepSeek-R1 模型训练过程中所使用的强化学习技术，大幅提高了在推理类任务上的表现水平，在数学、代码类相关评测集上取得了超过 GPT-4.5 的得分成绩。

【虚拟模型名】qwen3 开源版模型默认开启思考模式，实现推理模式和非推理模式的有效融合，可在对话中切换模式。推理能力显著超过QwQ、通用能力显著超过Qwen2.5-72B-Instruct，达到同规模业界SOTA水平。

anthropic 最新的功能最强大的多模态模型，支持文本、图片输入，适用于复杂、多步骤的任务

【 deepseek-r1-0528 】虚拟模型名会自动路由到平台接入的各大deepseek-r1-0528 的供应商，账单也按照实际使用的模型计费。

【360zhinao-pro-qwen-plus】基于 360zhinao-pro 和 qwen-plus 的聚合虚拟模型，将在两者之间根据效果智能调度，确保能力最优，后台账单按照实际调用模型计费。

【doubao-1.5-pro-32k 虚拟模型】豆包效果最好的主力模型，适合处理复杂任务，在参考问答、总结摘要、创作、文本分类、角色扮演等场景都有很好的效果。支持32k上下文窗口的推理和精调。

【虚拟模型】会路由到多个供应商，Doubao-Seed-1.6全新多模态深度思考模型，同时支持auto/thinking/non-thinking三种思考模式。 non-thinking模式下，模型效果对比Doubao-1.5-pro/250115大幅提升。支持 256k 上下文窗口，输出长度支持最大 16k tokens。

【虚拟模型】会路由到多个供应商，360zhinao-search-summary 专用于搜索摘要总结的模型

Claude Opus 4 是 Anthropic 最智能的模型，在编程和智能体能力方面处于最前沿，尤其擅长智能体搜索。它为需要前沿智能的客户提供卓越表现：高级编程：能够独立规划并端到端执行复杂的开发任务。

专为一句话生爆款视频智能体打造的虚拟模型

Kimi-K2 是一款Moonshot AI推出的具备超强代码和 Agent 能力的 MoE 架构基础模型，总参数 1T，激活参数 32B。在通用知识推理、编程、数学、Agent 等主要类别的基准性能测试中，K2 模型的性能超过其他主流开源模型。

能力均衡，推理效果和速度介于通义千问-Max和通义千问-Turbo之间，适合中等复杂任务。

GLM-4.5 是一款专为智能体应用打造的基础模型，使用了混合专家（Mixture-of-Experts）架构。在工具调用、网页浏览、软件工程、前端编程领域进行了深度优化，支持无缝接入 Claude

【 360gpt-pro & deepseek-V3 虚拟模型名 新版 V3 模型借鉴 DeepSeek-R1 模型训练过程中所使用的强化学习技术，大幅提高了在推理类任务上的表现水平，在数学、代码类相关评测集上取得了超过 GPT-4.5 的得分成绩。

【虚拟模型】DeepSeek-V3.1 是深度求索全新推出的混合推理模型，支持思考与非思考2种推理模式，较 DeepSeek-R1-0528 思考效率更高。经 Post-Training 优化，Agent 工具使用与智能体任务表现大幅提升。支持 128k 上下文窗口，输出长度支持最大 64k tokens。

google/gemini-2.5-flash-image-preview aka nano banana google 最好的图片生成和编辑模型。

实现思考模式和非思考模式的有效融合，可在对话中切换模式。推理能力显著超过QwQ、通用能力显著超过Qwen2.5-32B-Instruct，达到同规模业界SOTA水平。

此次更新在保持模型原有能力的基础上，针对用户反馈的问题进行了改进，包括： 语言一致性：缓解了中英文混杂、偶发异常字符等情况； Agent 能力：进一步优化了 Code Agent 与 Search Agent 的表现。

Claude Opus 4 是 Anthropic 最智能的模型，在编程和智能体能力方面处于最前沿，尤其擅长智能体搜索。它为需要前沿智能的客户提供卓越表现：高级编程：能够独立规划并端到端执行复杂的开发任务。

DeepSeek-V3.2-Exp 模型，是一个实验性（Experimental）的版本。作为迈向新一代架构的中间步骤，V3.2-Exp 在 V3.1-Terminus 的基础上引入了 DeepSeek Sparse Attention（一种稀疏注意力机制），针对长文本的训练和推理效率进行了探索性的优化和验证。