Files
lobe-chat/locales/ja-JP/models.json
T
2025-12-05 01:35:20 +08:00

3633 lines
372 KiB
JSON
Raw Blame History

This file contains ambiguous Unicode characters
This file contains Unicode characters that might be confused with other characters. If you think that this is intentional, you can safely ignore this warning. Use the Escape button to reveal them.
{
"01-ai/yi-1.5-34b-chat": {
"description": "零䞀䞇物、最新のオヌプン゜ヌス埮調敎モデル、340億パラメヌタ、埮調敎は倚様な察話シヌンをサポヌトし、高品質なトレヌニングデヌタで人間の奜みに合わせおいたす。"
},
"01-ai/yi-1.5-9b-chat": {
"description": "零䞀䞇物、最新のオヌプン゜ヌス埮調敎モデル、90億パラメヌタ、埮調敎は倚様な察話シヌンをサポヌトし、高品質なトレヌニングデヌタで人間の奜みに合わせおいたす。"
},
"360/deepseek-r1": {
"description": "【360デプロむ版】DeepSeek-R1は、埌蚓緎段階で倧芏暡に匷化孊習技術を䜿甚し、わずかなラベル付きデヌタでモデルの掚論胜力を倧幅に向䞊させたした。数孊、コヌド、自然蚀語掚論などのタスクで、OpenAI o1正匏版に匹敵する性胜を持っおいたす。"
},
"360gpt-pro": {
"description": "360GPT Proは360 AIモデルシリヌズの重芁なメンバヌであり、高効率なテキスト凊理胜力を持ち、倚様な自然蚀語アプリケヌションシヌンに察応し、長文理解や倚茪察話などの機胜をサポヌトしたす。"
},
"360gpt-pro-trans": {
"description": "翻蚳専甚モデルで、深く埮調敎されおおり、翻蚳効果が優れおいたす。"
},
"360gpt-turbo": {
"description": "360GPT Turboは匷力な蚈算ず察話胜力を提䟛し、優れた意味理解ず生成効率を備え、䌁業や開発者にずっお理想的なむンテリゞェントアシスタント゜リュヌションです。"
},
"360gpt-turbo-responsibility-8k": {
"description": "360GPT Turbo Responsibility 8Kは意味の安党性ず責任指向を匷調し、コンテンツの安党性に高い芁求を持぀アプリケヌションシヌンのために蚭蚈されおおり、ナヌザヌ䜓隓の正確性ず堅牢性を確保したす。"
},
"360gpt2-o1": {
"description": "360gpt2-o1は、ツリヌサヌチを䜿甚しお思考の連鎖を構築し、反省メカニズムを導入し、匷化孊習で蚓緎されたモデルであり、自己反省ず誀り蚂正の胜力を備えおいたす。"
},
"360gpt2-pro": {
"description": "360GPT2 Proは360瀟が発衚した高玚自然蚀語凊理モデルで、卓越したテキスト生成ず理解胜力を備え、特に生成ず創䜜の分野で優れたパフォヌマンスを発揮し、耇雑な蚀語倉換や圹割挔技タスクを凊理できたす。"
},
"360zhinao2-o1": {
"description": "360zhinao2-o1は、朚探玢を䜿甚しお思考の連鎖を構築し、反省メカニズムを導入し、匷化孊習で蚓緎され、自己反省ず誀り蚂正の胜力を備えおいたす。"
},
"4.0Ultra": {
"description": "Spark4.0 Ultraは星火倧モデルシリヌズの䞭で最も匷力なバヌゞョンで、ネットワヌク怜玢のリンクをアップグレヌドし、テキストコンテンツの理解ず芁玄胜力を向䞊させおいたす。これは、オフィスの生産性を向䞊させ、芁求に正確に応えるための党方䜍の゜リュヌションであり、業界をリヌドするむンテリゞェントな補品です。"
},
"AnimeSharp": {
"description": "AnimeSharp別名「4x‑AnimeSharp」は、Kim2091がESRGANアヌキテクチャを基に開発したオヌプン゜ヌスの超解像モデルで、アニメスタむルの画像の拡倧ずシャヌプ化に特化しおいたす。2022幎2月に「4x-TextSharpV1」から改名され、元々は文字画像にも察応しおいたしたが、アニメコンテンツ向けに倧幅に性胜が最適化されおいたす。"
},
"Baichuan2-Turbo": {
"description": "怜玢匷化技術を採甚し、倧モデルず分野知識、党網知識の党面的なリンクを実珟しおいたす。PDF、Wordなどのさたざたな文曞のアップロヌドやURL入力をサポヌトし、情報取埗が迅速か぀包括的で、出力結果は正確か぀専門的です。"
},
"Baichuan3-Turbo": {
"description": "䌁業の高頻床シヌンに最適化され、効果が倧幅に向䞊し、高コストパフォヌマンスを実珟しおいたす。Baichuan2モデルに察しお、コンテンツ生成が20%、知識問答が17%、圹割挔技胜力が40%向䞊しおいたす。党䜓的な効果はGPT3.5よりも優れおいたす。"
},
"Baichuan3-Turbo-128k": {
"description": "128Kの超長コンテキストりィンドりを備え、䌁業の高頻床シヌンに最適化され、効果が倧幅に向䞊し、高コストパフォヌマンスを実珟しおいたす。Baichuan2モデルに察しお、コンテンツ生成が20%、知識問答が17%、圹割挔技胜力が40%向䞊しおいたす。党䜓的な効果はGPT3.5よりも優れおいたす。"
},
"Baichuan4": {
"description": "モデル胜力は囜内でトップであり、知識癟科、長文、生成創䜜などの䞭囜語タスクで海倖の䞻流モデルを超えおいたす。たた、業界をリヌドするマルチモヌダル胜力を備え、耇数の暩嚁ある評䟡基準で優れたパフォヌマンスを瀺しおいたす。"
},
"Baichuan4-Air": {
"description": "モデル胜力は囜内で第䞀であり、知識癟科、長文、生成創䜜などの䞭囜語タスクで海倖の䞻流モデルを超えおいたす。たた、業界をリヌドするマルチモヌダル胜力を持ち、倚くの暩嚁ある評䟡基準で優れたパフォヌマンスを瀺しおいたす。"
},
"Baichuan4-Turbo": {
"description": "モデル胜力は囜内で第䞀であり、知識癟科、長文、生成創䜜などの䞭囜語タスクで海倖の䞻流モデルを超えおいたす。たた、業界をリヌドするマルチモヌダル胜力を持ち、倚くの暩嚁ある評䟡基準で優れたパフォヌマンスを瀺しおいたす。"
},
"ByteDance-Seed/Seed-OSS-36B-Instruct": {
"description": "Seed-OSSは、ByteDanceのSeedチヌムによっお開発された䞀連のオヌプン゜ヌス倧型蚀語モデルであり、匷力な長文コンテキスト凊理、掚論、゚ヌゞェントagent、および汎甚胜力に特化しお蚭蚈されおいたす。このシリヌズのSeed-OSS-36B-Instructは360億パラメヌタを持぀指瀺埮調敎モデルで、超長コンテキスト長をネむティブにサポヌトし、倧量のドキュメントや耇雑なコヌドベヌスを䞀床に凊理可胜です。このモデルは掚論、コヌド生成、゚ヌゞェントタスクツヌル䜿甚などに特化しお最適化されおおり、バランスの取れた優れた汎甚胜力を維持しおいたす。特城の䞀぀に「思考予算Thinking Budget」機胜があり、ナヌザヌが必芁に応じお掚論長を柔軟に調敎でき、実際の応甚で掚論効率を効果的に向䞊させたす。"
},
"DeepSeek-R1": {
"description": "最先端の効率的なLLMで、掚論、数孊、プログラミングに優れおいたす。"
},
"DeepSeek-R1-Distill-Llama-70B": {
"description": "DeepSeek R1——DeepSeekスむヌトの䞭でより倧きく、より賢いモデル——がLlama 70Bアヌキテクチャに蒞留されたした。ベンチマヌクテストず人間の評䟡に基づき、このモデルは元のLlama 70Bよりも賢く、特に数孊ず事実の正確性が求められるタスクで優れた性胜を発揮したす。"
},
"DeepSeek-R1-Distill-Qwen-1.5B": {
"description": "Qwen2.5-Math-1.5Bに基づくDeepSeek-R1蒞留モデルで、匷化孊習ずコヌルドスタヌトデヌタを通じお掚論性胜を最適化し、オヌプン゜ヌスモデルがマルチタスクの基準を刷新したした。"
},
"DeepSeek-R1-Distill-Qwen-14B": {
"description": "Qwen2.5-14Bに基づくDeepSeek-R1蒞留モデルで、匷化孊習ずコヌルドスタヌトデヌタを通じお掚論性胜を最適化し、オヌプン゜ヌスモデルがマルチタスクの基準を刷新したした。"
},
"DeepSeek-R1-Distill-Qwen-32B": {
"description": "DeepSeek-R1シリヌズは、匷化孊習ずコヌルドスタヌトデヌタを通じお掚論性胜を最適化し、オヌプン゜ヌスモデルがマルチタスクの基準を刷新し、OpenAI-o1-miniのレベルを超えたした。"
},
"DeepSeek-R1-Distill-Qwen-7B": {
"description": "Qwen2.5-Math-7Bに基づくDeepSeek-R1蒞留モデルで、匷化孊習ずコヌルドスタヌトデヌタを通じお掚論性胜を最適化し、オヌプン゜ヌスモデルがマルチタスクの基準を刷新したした。"
},
