Каталог AI моделей и нейросетей: сравнение и цены

Amazon Titan Text Embeddings V2 — это модель текстовых эмбеддингов для извлечения, поиска и кластеризации. Она принимает до 8 192 токенов на один вход и по умолчанию возвращает нормализованные векторы размерности 1 024; также можно выбрать 512 и 256 с помощью параметра dimensions.

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

Примечание о стоимости: режим pro расходует гораздо больше токенов рассуждения на запрос, поэтому типичный запрос стоит в несколько раз дороже, чем тот же запрос на GPT-6.1 Terra, и выполняется значительно дольше. Он предназначен для сложных задач с высокой ценой ошибки, где дополнительная точность оправдывает затраты. Для повседневной разработки, агентных и чат-нагрузок вместо него используйте GPT-6.1 Terra.

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

GPT-6.1 Terra — модель среднего уровня в серии GPT-6.1 от OpenAI, цена которой ниже, чем у GPT-6.1 Sol. Она подходит для повседневных агентных задач, программирования и работы с текстом, особенно хорошо понимает скриншоты и содержимое экрана, а также достаточно эффективна для больших объёмов работы.

HeyGen Voice Turbo — версия модели синтеза речи HeyGen Voice с более низкой задержкой. Доступны те же 10 встроенных голосов. Модель отдаёт монофоническое PCM-аудио 44,1 кГц, поддерживает 39 языков и до 5000 символов на запрос.

Kimi K3.1 Pro — флагманская open-weight мультимодальная модель рассуждений от Moonshot AI и преемник Kimi K3, прошедший пост-обучение, с контекстным окном в 1 млн токенов. Она создана для long-horizon программирования, 3D-создания, финансовых исследований и сквозной агентной работы со знаниями, с нативным пониманием изображений и видео.

Mammoth 1 — это модель принятия решений размером 27B от Base Labs, исследовательской команды Baseten, построенная на Qwen3.5-27B. Получая состояние (текст или JSON) и типизированные вопросы (да/нет, множественный выбор или порядковая оценка), она возвращает откалиброванную вероятность для каждого варианта в одном проходе, без генерации текста. Она совместима с TypeSafe System One и подходит для классификации, маршрутизации и оценки, где требуется оцененный ответ вместо текста.

Elephant 1 — это модель принятия решений 9B от Base Labs, исследовательской команды Baseten, построенная на Qwen3.5-9B. Получая состояние (текст или JSON) и типизированные вопросы (да/нет, множественный выбор или порядковая оценка), она возвращает откалиброванную вероятность для каждого варианта в одном прямом проходе, без генерации текста. Она совместима с TypeSafe System One и подходит для маршрутизации, классификации и оценки, где требуется оцененный ответ вместо текста. Её более крупный аналог — Mammoth 1.

Drex Max — это крупнейшая модель принятия решений от Nace.AI, преемник Drex v2.0. При получении состояния (текст или JSON) и вопросов с типами (да/нет, множественный выбор или порядковая оценка), она возвращает откалиброванную вероятность для каждого варианта в одном проходе, без генерации текста. Она совместима с TypeSafe System One и подходит для маршрутизации, классификации и проверки политик, где требуется оценка в виде баллов, а не текст.

Voxtral TTS 3 — это модель преобразования текста в речь от Mistral. Она превращает текст в естественно звучащую речь, предлагает библиотеку предустановленных голосов, поддерживает клонирование голоса без предварительной подготовки и принимает теги эмоций и темпа в вводе для управления воспроизведением. Она транслирует аудио с низким временем до первого звука и подходит для голосовых агентов, озвучивания и многоязычных ассистентов.

Voxtral Small Transcribe 3 — это флагманская модель преобразования речи в текст от Mistral. Она принимает аудиовход и возвращает расшифровку с временными метками и разделением по говорящим, а также поддерживает контекстное смещение для специализированной лексики. Подходит для высокоточной многоязычной транскрипции встреч, интервью, медиа и звонков в службу поддержки.