"DeepSeek-V3": {
"description": "DeepSeek-V3は、深床求玢瀟が独自に開発したMoEモデルです。DeepSeek-V3は、Qwen2.5-72BやLlama-3.1-405Bなどの他のオヌプン゜ヌスモデルを超える評䟡成瞟を収め、性胜面では䞖界トップクラスのクロヌズド゜ヌスモデルであるGPT-4oやClaude-3.5-Sonnetず肩を䞊べおいたす。"
},
"DeepSeek-V3-1": {
"description": "DeepSeek V3.1次䞖代の掚論モデルで、耇雑な掚論ず連鎖的思考胜力を向䞊させ、深い分析が必芁なタスクに適しおいたす。"
},
"DeepSeek-V3-Fast": {
"description": "モデル提䟛元sophnetプラットフォヌム。DeepSeek V3 FastはDeepSeek V3 0324バヌゞョンの高TPS高速版で、フルパワヌの非量子化モデルです。コヌドず数孊胜力が匷化され、応答速床がさらに速くなっおいたす"
},
"DeepSeek-V3.1-Fast": {
"description": "DeepSeek V3.1 FastはDeepSeek V3.1の高TPS高速版です。ハむブリッド思考モヌドチャットテンプレヌトを倉曎するこずで、1぀のモデルが思考モヌドず非思考モヌドの䞡方を同時にサポヌトしたす。よりスマヌトなツヌル呌び出しポストトレヌニング最適化により、モデルのツヌル䜿甚ず゚ヌゞェントタスクでのパフォヌマンスが著しく向䞊したした。"
},
"DeepSeek-V3.1-Think": {
"description": "DeepSeek-V3.1-思考モヌドDeepSeek-V3.1は深床探玢が新たにリリヌスしたハむブリッド掚論モデルで、思考モヌドず非思考モヌドの2぀の掚論モヌドをサポヌトし、DeepSeek-R1-0528よりも思考効率が向䞊しおいたす。ポストトレヌニング最適化により、゚ヌゞェントのツヌル䜿甚ず゚ヌゞェントタスクのパフォヌマンスが倧幅に向䞊したした。"
},
"Doubao-lite-128k": {
"description": "Doubao-liteは極めお高速な応答速床ず優れたコストパフォヌマンスを備え、さたざたなシナリオに柔軟な遞択肢を提䟛したす。128kのコンテキストりィンドりでの掚論ず埮調敎をサポヌトしたす。"
},
"Doubao-lite-32k": {
"description": "Doubao-liteは極めお高速な応答速床ず優れたコストパフォヌマンスを備え、さたざたなシナリオに柔軟な遞択肢を提䟛したす。32kのコンテキストりィンドりでの掚論ず埮調敎をサポヌトしたす。"
},
"Doubao-lite-4k": {
"description": "Doubao-liteは極めお高速な応答速床ず優れたコストパフォヌマンスを備え、さたざたなシナリオに柔軟な遞択肢を提䟛したす。4kのコンテキストりィンドりでの掚論ず埮調敎をサポヌトしたす。"
},
"Doubao-pro-128k": {
"description": "最も高性胜な䞻力モデルで、耇雑なタスクの凊理に適しおいたす。参考質問応答、芁玄、創䜜、テキスト分類、ロヌルプレむなどのシヌンで優れた効果を発揮したす。128kのコンテキストりィンドりでの掚論ず埮調敎をサポヌトしたす。"
},
"Doubao-pro-32k": {
"description": "最も高性胜な䞻力モデルで、耇雑なタスクの凊理に適しおいたす。参考質問応答、芁玄、創䜜、テキスト分類、ロヌルプレむなどのシヌンで優れた効果を発揮したす。32kのコンテキストりィンドりでの掚論ず埮調敎をサポヌトしたす。"
},
"Doubao-pro-4k": {
"description": "最も高性胜な䞻力モデルで、耇雑なタスクの凊理に適しおいたす。参考質問応答、芁玄、創䜜、テキスト分類、ロヌルプレむなどのシヌンで優れた効果を発揮したす。4kのコンテキストりィンドりでの掚論ず埮調敎をサポヌトしたす。"
},
"DreamO": {
"description": "DreamOは、ByteDanceず北京倧孊が共同開発したオヌプン゜ヌスの画像カスタマむズ生成モデルで、統䞀されたアヌキテクチャにより倚様なタスクの画像生成をサポヌトしたす。効率的な組み合わせモデリング手法を採甚し、ナヌザヌが指定したアむデンティティ、䞻䜓、スタむル、背景など耇数の条件に基づき、高床に䞀貫性のあるカスタマむズ画像を生成可胜です。"
},
"ERNIE-3.5-128K": {
"description": "癟床が独自に開発したフラッグシップの倧芏暡蚀語モデルで、膚倧な䞭英語のコヌパスをカバヌし、匷力な汎甚胜力を持っおいたす。ほずんどの察話型質問応答、創䜜生成、プラグむンアプリケヌションの芁件を満たすこずができたす。たた、癟床怜玢プラグむンずの自動接続をサポヌトし、質問応答情報のタむムリヌさを保蚌したす。"
},
"ERNIE-3.5-8K": {
"description": "癟床が独自に開発したフラッグシップの倧芏暡蚀語モデルで、膚倧な䞭英語のコヌパスをカバヌし、匷力な汎甚胜力を持っおいたす。ほずんどの察話型質問応答、創䜜生成、プラグむンアプリケヌションの芁件を満たすこずができたす。たた、癟床怜玢プラグむンずの自動接続をサポヌトし、質問応答情報のタむムリヌさを保蚌したす。"
},
"ERNIE-3.5-8K-Preview": {
"description": "癟床が独自に開発したフラッグシップの倧芏暡蚀語モデルで、膚倧な䞭英語のコヌパスをカバヌし、匷力な汎甚胜力を持っおいたす。ほずんどの察話型質問応答、創䜜生成、プラグむンアプリケヌションの芁件を満たすこずができたす。たた、癟床怜玢プラグむンずの自動接続をサポヌトし、質問応答情報のタむムリヌさを保蚌したす。"
},
"ERNIE-4.0-8K-Latest": {
"description": "癟床が独自に開発したフラッグシップの超倧芏暡蚀語モデルで、ERNIE 3.5に比べおモデル胜力が党面的にアップグレヌドされ、さたざたな分野の耇雑なタスクシナリオに広く適甚されたす。癟床怜玢プラグむンずの自動接続をサポヌトし、質問応答情報のタむムリヌさを保蚌したす。"
},
"ERNIE-4.0-8K-Preview": {
"description": "癟床が独自に開発したフラッグシップの超倧芏暡蚀語モデルで、ERNIE 3.5に比べおモデル胜力が党面的にアップグレヌドされ、さたざたな分野の耇雑なタスクシナリオに広く適甚されたす。癟床怜玢プラグむンずの自動接続をサポヌトし、質問応答情報のタむムリヌさを保蚌したす。"
},
"ERNIE-4.0-Turbo-8K-Latest": {
"description": "癟床が自䞻開発したフラッグシップの超倧芏暡な蚀語モデルで、総合的なパフォヌマンスが優れおおり、各分野の耇雑なタスクシナリオに広く適応したす癟床怜玢プラグむンずの自動連携をサポヌトし、質問応答情報のタむムリヌさを保蚌したす。ERNIE 4.0に比べおパフォヌマンスが向䞊しおいたす。"
},
"ERNIE-4.0-Turbo-8K-Preview": {
"description": "癟床が独自に開発したフラッグシップの超倧芏暡蚀語モデルで、総合的なパフォヌマンスが優れおおり、さたざたな分野の耇雑なタスクシナリオに広く適甚されたす。癟床怜玢プラグむンずの自動接続をサポヌトし、質問応答情報のタむムリヌさを保蚌したす。ERNIE 4.0に比べおパフォヌマンスがさらに優れおいたす。"
},
"ERNIE-Character-8K": {
"description": "癟床が独自に開発した垂盎シナリオ向けの倧芏暡蚀語モデルで、ゲヌムのNPC、カスタマヌサヌビスの察話、察話型キャラクタヌの圹割挔技などのアプリケヌションシナリオに適しおおり、キャラクタヌのスタむルがより鮮明で䞀貫性があり、指瀺に埓う胜力が匷化され、掚論性胜が向䞊しおいたす。"
},
"ERNIE-Lite-Pro-128K": {
"description": "癟床が独自に開発した軜量倧芏暡蚀語モデルで、優れたモデル効果ず掚論性胜を兌ね備え、ERNIE Liteよりも効果が優れおおり、䜎蚈算胜力のAIアクセラレヌタカヌドでの掚論䜿甚に適しおいたす。"
},
"ERNIE-Speed-128K": {
"description": "癟床が2024幎に最新リリヌスした独自開発の高性胜倧芏暡蚀語モデルで、汎甚胜力が優れおおり、基盀モデルずしお埮調敎に適しおおり、特定のシナリオの問題をより良く凊理し、優れた掚論性胜を持っおいたす。"
},
"ERNIE-Speed-Pro-128K": {
"description": "癟床が2024幎に最新リリヌスした独自開発の高性胜倧芏暡蚀語モデルで、汎甚胜力が優れおおり、ERNIE Speedよりも効果が優れおおり、基盀モデルずしお埮調敎に適しおおり、特定のシナリオの問題をより良く凊理し、優れた掚論性胜を持っおいたす。"
},
"FLUX-1.1-pro": {
"description": "FLUX.1.1 Pro"
},
"FLUX.1-Kontext-dev": {
"description": "FLUX.1-Kontext-devはBlack Forest Labsが開発した、Rectified Flow Transformerアヌキテクチャに基づくマルチモヌダル画像生成・線集モデルで、120億パラメヌタ芏暡を持ち、䞎えられたコンテキスト条件䞋で画像の生成、再構築、匷化、線集に特化しおいたす。本モデルは拡散モデルの制埡可胜な生成胜力ずTransformerのコンテキストモデリング胜力を融合し、高品質な画像出力を実珟。画像修埩、画像補完、芖芚シヌン再構築など幅広いタスクに適甚可胜です。"
},
"FLUX.1-Kontext-pro": {
"description": "FLUX.1 Kontext [pro]"
},
"FLUX.1-dev": {
"description": "FLUX.1-devはBlack Forest Labsが開発したオヌプン゜ヌスのマルチモヌダル蚀語モデルMultimodal Language Model, MLLMで、画像ず蚀語の理解ず生成胜力を融合し、画像ず蚀語のタスクに最適化されおいたす。先進的な倧芏暡蚀語モデル䟋Mistral-7Bを基盀に、粟巧に蚭蚈された芖芚゚ンコヌダヌず倚段階の指瀺埮調敎を通じお、画像ず蚀語の協調凊理ず耇雑なタスク掚論胜力を実珟しおいたす。"
},
"Gryphe/MythoMax-L2-13b": {
"description": "MythoMax-L2 (13B)は、革新的なモデルであり、倚分野のアプリケヌションや耇雑なタスクに適しおいたす。"
},
"HelloMeme": {
"description": "HelloMemeは、提䟛された画像や動䜜に基づいお自動的にミヌム画像、GIF、短い動画を生成するAIツヌルです。絵画やプログラミングの知識は䞍芁で、参考画像を甚意するだけで、芋栄えが良く面癜く、スタむルが䞀貫したコンテンツを䜜成できたす。"
},
"HiDream-I1-Full": {
"description": "HiDream-E1-Fullは智象未来HiDream.aiが提䟛するオヌプン゜ヌスのマルチモヌダル画像線集倧芏暡モデルで、先進的なDiffusion Transformerアヌキテクチャを基盀に、匷力な蚀語理解胜力内蔵LLaMA 3.1-8B-Instructを組み合わせおいたす。自然蚀語指瀺による画像生成、スタむル転送、局所線集、内容の再描画をサポヌトし、優れた画像ず蚀語の理解ず実行胜力を備えおいたす。"
},
"HunyuanDiT-v1.2-Diffusers-Distilled": {
"description": "hunyuandit-v1.2-distilledは軜量化されたテキストから画像生成モデルで、蒞留による最適化が斜されおおり、高品質な画像を迅速に生成可胜です。特にリ゜ヌスが限られた環境やリアルタむム生成タスクに適しおいたす。"
},
"InstantCharacter": {
"description": "InstantCharacterはTencent AIチヌムが2025幎にリリヌスした、埮調敎䞍芁tuning-freeのパヌ゜ナラむズキャラクタヌ生成モデルで、高忠実床か぀クロスシヌンで䞀貫したキャラクタヌ生成を目指しおいたす。単䞀の参照画像のみでキャラクタヌをモデリングし、そのキャラクタヌを倚様なスタむル、動䜜、背景に柔軟に適甚可胜です。"
},
"InternVL2-8B": {
"description": "InternVL2-8Bは、匷力な芖芚蚀語モデルで、画像ずテキストのマルチモヌダル凊理をサポヌトし、画像内容を正確に認識し、関連する説明や回答を生成するこずができたす。"
},
"InternVL2.5-26B": {
"description": "InternVL2.5-26Bは、匷力な芖芚蚀語モデルで、画像ずテキストのマルチモヌダル凊理をサポヌトし、画像内容を正確に認識し、関連する説明や回答を生成するこずができたす。"
},
"Kolors": {
"description": "KolorsはKuaishouのKolorsチヌムが開発したテキストから画像生成モデルで、数十億のパラメヌタで蚓緎されおおり、芖芚品質、䞭囜語の意味理解、テキストレンダリングにおいお顕著な優䜍性を持ちたす。"
},
"Kwai-Kolors/Kolors": {
"description": "KolorsはKuaishouのKolorsチヌムが開発した朜圚拡散に基づく倧芏暡テキストから画像生成モデルです。数十億のテキスト・画像ペアで蚓緎され、芖芚品質、耇雑な意味の正確性、䞭英文字のレンダリングに優れおいたす。䞭英䞡蚀語の入力をサポヌトし、䞭囜語特有の内容の理解ず生成においおも高い性胜を発揮したす。"
},
"Kwaipilot/KAT-Dev": {
"description": "KAT-Dev32Bは、゜フトりェア゚ンゞニアリングのタスク向けに蚭蚈されたオヌプン゜ヌスの32Bパラメヌタモデルです。SWE-Bench Verifiedベンチマヌクにおいお62.4%の解決率を達成し、さたざたな芏暡のオヌプン゜ヌスモデルの䞭で第5䜍にランクむンしたした。本モデルは、䞭間トレヌニング、教垫あり埮調敎SFT、匷化孊習RLなど耇数の段階を経お最適化されおおり、コヌド補完、バグ修正、コヌドレビュヌなどの高床なプログラミングタスクに匷力なサポヌトを提䟛したす。"
},
"Llama-3.2-11B-Vision-Instruct": {
"description": "高解像床画像で優れた画像掚論胜力を発揮し、芖芚理解アプリケヌションに適しおいたす。"
},
"Llama-3.2-90B-Vision-Instruct\t": {
"description": "芖芚理解゚ヌゞェントアプリケヌションに適した高床な画像掚論胜力を備えおいたす。"
},
"Meta-Llama-3-3-70B-Instruct": {
"description": "Llama 3.3 70B汎甚性の高いTransformerモデルで、察話や生成タスクに適しおいたす。"
},
"Meta-Llama-3.1-405B-Instruct": {
"description": "Llama 3.1の指瀺調敎されたテキストモデルで、倚蚀語察話のナヌスケヌスに最適化されおおり、倚くの利甚可胜なオヌプン゜ヌスおよびクロヌズドチャットモデルの䞭で、䞀般的な業界ベンチマヌクで優れた性胜を発揮したす。"
},
"Meta-Llama-3.1-70B-Instruct": {
"description": "Llama 3.1の指瀺調敎されたテキストモデルで、倚蚀語察話のナヌスケヌスに最適化されおおり、倚くの利甚可胜なオヌプン゜ヌスおよびクロヌズドチャットモデルの䞭で、䞀般的な業界ベンチマヌクで優れた性胜を発揮したす。"
},
"Meta-Llama-3.1-8B-Instruct": {
"description": "Llama 3.1の指瀺調敎されたテキストモデルで、倚蚀語察話のナヌスケヌスに最適化されおおり、倚くの利甚可胜なオヌプン゜ヌスおよびクロヌズドチャットモデルの䞭で、䞀般的な業界ベンチマヌクで優れた性胜を発揮したす。"
},
"Meta-Llama-3.2-1B-Instruct": {
"description": "最先端の小型蚀語モデルで、蚀語理解、優れた掚論胜力、テキスト生成胜力を備えおいたす。"
},
"Meta-Llama-3.2-3B-Instruct": {
"description": "最先端の小型蚀語モデルで、蚀語理解、優れた掚論胜力、テキスト生成胜力を備えおいたす。"
},
"Meta-Llama-3.3-70B-Instruct": {
"description": "Llama 3.3は、Llamaシリヌズの最先端の倚蚀語オヌプン゜ヌス倧芏暡蚀語モデルで、非垞に䜎コストで405Bモデルに匹敵する性胜を䜓隓できたす。Transformer構造に基づき、監芖付き埮調敎SFTず人間のフィヌドバックによる匷化孊習RLHFを通じお有甚性ず安党性を向䞊させおいたす。その指瀺調敎バヌゞョンは倚蚀語察話に最適化されおおり、さたざたな業界のベンチマヌクで倚くのオヌプン゜ヌスおよびクロヌズドチャットモデルを䞊回る性胜を発揮したす。知識のカットオフ日は2023幎12月です。"
},
"Meta-Llama-4-Maverick-17B-128E-Instruct-FP8": {
"description": "Llama 4 MaverickMixture-of-Expertsに基づく倧芏暡モデルで、効率的な゚キスパヌト掻性化戊略により掚論性胜を発揮したす。"
},
"MiniMax-M1": {
"description": "党く新しい自瀟開発の掚論モデル。䞖界最先端80Kの思考チェヌン × 1Mの入力で、海倖のトップモデルに匹敵する性胜を実珟"
},
"MiniMax-M2": {
"description": "効率的なコヌディングず゚ヌゞェントワヌクフロヌのために蚭蚈されたモデル"
},
"MiniMax-M2-Stable": {
"description": "効率的なコヌディングず゚ヌゞェントワヌクフロヌのために蚭蚈され、高い同時実行性ず商甚利甚に察応しおいたす。"
},
"MiniMax-Text-01": {
"description": "MiniMax-01シリヌズモデルでは、倧胆な革新を行いたした初めお倧芏暡に線圢泚意メカニズムを実珟し、埓来のTransformerアヌキテクチャが唯䞀の遞択肢ではなくなりたした。このモデルのパラメヌタ数は4560億に達し、単回のアクティベヌションは459億です。モデルの総合性胜は海倖のトップモデルに匹敵し、䞖界最長の400䞇トヌクンのコンテキストを効率的に凊理でき、GPT-4oの32倍、Claude-3.5-Sonnetの20倍です。"
},
"MiniMaxAI/MiniMax-M1-80k": {
"description": "MiniMax-M1はオヌプン゜ヌスの重みを持぀倧芏暡混合泚意力掚論モデルで、4560億のパラメヌタを有し、各トヌクンで玄459億のパラメヌタが掻性化されたす。モデルは100䞇トヌクンの超長文コンテキストをネむティブにサポヌトし、ラむトニングアテンション機構により10䞇トヌクンの生成タスクでDeepSeek R1ず比べお75の浮動小数点挔算量を削枛したす。たた、MiniMax-M1はMoE混合゚キスパヌトアヌキテクチャを採甚し、CISPOアルゎリズムず混合泚意力蚭蚈による効率的な匷化孊習トレヌニングを組み合わせ、長文入力掚論および実際の゜フトりェア工孊シナリオで業界最高の性胜を実珟しおいたす。"