Voxtral Mini Transcribe 3 — это компактная модель преобразования речи в текст от Mistral. Она принимает аудиовход и возвращает транскрипцию с временными метками и разделением по говорящим. Также поддерживает контекстное смещение для терминов в определенной области. Достаточно мала, чтобы самостоятельно развернуться в условиях ограниченных ресурсов, и подходит для заметок о встречах, аналитики звонков и голосовых агентных систем, где важна стоимость.

MiniMax-M3.1-Flash — это мультимодальная модель от MiniMax. По сравнению с M3, она демонстрирует значительные улучшения по нескольким бенчмаркам, особенно в сложных агентных задачах, кодировании и кибербезопасности. Она создана для сложной, многоэтапной автоматизации совместной работы, понимания реальных кодовых баз, исправления ошибок и создания функций, а также для визуального понимания и создания, включая создание интерфейсов и презентаций. Планируется открытие весов.

DeepSeek V4.1 Flash 1017 — это снимок DeepSeek V4.1 Flash от 17 октября 2026 года, предоставляемый DeepSeek под именем модели API deepseek-flash. V4.1 Flash — это разреженная модель смеси экспертов от DeepSeek и первая, построенная на архитектуре Causal Encoder-Decoder (CED) компании. Она активирует 8 миллиардов параметров на входе и 16 миллиардов на выходе из основного блока с 552 миллиардами параметров, асимметричное разделение, которое сохраняет низкие вычислительные затраты на токен относительно общего размера модели. Понимание изображений является естественной частью архитектуры, с визуальными и текстовыми встраиваниями, обученными совместно с самого начала предобучения, а не добавленными впоследствии, как в более ранней экспериментальной версии V4 Flash Vision Exp.

Она подходит для кодирования, работы с терминалом и использования агентами на компьютере, а также для задач с длинным горизонтом, которые должны выполняться до завершения на протяжении многих шагов и анализа с длинным контекстом. Сжатое кеширование KV сокращает объем памяти кеша примерно до четверти от предыдущего поколения Flash, значительно снижая затраты на агентные рабочие нагрузки. DeepSeek позиционирует её как экономичный уровень семейства V4.1 и сообщает, что она превосходит V4 Pro по производительности, скорости и времени выполнения задач.

DeepSeek V4.1 Flash 1017 — это снимок DeepSeek V4.1 Flash от 17 октября 2026 года, предоставляемый DeepSeek под именем модели API deepseek-flash. V4.1 Flash — это разреженная модель смеси экспертов от DeepSeek и первая, построенная на архитектуре Causal Encoder-Decoder (CED) компании. Она активирует 8 миллиардов параметров на входе и 16 миллиардов на выходе из основного блока с 552 миллиардами параметров, асимметричное разделение, которое сохраняет низкие вычислительные затраты на токен относительно общего размера модели. Понимание изображений является естественной частью архитектуры, с визуальными и текстовыми встраиваниями, обученными совместно с самого начала предобучения, а не добавленными впоследствии, как в более ранней экспериментальной версии V4 Flash Vision Exp.

Она подходит для кодирования, работы с терминалом и использования агентами на компьютере, а также для задач с длинным горизонтом, которые должны выполняться до завершения на протяжении многих шагов и анализа с длинным контекстом. Сжатое кеширование KV сокращает объем памяти кеша примерно до четверти от предыдущего поколения Flash, значительно снижая затраты на агентные рабочие нагрузки. DeepSeek позиционирует её как экономичный уровень семейства V4.1 и сообщает, что она превосходит V4 Pro по производительности, скорости и времени выполнения задач.

Glimpse — это мультимодальная модель визуального рассуждения от Elorian, созданная для визуального понимания и сложного визуального рассуждения в физическом мире. Она осуществляет рассуждение непосредственно на основе изображений и видео, а не преобразует их сначала в текст, что позволяет находить мелкие детали в насыщенных сценах, отслеживать события в видеокадрах и основывать свои ответы на том, что действительно отображается на экране. Модель подходит для агентных визуальных рабочих процессов, таких как визуальный поиск, создание подписей к видео и плотный подсчет, а также для использования в физическом мире в робототехнике, строительстве, инженерии и производстве.