},
"MiniMaxAI/MiniMax-M2": {
"description": "MiniMax-M2 は、゚ヌゞェントの効率性を再定矩するコンパクトで高速か぀コスト効率に優れた MoEMixture of Expertsモデルです。総パラメヌタ数は2,300億、アクティブパラメヌタは100億で、コヌディングや゚ヌゞェントタスクにおいお最高レベルの性胜を発揮し぀぀、匷力な汎甚知胜を維持したす。わずか100億のアクティブパラメヌタで、倧芏暡モデルに匹敵する性胜を実珟しおおり、高効率なアプリケヌションに最適な遞択肢です。"
},
"Moonshot-Kimi-K2-Instruct": {
"description": "総パラメヌタ数1兆、掻性化パラメヌタ320億。非思考モデルの䞭で、先端知識、数孊、コヌディングにおいおトップレベルの性胜を持ち、汎甚゚ヌゞェントタスクに優れおいたす。゚ヌゞェントタスクに特化しお最適化されおおり、質問に答えるだけでなく行動も可胜です。即興的で汎甚的なチャットや゚ヌゞェント䜓隓に最適で、長時間の思考を必芁ずしない反射的モデルです。"
},
"NousResearch/Nous-Hermes-2-Mixtral-8x7B-DPO": {
"description": "Nous Hermes 2 - Mixtral 8x7B-DPO (46.7B)は、高粟床の指瀺モデルであり、耇雑な蚈算に適しおいたす。"
},
"OmniConsistency": {
"description": "OmniConsistencyは倧芏暡なDiffusion TransformersDiTsずペアスタむル化デヌタを導入するこずで、画像から画像ぞのタスクにおけるスタむルの䞀貫性ず汎化胜力を向䞊させ、スタむルの劣化を防止したす。"
},
"Phi-3-medium-128k-instruct": {
"description": "同じPhi-3-mediumモデルですが、RAGたたは少数ショットプロンプティング甚により倧きなコンテキストサむズを持っおいたす。"
},
"Phi-3-medium-4k-instruct": {
"description": "14Bパラメヌタのモデルで、Phi-3-miniよりも高品質で、質の高い掚論密床のデヌタに焊点を圓おおいたす。"
},
"Phi-3-mini-128k-instruct": {
"description": "同じPhi-3-miniモデルですが、RAGたたは少数ショットプロンプティング甚により倧きなコンテキストサむズを持っおいたす。"
},
"Phi-3-mini-4k-instruct": {
"description": "Phi-3ファミリヌの最小メンバヌ。品質ず䜎遅延の䞡方に最適化されおいたす。"
},
"Phi-3-small-128k-instruct": {
"description": "同じPhi-3-smallモデルですが、RAGたたは少数ショットプロンプティング甚により倧きなコンテキストサむズを持っおいたす。"
},
"Phi-3-small-8k-instruct": {
"description": "7Bパラメヌタのモデルで、Phi-3-miniよりも高品質で、質の高い掚論密床のデヌタに焊点を圓おおいたす。"
},
"Phi-3.5-mini-instruct": {
"description": "Phi-3-miniモデルの曎新版です。"
},
"Phi-3.5-vision-instrust": {
"description": "Phi-3-visionモデルの曎新版です。"
},
"Pro/Qwen/Qwen2-7B-Instruct": {
"description": "Qwen2-7B-InstructはQwen2シリヌズの指瀺埮調敎倧芏暡蚀語モデルで、パラメヌタ芏暡は7Bです。このモデルはTransformerアヌキテクチャに基づき、SwiGLU掻性化関数、泚意QKVバむアス、グルヌプク゚リ泚意などの技術を採甚しおいたす。倧芏暡な入力を凊理するこずができたす。このモデルは蚀語理解、生成、倚蚀語胜力、コヌディング、数孊、掚論などの耇数のベンチマヌクテストで優れたパフォヌマンスを瀺し、ほずんどのオヌプン゜ヌスモデルを超え、特定のタスクでは専有モデルず同等の競争力を瀺しおいたす。Qwen2-7B-Instructは倚くの評䟡でQwen1.5-7B-Chatを䞊回り、顕著な性胜向䞊を瀺しおいたす。"
},
"Pro/Qwen/Qwen2.5-7B-Instruct": {
"description": "Qwen2.5-7B-InstructはAlibaba Cloudが発衚した最新の倧芏暡蚀語モデルシリヌズの䞀぀です。この7Bモデルはコヌディングや数孊などの分野で顕著な胜力の改善を持っおいたす。このモデルは29以䞊の蚀語をカバヌする倚蚀語サポヌトも提䟛しおおり、䞭囜語、英語などが含たれおいたす。モデルは指瀺の遵守、構造化デヌタの理解、特にJSONのような構造化出力の生成においお顕著な向䞊を瀺しおいたす。"
},
"Pro/Qwen/Qwen2.5-Coder-7B-Instruct": {
"description": "Qwen2.5-Coder-7B-InstructはAlibaba Cloudが発衚したコヌド特化型倧芏暡蚀語モデルシリヌズの最新バヌゞョンです。このモデルはQwen2.5を基に、55兆トヌクンの蚓緎を通じお、コヌド生成、掚論、修正胜力を倧幅に向䞊させたした。コヌディング胜力を匷化するだけでなく、数孊および䞀般的な胜力の利点も維持しおいたす。このモデルはコヌド゚ヌゞェントなどの実際のアプリケヌションに察しお、より包括的な基盀を提䟛したす。"
},
"Pro/Qwen/Qwen2.5-VL-7B-Instruct": {
"description": "Qwen2.5-VLはQwenシリヌズの新メンバヌで、匷力な芖芚理解胜力を備えおいたす。画像内のテキスト、チャヌト、レむアりトを分析でき、長い動画の理解やむベントの捕捉が可胜です。掚論やツヌル操䜜が行え、倚様な圢匏の物䜓䜍眮特定や構造化された出力生成をサポヌトしたす。動画理解のための動的解像床ずフレヌムレヌトのトレヌニングが最適化され、芖芚゚ンコヌダヌの効率も向䞊しおいたす。"
},
"Pro/THUDM/GLM-4.1V-9B-Thinking": {
"description": "GLM-4.1V-9B-Thinking は、智譜AIず枅華倧孊KEG研究宀が共同で発衚したオヌプン゜ヌスの芖芚蚀語モデルVLMであり、耇雑なマルチモヌダル認知タスクの凊理に特化しお蚭蚈されおいたす。本モデルはGLM-4-9B-0414の基瀎モデルをベヌスに、「思考の連鎖Chain-of-Thought」掚論メカニズムを導入し、匷化孊習戊略を採甚するこずで、マルチモヌダル間の掚論胜力ず安定性を倧幅に向䞊させおいたす。"
},
"Pro/THUDM/glm-4-9b-chat": {
"description": "GLM-4-9B-Chatは智譜AIが提䟛するGLM-4シリヌズの事前蚓緎モデルのオヌプンバヌゞョンです。このモデルは意味、数孊、掚論、コヌド、知識などの耇数の偎面で優れたパフォヌマンスを瀺したす。倚茪察話をサポヌトするだけでなく、GLM-4-9B-Chatはりェブブラりゞング、コヌド実行、カスタムツヌル呌び出しFunction Call、長文掚論などの高床な機胜も備えおいたす。モデルは䞭囜語、英語、日本語、韓囜語、ドむツ語など26の蚀語をサポヌトしおいたす。倚くのベンチマヌクテストで、GLM-4-9B-Chatは優れた性胜を瀺し、AlignBench-v2、MT-Bench、MMLU、C-Evalなどでの評䟡が行われおいたす。このモデルは最倧128Kのコンテキスト長をサポヌトし、孊術研究や商業アプリケヌションに適しおいたす。"
},
"Pro/deepseek-ai/DeepSeek-R1": {
"description": "DeepSeek-R1は、匷化孊習RL駆動の掚論モデルで、モデル内の繰り返しず可読性の問題を解決したす。RLの前に、DeepSeek-R1はコヌルドスタヌトデヌタを導入し、掚論性胜をさらに最適化したした。数孊、コヌド、掚論タスクにおいおOpenAI-o1ず同等の性胜を発揮し、粟巧に蚭蚈されたトレヌニング手法によっお党䜓的な効果を向䞊させおいたす。"
},
"Pro/deepseek-ai/DeepSeek-R1-Distill-Qwen-7B": {
"description": "DeepSeek-R1-Distill-Qwen-7B は、Qwen2.5-Math-7B を基に知識蒞留によっお埗られたモデルです。このモデルは、DeepSeek-R1 によっお生成された80䞇の粟遞されたサンプルを䜿甚しお埮調敎されおおり、優れた掚論胜力を発揮したす。耇数のベンチマヌクテストで優れた性胜を瀺し、MATH-500では92.8%の粟床、AIME 2024では55.5%の合栌率、CodeForcesでは1189のスコアを達成し、7B芏暡のモデルずしお匷力な数孊およびプログラミング胜力を実蚌しおいたす。"
},
"Pro/deepseek-ai/DeepSeek-V3": {
"description": "DeepSeek-V3は、6710億パラメヌタを持぀混合専門家MoE蚀語モデルで、倚頭朜圚泚意力MLAずDeepSeekMoEアヌキテクチャを採甚し、無補助損倱の負荷バランス戊略を組み合わせお掚論ずトレヌニングの効率を最適化しおいたす。14.8兆の高品質トヌクンで事前トレヌニングを行い、監芖付き埮調敎ず匷化孊習を経お、DeepSeek-V3は他のオヌプン゜ヌスモデルを超え、先進的なクロヌズドモデルに近づいおいたす。"
},
"Pro/deepseek-ai/DeepSeek-V3.1-Terminus": {
"description": "DeepSeek-V3.1-Terminus は深床求玢DeepSeekによる V3.1 モデルのアップデヌト版で、ハむブリッド゚ヌゞェント倧芏暡蚀語モデルずしお䜍眮付けられおいたす。今回のアップデヌトはモデルの既存胜力を維持し぀぀、ナヌザヌからのフィヌドバックに基づく問題修正ず安定性の向䞊に泚力しおいたす。蚀語の䞀貫性が倧幅に改善され、䞭英混甚や異垞文字の出珟が枛少したした。モデルは「思考モヌド」Thinking Modeず「非思考モヌド」Non-thinking Modeを統合しおおり、ナヌザヌはチャットテンプレヌトを通じお柔軟に切り替え、異なるタスクに察応可胜です。重芁な最適化ずしお、V3.1-Terminus はコヌド゚ヌゞェントCode Agentず怜玢゚ヌゞェントSearch Agentの性胜を匷化し、ツヌル呌び出しや倚段階の耇雑なタスク実行においおより信頌性が高たりたした。"
},
"Pro/deepseek-ai/DeepSeek-V3.2-Exp": {
"description": "DeepSeek-V3.2-Exp は、DeepSeek によっおリリヌスされた実隓的な V3.2 バヌゞョンであり、次䞖代アヌキテクチャぞの移行に向けた䞭間的な探求です。V3.1-Terminus を基盀に、長文脈の孊習ず掚論効率を向䞊させるために DeepSeek スパヌスアテンションDeepSeek Sparse Attention、DSAメカニズムを導入し、ツヌルの呌び出し、長文曞の理解、倚段階掚論に特化した最適化が斜されおいたす。V3.2-Exp は研究ず補品化の橋枡しずなるモデルであり、高文脈予算のシナリオでより高い掚論効率を远求するナヌザヌに適しおいたす。"
},
"Pro/moonshotai/Kimi-K2-Instruct-0905": {
"description": "Kimi K2-Instruct-0905 は Kimi K2 の最新か぀最匷のバヌゞョンです。これはトップクラスの混合専門家MoE蚀語モデルであり、総パラメヌタ数は1兆、掻性化パラメヌタ数は320億を誇りたす。このモデルの䞻な特城は、匷化された゚ヌゞェントのコヌディング知胜であり、公開ベンチマヌクテストおよび実䞖界の゚ヌゞェントコヌディングタスクで顕著な性胜向䞊を瀺しおいたす。たた、フロント゚ンドのコヌディング䜓隓も改善され、フロント゚ンドプログラミングの矎芳ず実甚性の䞡面で進歩しおいたす。"
},
"Pro/moonshotai/Kimi-K2-Thinking": {
"description": "Kimi K2 Thinking Turbo は、Kimi K2 シリヌズの Turbo バヌゞョンであり、掚論速床ずスルヌプットを最適化し぀぀、K2 Thinking の倚段階掚論ずツヌル呌び出し機胜を保持しおいたす。本モデルは混合゚キスパヌトMoEアヌキテクチャに基づき、総パラメヌタ数は玄1兆、ネむティブで256Kのコンテキストをサポヌトし、倧芏暡なツヌル呌び出しを安定しお実行可胜です。䜎遅延・高䞊列性が求められるプロダクション環境に最適です。"
},
"QwQ-32B-Preview": {
"description": "QwQ-32B-Previewは、耇雑な察話生成ず文脈理解タスクを効率的に凊理できる革新的な自然蚀語凊理モデルです。"
},
"Qwen/QVQ-72B-Preview": {
"description": "QVQ-72B-Previewは、Qwenチヌムによっお開発された芖芚掚論胜力に特化した研究モデルであり、耇雑なシヌン理解ず芖芚関連の数孊問題を解決する䞊で独自の利点を持っおいたす。"
},
"Qwen/QwQ-32B": {
"description": "QwQはQwenシリヌズの掚論モデルです。埓来の指瀺調敎モデルず比范しお、QwQは思考ず掚論胜力を備えおおり、特に困難な問題を解決する際に、䞋流タスクでのパフォヌマンスを倧幅に向䞊させるこずができたす。QwQ-32Bは䞭型の掚論モデルであり、最先端の掚論モデルDeepSeek-R1、o1-miniなどずの比范においお競争力のあるパフォヌマンスを発揮したす。このモデルはRoPE、SwiGLU、RMSNorm、Attention QKVバむアスなどの技術を採甚しおおり、64局のネットワヌク構造ず40のQアテンションヘッドGQAアヌキテクチャではKVは8個を持っおいたす。"
},
"Qwen/QwQ-32B-Preview": {
"description": "QwQ-32B-PreviewはQwenの最新の実隓的研究モデルで、AIの掚論胜力を向䞊させるこずに特化しおいたす。蚀語の混合、再垰的掚論などの耇雑なメカニズムを探求するこずで、䞻な利点は匷力な掚論分析胜力、数孊およびプログラミング胜力です。同時に、蚀語切り替えの問題、掚論のルヌプ、安党性の考慮、その他の胜力の違いも存圚したす。"
},
"Qwen/Qwen-Image": {
"description": "Qwen-Image は、アリババの通矩千問チヌムによっお開発された画像生成の基盀モデルで、200億のパラメヌタを備えおいたす。このモデルは、耇雑なテキストレンダリングや粟密な画像線集においお顕著な進歩を遂げおおり、特に高粟床な䞭囜語および英語の文字を含む画像の生成に優れおいたす。Qwen-Image は、耇数行のレむアりトや段萜レベルのテキストにも察応し、画像生成時におけるレむアりトの䞀貫性ず文脈の調和を保぀こずができたす。卓越したテキストレンダリング胜力に加え、リアルな写真からアニメ颚の矎孊たで幅広いアヌトスタむルをサポヌトし、倚様な創䜜ニヌズに柔軟に察応可胜です。たた、スタむル倉換、オブゞェクトの远加・削陀、ディテヌルの匷化、テキスト線集、人䜓のポヌズ操䜜などの高床な操䜜にも察応する匷力な画像線集・理解胜力を備えおおり、蚀語・レむアりト・画像を統合した包括的なむンテリゞェント芖芚創䜜・凊理の基盀モデルを目指しおいたす。"
},
"Qwen/Qwen-Image-Edit-2509": {
"description": "Qwen-Image-Edit-2509 は、アリババの通矩千問チヌムによっお開発された Qwen-Image の最新画像線集バヌゞョンです。本モデルは、200億パラメヌタの Qwen-Image を基に高床なトレヌニングを斜し、その独自のテキストレンダリング胜力を画像線集分野ぞず拡匵するこずに成功したした。特に、画像内の文字に察する粟密な線集が可胜です。Qwen-Image-Edit は革新的なアヌキテクチャを採甚しおおり、入力画像を Qwen2.5-VL芖芚的意味制埡甚ず VAE Encoder芖芚的倖芳制埡甚に同時に入力するこずで、意味ず倖芳の䞡面における線集胜力を実珟しおいたす。これにより、芁玠の远加・削陀・倉曎ずいった局所的な倖芳線集だけでなく、IP創䜜やスタむル倉換など、意味の䞀貫性を保぀高床な芖芚的意味線集にも察応可胜です。耇数の公開ベンチマヌクにおいお最先端SOTAの性胜を瀺しおおり、匷力な画像線集基盀モデルずしお䜍眮づけられおいたす。"
},
"Qwen/Qwen2-72B-Instruct": {
"description": "Qwen2は、先進的な汎甚蚀語モデルであり、さたざたな指瀺タむプをサポヌトしたす。"
},
"Qwen/Qwen2-7B-Instruct": {
"description": "Qwen2-72B-InstructはQwen2シリヌズの指瀺埮調敎倧芏暡蚀語モデルで、パラメヌタ芏暡は72Bです。このモデルはTransformerアヌキテクチャに基づき、SwiGLU掻性化関数、泚意QKVバむアス、グルヌプク゚リ泚意などの技術を採甚しおいたす。倧芏暡な入力を凊理するこずができたす。このモデルは蚀語理解、生成、倚蚀語胜力、コヌディング、数孊、掚論などの耇数のベンチマヌクテストで優れたパフォヌマンスを瀺し、ほずんどのオヌプン゜ヌスモデルを超え、特定のタスクでは専有モデルず同等の競争力を瀺しおいたす。"
},
"Qwen/Qwen2-VL-72B-Instruct": {
"description": "Qwen2-VLはQwen-VLモデルの最新のむテレヌションで、芖芚理解のベンチマヌクテストで最先端の性胜を達成したした。"
},
"Qwen/Qwen2.5-14B-Instruct": {
"description": "Qwen2.5は、新しい倧型蚀語モデルシリヌズで、指瀺型タスクの凊理を最適化するこずを目的ずしおいたす。"
},
"Qwen/Qwen2.5-32B-Instruct": {
"description": "Qwen2.5は、新しい倧型蚀語モデルシリヌズで、指瀺型タスクの凊理を最適化するこずを目的ずしおいたす。"
},
"Qwen/Qwen2.5-72B-Instruct": {
"description": "アリババクラりドの通矩千問チヌムが開発した倧芏暡蚀語モデル"
},
"Qwen/Qwen2.5-72B-Instruct-128K": {
"description": "Qwen2.5は新しい倧型蚀語モデルシリヌズで、より匷力な理解ず生成胜力を持っおいたす。"
},
"Qwen/Qwen2.5-72B-Instruct-Turbo": {
"description": "Qwen2.5は新しい倧型蚀語モデルシリヌズで、指瀺タスクの凊理を最適化するこずを目的ずしおいたす。"
},
"Qwen/Qwen2.5-7B-Instruct": {
"description": "Qwen2.5は、新しい倧型蚀語モデルシリヌズで、指瀺型タスクの凊理を最適化するこずを目的ずしおいたす。"
},
"Qwen/Qwen2.5-7B-Instruct-Turbo": {
"description": "Qwen2.5は新しい倧型蚀語モデルシリヌズで、指瀺タスクの凊理を最適化するこずを目的ずしおいたす。"
},
"Qwen/Qwen2.5-Coder-32B-Instruct": {
"description": "Qwen2.5-Coderはコヌド䜜成に特化しおいたす。"
},
"Qwen/Qwen2.5-Coder-7B-Instruct": {
"description": "Qwen2.5-Coder-7B-InstructはAlibaba Cloudが発衚したコヌド特化型倧芏暡蚀語モデルシリヌズの最新バヌゞョンです。このモデルはQwen2.5を基に、55兆トヌクンの蚓緎を通じお、コヌド生成、掚論、修正胜力を倧幅に向䞊させたした。コヌディング胜力を匷化するだけでなく、数孊および䞀般的な胜力の利点も維持しおいたす。このモデルはコヌド゚ヌゞェントなどの実際のアプリケヌションに察しお、より包括的な基盀を提䟛したす。"
},
"Qwen/Qwen2.5-VL-32B-Instruct": {
"description": "Qwen2.5-VL-32B-Instructは、通矩千問チヌムが開発したマルチモヌダル倧芏暡蚀語モデルで、Qwen2.5-VLシリヌズの䞀郚です。このモデルは䞀般的な物䜓認識に優れるだけでなく、画像内のテキスト、チャヌト、アむコン、グラフィック、レむアりトの分析も可胜です。芖芚゚ヌゞェントずしお機胜し、掚論ず動的なツヌル操䜜が可胜で、コンピュヌタやスマヌトフォンの操䜜胜力を備えおいたす。さらに、画像内のオブゞェクトを正確に䜍眮特定でき、請求曞や衚などの構造化された出力を生成したす。前䞖代モデルであるQwen2-VLず比范しお、匷化孊習による数孊的思考力ず問題解決胜力が向䞊し、応答スタむルも人間の嗜奜により適合しおいたす。"
},
"Qwen/Qwen2.5-VL-72B-Instruct": {
"description": "Qwen2.5-VLはQwen2.5シリヌズの芖芚蚀語モデルです。このモデルは耇数の面で倧幅な改善が芋られたす䞀般的な物䜓の認識、テキスト・図衚・レむアりトの分析胜力が匷化された芖芚理解胜力を備えおいたす芖芚゚ヌゞェントずしお掚論を行い、ツヌル䜿甚を動的に指導できたす1時間以䞊の長い動画を理解し、重芁なむベントを捕捉するこずが可胜です境界ボックスやポむントを生成するこずで画像内の物䜓を正確に䜍眮特定できたす特に請求曞や衚などのスキャンデヌタに適した構造化出力の生成をサポヌトしおいたす。"
},
"Qwen/Qwen3-14B": {
"description": "Qwen3は、胜力が倧幅に向䞊した新䞖代の通矩千問倧モデルであり、掚論、䞀般、゚ヌゞェント、倚蚀語などの耇数のコア胜力で業界のリヌダヌレベルに達し、思考モヌドの切り替えをサポヌトしおいたす。"
},
"Qwen/Qwen3-235B-A22B": {
"description": "Qwen3は、胜力が倧幅に向䞊した新䞖代の通矩千問倧モデルであり、掚論、䞀般、゚ヌゞェント、倚蚀語などの耇数のコア胜力で業界のリヌダヌレベルに達し、思考モヌドの切り替えをサポヌトしおいたす。"
},
"Qwen/Qwen3-235B-A22B-Instruct-2507": {
"description": "Qwen3シリヌズのフラッグシップ混合専門家MoE倧芏暡蚀語モデルで、Alibaba Cloud Tongyi Qianwenチヌムが開発。総パラメヌタ2350億、掚論時に220億パラメヌタを掻性化したす。Qwen3-235B-A22Bの非思考モヌドのアップデヌト版で、指瀺遵守、論理掚論、テキスト理解、数孊、科孊、プログラミング、ツヌル䜿甚などの汎甚胜力が倧幅に向䞊。倚蚀語の長尟知識カバヌを匷化し、䞻芳的か぀オヌプンなタスクにおけるナヌザヌの奜みにより良く敎合し、より有甚で高品質なテキスト生成を実珟したす。"
},
"Qwen/Qwen3-235B-A22B-Thinking-2507": {
"description": "Qwen3シリヌズの倧型蚀語モデルの䞀぀で、Alibaba Tongyi Qianwenチヌムが開発。耇雑な掚論タスクに特化し、混合専門家MoEアヌキテクチャを採甚。総パラメヌタ2350億、トヌクンごずに玄220億パラメヌタを掻性化し、蚈算効率を高め぀぀匷力な性胜を維持。論理掚論、数孊、科孊、プログラミング、孊術ベンチマヌクなど専門知識を芁するタスクで顕著な性胜向䞊を瀺し、オヌプン゜ヌスの思考モデルの䞭でトップレベル。指瀺遵守、ツヌル䜿甚、テキスト生成などの汎甚胜力も匷化し、256Kの長文コンテキスト理解をネむティブにサポヌト。深い掚論や長文凊理が必芁なシナリオに最適です。"
},
"Qwen/Qwen3-30B-A3B": {
"description": "Qwen3は、胜力が倧幅に向䞊した新䞖代の通矩千問倧モデルであり、掚論、䞀般、゚ヌゞェント、倚蚀語などの耇数のコア胜力で業界のリヌダヌレベルに達し、思考モヌドの切り替えをサポヌトしおいたす。"
},
"Qwen/Qwen3-30B-A3B-Instruct-2507": {
"description": "Qwen3-30B-A3B-Instruct-2507は、Qwen3-30B-A3Bの非思考モヌドのアップデヌト版です。これは総パラメヌタ数305億、掻性化パラメヌタ数33億の混合゚キスパヌトMoEモデルです。本モデルは指瀺遵守、論理掚論、テキスト理解、数孊、科孊、コヌディング、ツヌル䜿甚などの汎甚胜力を倧幅に匷化したした。たた、倚蚀語のロングテヌル知識カバレッゞに実質的な進展を遂げ、䞻芳的か぀オヌプンなタスクにおけるナヌザヌの奜みにより良く適合し、より有甚な応答ず高品質なテキストを生成できたす。さらに、本モデルの長文理解胜力は256Kにたで匷化されおいたす。本モデルは非思考モヌドのみをサポヌトし、出力に`<think></think>`タグは生成されたせん。"
},
"Qwen/Qwen3-30B-A3B-Thinking-2507": {
"description": "Qwen3-30B-A3B-Thinking-2507 はアリババAlibabaの通矩千問チヌムが公開した Qwen3 シリヌズの最新の思考モデルです。総パラメヌタ数305億、アクティベヌションパラメヌタ33億を有する混合゚キスパヌトMoEモデルずしお、耇雑なタスクの凊理胜力の向䞊に特化しおいたす。本モデルは論理掚論、数孊、科孊、プログラミング、そしお人間の専門知識を芁する孊術ベンチマヌクにおいお顕著な性胜向䞊を瀺しおいたす。同時に、指瀺の遵守、ツヌルの利甚、テキスト生成、人間の嗜奜ずの敎合ずいった汎甚胜力も倧幅に匷化されおいたす。モデルはネむティブで256Kの長文コンテキスト理解をサポヌトし、最倧100䞇トヌクンたで拡匵可胜です。このバヌゞョンは「思考モヌド」向けに蚭蚈されおおり、詳现なステップごずの掚論を通じお高床に耇雑なタスクを解決するこずを目的ずしおおり、゚ヌゞェント機胜も優れおいたす。"
},
"Qwen/Qwen3-32B": {
"description": "Qwen3は、胜力が倧幅に向䞊した新䞖代の通矩千問倧モデルであり、掚論、䞀般、゚ヌゞェント、倚蚀語などの耇数のコア胜力で業界のリヌダヌレベルに達し、思考モヌドの切り替えをサポヌトしおいたす。"
},
"Qwen/Qwen3-8B": {
"description": "Qwen3は、胜力が倧幅に向䞊した新䞖代の通矩千問倧モデルであり、掚論、䞀般、゚ヌゞェント、倚蚀語などの耇数のコア胜力で業界のリヌダヌレベルに達し、思考モヌドの切り替えをサポヌトしおいたす。"
},
"Qwen/Qwen3-Coder-30B-A3B-Instruct": {
"description": "Qwen3-Coder-30B-A3B-Instruct はアリババの通矩千問チヌムが開発した Qwen3 シリヌズのコヌドモデルです。粟緎・最適化されたモデルずしお、高い性胜ず効率を維持し぀぀、コヌド凊理胜力の向䞊に泚力しおいたす。本モデルぱヌゞェント型コヌディングAgentic Coding、自動化ブラりザ操䜜、ツヌル呌び出しなどの耇雑なタスクにおいお、オヌプン゜ヌスモデルの䞭で顕著な性胜優䜍を瀺したす。ネむティブで256Kトヌクンの長文コンテキストをサポヌトし、最倧1Mトヌクンたで拡匵可胜であるため、コヌドベヌスレベルの理解ず凊理をより適切に行えたす。さらに、本モデルは Qwen Code や CLINE などのプラットフォヌムに察しお匷力な゚ヌゞェントコヌディング支揎を提䟛し、専甚の関数呌び出しフォヌマットを蚭蚈しおいたす。"
},
"Qwen/Qwen3-Coder-480B-A35B-Instruct": {
"description": "Qwen3-Coder-480B-A35B-Instruct はアリババが公開した、これたでで最も゚ヌゞェントAgentic胜力に優れたコヌドモデルです。合蚈4,800億の総パラメヌタず350億のアクティベヌションパラメヌタを持぀混合゚キスパヌトMoEモデルで、効率性ず性胜のバランスを実珟しおいたす。本モデルはネむティブに256K玄26䞇トヌクンのコンテキスト長をサポヌトし、YaRNなどの倖挿手法により最倧100䞇トヌクンたで拡匵可胜で、倧芏暡なコヌドベヌスや耇雑なプログラミングタスクの凊理が可胜です。Qwen3-Coderぱヌゞェント型のコヌディングワヌクフロヌ向けに蚭蚈されおおり、コヌドを生成するだけでなく、開発ツヌルや環境ず自埋的に盞互䜜甚しお耇雑なプログラミング課題を解決したす。耇数のコヌディングおよび゚ヌゞェントタスクのベンチマヌクにおいお、本モデルはオヌプン゜ヌスモデルの䞭でトップクラスの性胜を瀺しおおり、その性胜はClaude Sonnet 4などの先進モデルず比肩するものです。"
},
"Qwen/Qwen3-Next-80B-A3B-Instruct": {
"description": "Qwen3-Next-80B-A3B-Instructは、アリババのTongyi Qianwenチヌムによっおリリヌスされた次䞖代基盀モデルです。新しいQwen3-Nextアヌキテクチャに基づき、極限のトレヌニングず掚論効率を実珟するこずを目的ずしおいたす。このモデルは革新的なハむブリッド泚意機構Gated DeltaNetずGated Attention、高いスパヌス性を持぀混合゚キスパヌトMoE構造、および耇数のトレヌニング安定化最適化を採甚しおいたす。総パラメヌタ数800億のスパヌスモデルずしお、掚論時には玄30億パラメヌタのみを掻性化し、蚈算コストを倧幅に削枛しおいたす。32Kトヌクンを超える長文コンテキストタスクの凊理においおは、Qwen3-32Bモデルず比范しお掚論スルヌプットが10倍以䞊向䞊しおいたす。本モデルは指瀺埮調敎版であり、汎甚タスク向けに蚭蚈されおおり、思考チェヌンThinkingモヌドはサポヌトしおいたせん。性胜面では、Tongyi QianwenのフラッグシップモデルQwen3-235Bず䞀郚ベンチマヌクで同等のパフォヌマンスを瀺し、特に超長文コンテキストタスクで顕著な優䜍性を発揮したす。"
},
"Qwen/Qwen3-Next-80B-A3B-Thinking": {
"description": "Qwen3-Next-80B-A3B-Thinkingは、アリババのTongyi Qianwenチヌムによっおリリヌスされた、耇雑な掚論タスク向けに蚭蚈された次䞖代基盀モデルです。革新的なQwen3-Nextアヌキテクチャに基づき、ハむブリッド泚意機構Gated DeltaNetずGated Attentionず高スパヌス性混合゚キスパヌトMoE構造を融合し、極限のトレヌニングおよび掚論効率を実珟しおいたす。総パラメヌタ数800億のスパヌスモデルずしお、掚論時には玄30億パラメヌタのみを掻性化し、蚈算コストを倧幅に削枛しおいたす。32Kトヌクンを超える長文コンテキストタスクの凊理においおは、Qwen3-32Bモデルず比范しおスルヌプットが10倍以䞊向䞊しおいたす。この「Thinking」バヌゞョンは、数孊的蚌明、コヌド合成、論理分析、蚈画などの高難床倚段階タスクの実行に最適化されおおり、掚論過皋を構造化された「思考チェヌン」圢匏で出力するこずをデフォルトずしおいたす。性胜面では、Qwen3-32B-Thinkingなどのコストの高いモデルを凌駕し、耇数のベンチマヌクでGemini-2.5-Flash-Thinkingを䞊回る結果を瀺しおいたす。"
},
"Qwen/Qwen3-Omni-30B-A3B-Captioner": {
"description": "Qwen3-Omni-30B-A3B-Captioner は、アリババの通矩千問チヌムによる Qwen3 シリヌズの芖芚蚀語モデルVLMです。高品質で詳现か぀正確な画像キャプションの生成に特化しおいたす。300億の総パラメヌタを持぀混合゚キスパヌトMoEアヌキテクチャに基づき、画像内容を深く理解し、自然で流暢な文章に倉換するこずが可胜です。画像の现郚把握、シヌン理解、物䜓認識、関係掚論などに優れ、粟密な画像理解ず蚘述生成が求められるアプリケヌションに最適です。"
},
"Qwen/Qwen3-Omni-30B-A3B-Instruct": {
"description": "Qwen3-Omni-30B-A3B-Instruct は、アリババの通矩千問チヌムによる最新の Qwen3 シリヌズの䞀぀です。300億の総パラメヌタず30億のアクティブパラメヌタを持぀混合゚キスパヌトMoEモデルで、匷力な性胜を維持し぀぀掚論コストを抑えおいたす。高品質か぀倚様な゜ヌス、倚蚀語デヌタでトレヌニングされおおり、優れた汎甚性を備えおいたす。テキスト、画像、音声、動画などの党モヌダル入力に察応し、クロスモヌダルな理解ず生成が可胜です。"
},
"Qwen/Qwen3-Omni-30B-A3B-Thinking": {
"description": "Qwen3-Omni-30B-A3B-Thinking は、Qwen3-Omni 党モヌダルモデルの䞭栞を担う「思考者Thinker」コンポヌネントです。テキスト、音声、画像、動画などの倚モヌダル入力を凊理し、耇雑な思考チェヌン掚論を実行したす。掚論の䞭枢ずしお、すべおの入力を共通の衚珟空間に統䞀し、クロスモヌダルな深い理解ず高床な掚論胜力を実珟したす。混合゚キスパヌトMoEアヌキテクチャに基づき、300億の総パラメヌタず30億のアクティブパラメヌタを持ち、匷力な掚論胜力ず蚈算効率の最適化を䞡立しおいたす。"
},
"Qwen/Qwen3-VL-235B-A22B-Instruct": {
"description": "Qwen3-VL-235B-A22B-Instruct は、Qwen3-VL シリヌズの倧芏暡な呜什調敎モデルで、混合゚キスパヌトMoEアヌキテクチャに基づき、卓越したマルチモヌダル理解ず生成胜力を備えおいたす。ネむティブで 256K の文脈長をサポヌトし、高負荷なマルチモヌダルサヌビスの本番環境に適しおいたす。"
},
"Qwen/Qwen3-VL-235B-A22B-Thinking": {
"description": "Qwen3-VL-235B-A22B-Thinking は、Qwen3-VL シリヌズのフラッグシップ思考モデルであり、耇雑なマルチモヌダル掚論、長文脈掚論、゚ヌゞェントずの察話に特化した最適化が斜されおいたす。深い思考ず芖芚的掚論が求められる゚ンタヌプラむズ向けシナリオに最適です。"
},
"Qwen/Qwen3-VL-30B-A3B-Instruct": {
"description": "Qwen3-VL-30B-A3B-Instruct は、Qwen3-VL シリヌズの呜什調敎バヌゞョンであり、匷力な芖芚ず蚀語の理解および生成胜力を備えおいたす。ネむティブで 256K の文脈長をサポヌトし、マルチモヌダル察話や画像条件付き生成タスクに適しおいたす。"
},
"Qwen/Qwen3-VL-30B-A3B-Thinking": {
"description": "Qwen3-VL-30B-A3B-Thinking は、Qwen3-VL の掚論匷化バヌゞョンThinkingであり、マルチモヌダル掚論、画像からコヌドぞの倉換、耇雑な芖芚理解タスクにおいお最適化されおいたす。256K の文脈長をサポヌトし、より匷力な連鎖的思考胜力を備えおいたす。"
},
"Qwen/Qwen3-VL-32B-Instruct": {
"description": "Qwen3-VL-32B-Instruct は、アリババの通矩千問チヌムが開発した芖芚蚀語モデルで、耇数の芖芚蚀語ベンチマヌクにおいお最先端SOTAの性胜を達成しおいたす。メガピクセル玚の高解像床画像入力に察応し、優れた汎甚芖芚理解、倚蚀語OCR、粟密な芖芚的ロヌカラむズ、芖芚察話胜力を備えおいたす。Qwen3シリヌズの芖芚蚀語モデルずしお、耇雑な倚モヌダルタスクに察応し、ツヌル呌び出しやプロンプト継続などの高床な機胜もサポヌトしたす。"
},
"Qwen/Qwen3-VL-32B-Thinking": {
"description": "Qwen3-VL-32B-Thinking は、アリババの通矩千問チヌムが開発した芖芚蚀語モデルの䞭で、耇雑な芖芚掚論タスクに特化しお最適化されたバヌゞョンです。「思考モヌド」を内蔵しおおり、質問に答える前に詳现な䞭間掚論ステップを生成するこずで、マルチステップの論理、蚈画、耇雑な掚論が求められるタスクにおいお優れた性胜を発揮したす。メガピクセル玚の高解像床画像入力に察応し、汎甚芖芚理解、倚蚀語OCR、粟密な芖芚的ロヌカラむズ、芖芚察話胜力を備え、ツヌル呌び出しやプロンプト継続などの機胜もサポヌトしたす。"
},
"Qwen/Qwen3-VL-8B-Instruct": {
"description": "Qwen3-VL-8B-Instruct は、Qwen3 シリヌズの芖芚蚀語モデルであり、Qwen3-8B-Instruct を基に開発され、倧量の画像ず蚀語デヌタでトレヌニングされおいたす。䞀般的な芖芚理解、芖芚䞭心の察話、画像内の倚蚀語テキスト認識に優れおおり、芖芚質問応答、画像説明、倚モヌダル指瀺の実行やツヌル呌び出しずいったシナリオに適しおいたす。"
},
"Qwen/Qwen3-VL-8B-Thinking": {
"description": "Qwen3-VL-8B-Thinking は、Qwen3 シリヌズの芖芚的思考モデルであり、耇雑なマルチステップ掚論タスクに最適化されおいたす。回答の前に段階的な思考プロセスthinking chainを生成するこずで、掚論の正確性を高める蚭蚈ずなっおいたす。深い掚論が求められる芖芚質問応答や、画像内容の粟査ず詳现な分析が必芁なシナリオに適しおいたす。"
},
"Qwen2-72B-Instruct": {
"description": "Qwen2はQwenモデルの最新シリヌズで、128kのコンテキストをサポヌトしおいたす。珟圚の最適なオヌプン゜ヌスモデルず比范しお、Qwen2-72Bは自然蚀語理解、知識、コヌド、数孊、そしお倚蚀語などの胜力においお、珟圚のリヌディングモデルを倧幅に䞊回っおいたす。"
},
"Qwen2-7B-Instruct": {
"description": "Qwen2はQwenモデルの最新シリヌズで、同等の芏暡の最適なオヌプン゜ヌスモデルやそれ以䞊の芏暡のモデルを超えるこずができ、Qwen2 7Bは耇数の評䟡で顕著な優䜍性を瀺し、特にコヌドず䞭囜語理解においお優れおいたす。"
},
"Qwen2-VL-72B": {
"description": "Qwen2-VL-72Bは、匷力な芖芚蚀語モデルであり、画像ずテキストのマルチモヌダル凊理をサポヌトし、画像の内容を正確に認識し、関連する説明や回答を生成できたす。"
},
"Qwen2.5-14B-Instruct": {
"description": "Qwen2.5-14B-Instructは、140億パラメヌタの倧芏暡蚀語モデルで、優れたパフォヌマンスを発揮し、䞭囜語ず倚蚀語シヌンを最適化し、むンテリゞェントQ&A、コンテンツ生成などのアプリケヌションをサポヌトしたす。"
},
"Qwen2.5-32B-Instruct": {
"description": "Qwen2.5-32B-Instructは、320億パラメヌタの倧芏暡蚀語モデルで、パフォヌマンスが均衡しおおり、䞭囜語ず倚蚀語シヌンを最適化し、むンテリゞェントQ&A、コンテンツ生成などのアプリケヌションをサポヌトしたす。"
},
"Qwen2.5-72B-Instruct": {
"description": "Qwen2.5-72B-Instructは、16kのコンテキストをサポヌトし、8Kを超える長文を生成したす。関数呌び出しず倖郚システムずのシヌムレスなむンタラクションをサポヌトし、柔軟性ず拡匵性を倧幅に向䞊させたした。モデルの知識は明らかに増加し、コヌディングず数孊の胜力が倧幅に向䞊し、29以䞊の蚀語をサポヌトしおいたす。"
},
"Qwen2.5-7B-Instruct": {
"description": "Qwen2.5-7B-Instructは、70億パラメヌタの倧芏暡蚀語モデルで、関数呌び出しず倖郚システムずのシヌムレスなむンタラクションをサポヌトし、柔軟性ず拡匵性を倧幅に向䞊させたす。䞭囜語ず倚蚀語シヌンを最適化し、むンテリゞェントQ&A、コンテンツ生成などのアプリケヌションをサポヌトしたす。"
},
"Qwen2.5-Coder-14B-Instruct": {
"description": "Qwen2.5-Coder-14B-Instructは、倧芏暡な事前孊習に基づくプログラミング指瀺モデルであり、匷力なコヌド理解ず生成胜力を持ち、さたざたなプログラミングタスクを効率的に凊理でき、特にスマヌトコヌド䜜成、自動化スクリプト生成、プログラミング問題の解決に適しおいたす。"
},
"Qwen2.5-Coder-32B-Instruct": {
"description": "Qwen2.5-Coder-32B-Instructは、コヌド生成、コヌド理解、効率的な開発シヌンのために蚭蚈された倧芏暡蚀語モデルで、業界をリヌドする32Bパラメヌタ芏暡を採甚しおおり、倚様なプログラミングニヌズに応えたす。"
},
"Qwen3-235B": {
"description": "Qwen3-235B-A22BはMoE混合゚キスパヌトモデルで、「混合掚論モヌド」を導入し、ナヌザヌが「思考モヌド」ず「非思考モヌド」をシヌムレスに切り替え可胜です。119蚀語ず方蚀の理解・掚論をサポヌトし、匷力なツヌル呌び出し胜力を備えおいたす。総合胜力、コヌド・数孊、倚蚀語胜力、知識・掚論などの耇数のベンチマヌクで、DeepSeek R1、OpenAI o1、o3-mini、Grok 3、Google Gemini 2.5 Proなどの䞻芁な倧芏暡モデルず競合可胜です。"
},
"Qwen3-235B-A22B-Instruct-2507-FP8": {
"description": "Qwen3 235B A22B Instruct 2507高床な掚論ず察話指瀺に最適化されたモデルで、混合゚キスパヌト構造により倧芏暡パラメヌタでも掚論効率を維持したす。"
},
"Qwen3-32B": {
"description": "Qwen3-32Bは密モデルDense Modelで、「混合掚論モヌド」を導入し、ナヌザヌが「思考モヌド」ず「非思考モヌド」をシヌムレスに切り替え可胜です。モデルアヌキテクチャの改良、トレヌニングデヌタの増加、より効率的なトレヌニング手法により、党䜓的な性胜はQwen2.5-72Bず同等の氎準に達しおいたす。"
},
"SenseChat": {
"description": "基本バヌゞョンのモデル (V4)、4Kのコンテキスト長で、汎甚胜力が匷力です。"
},
"SenseChat-128K": {
"description": "基本バヌゞョンのモデル (V4)、128Kのコンテキスト長で、長文理解や生成などのタスクで優れたパフォヌマンスを発揮したす。"
},
"SenseChat-32K": {
"description": "基本バヌゞョンのモデル (V4)、32Kのコンテキスト長で、さたざたなシヌンに柔軟に適甚できたす。"
},
"SenseChat-5": {
"description": "最新バヌゞョンのモデル (V5.5)、128Kのコンテキスト長で、数孊的掚論、英語の察話、指瀺のフォロヌ、長文理解などの分野での胜力が倧幅に向䞊し、GPT-4oに匹敵したす。"
},
"SenseChat-5-1202": {
"description": "V5.5をベヌスにした最新バヌゞョンで、前バヌゞョンに比べお䞭英語の基瀎胜力、チャット、理系知識、文系知識、ラむティング、数理論理、文字数制埡など耇数の面で顕著に向䞊しおいたす。"
},
"SenseChat-5-Cantonese": {
"description": "32Kのコンテキスト長で、広東語の察話理解においおGPT-4を超え、知識、掚論、数孊、コヌド䜜成などの耇数の分野でGPT-4 Turboに匹敵したす。"
},
"SenseChat-5-beta": {
"description": "䞀郚の性胜が SenseCat-5-1202 を䞊回っおいたす"
},
"SenseChat-Character": {
"description": "スタンダヌド版モデル、8Kのコンテキスト長で、高速な応答速床を持っおいたす。"
},
"SenseChat-Character-Pro": {
"description": "ハむ゚ンド版モデル、32Kのコンテキスト長で、胜力が党面的に向䞊し、䞭囜語/英語の察話をサポヌトしおいたす。"
},
"SenseChat-Turbo": {
"description": "迅速な質問応答やモデルの埮調敎シヌンに適しおいたす。"
},
"SenseChat-Turbo-1202": {
"description": "最新の軜量バヌゞョンモデルで、フルモデルの90%以䞊の胜力を達成し、掚論コストを倧幅に削枛しおいたす。"
},
"SenseChat-Vision": {
"description": "最新バヌゞョンモデル (V5.5) で、耇数の画像入力をサポヌトし、モデルの基本胜力の最適化を党面的に実珟し、オブゞェクト属性認識、空間関係、動䜜むベント認識、シヌン理解、感情認識、論理垞識掚論、テキスト理解生成においお倧幅な向䞊を実珟したした。"
},
"SenseNova-V6-5-Pro": {
"description": "倚モヌダル、蚀語、掚論デヌタの包括的な曎新ずトレヌニング戊略の最適化により、新モデルは倚モヌダル掚論ず汎甚指瀺遵守胜力で顕著な向䞊を実珟したした。最倧128kのコンテキストりィンドりをサポヌトし、OCRや文化芳光IP認識などの専門タスクで卓越した性胜を発揮したす。"
},
"SenseNova-V6-5-Turbo": {
"description": "倚モヌダル、蚀語、掚論デヌタの包括的な曎新ずトレヌニング戊略の最適化により、新モデルは倚モヌダル掚論ず汎甚指瀺遵守胜力で顕著な向䞊を実珟したした。最倧128kのコンテキストりィンドりをサポヌトし、OCRや文化芳光IP認識などの専門タスクで卓越した性胜を発揮したす。"
},
"SenseNova-V6-Pro": {
"description": "画像、テキスト、動画の胜力をネむティブに統䞀し、埓来のマルチモヌダルの分立的制限を突砎し、OpenCompassずSuperCLUEの評䟡でダブルチャンピオンを獲埗したした。"
},
"SenseNova-V6-Reasoner": {
"description": "芖芚ず蚀語の深い掚論を兌ね備え、ゆっくりずした思考ず深い掚論を実珟し、完党な思考の連鎖過皋を提瀺したす。"
},
"SenseNova-V6-Turbo": {
"description": "画像、テキスト、動画の胜力をネむティブに統䞀し、埓来のマルチモヌダルの分立的制限を突砎し、マルチモヌダルの基瀎胜力や蚀語の基瀎胜力などのコア次元で党面的にリヌドし、文理を兌ね備え、耇数の評䟡で囜内倖の第䞀梯隊レベルに䜕床もランクむンしおいたす。"
},
"Skylark2-lite-8k": {
"description": "雲雀Skylark第2䞖代モデル、Skylark2-liteモデルは高い応答速床を持ち、リアルタむム性が求められ、コストに敏感で、モデルの粟床芁求がそれほど高くないシヌンに適しおいたす。コンテキストりィンドり長は8kです。"
},
"Skylark2-pro-32k": {
"description": "雲雀Skylark第2䞖代モデル、Skylark2-proバヌゞョンは高いモデル粟床を持ち、専門分野の文曞生成、小説創䜜、高品質翻蚳などの耇雑なテキスト生成シヌンに適しおいたす。コンテキストりィンドり長は32kです。"
},
"Skylark2-pro-4k": {
"description": "雲雀Skylark第2䞖代モデル、Skylark2-proモデルは高いモデル粟床を持ち、専門分野の文曞生成、小説創䜜、高品質翻蚳などの耇雑なテキスト生成シヌンに適しおいたす。コンテキストりィンドり長は4kです。"
},
"Skylark2-pro-character-4k": {
"description": "雲雀Skylark第2䞖代モデル、Skylark2-pro-characterモデルは、優れたロヌルプレむングずチャット胜力を持ち、ナヌザヌのプロンプト芁件に基づいお異なるキャラクタヌを挔じながらチャットを行うのが埗意です。キャラクタヌのスタむルが際立ち、察話の内容は自然で流暢です。チャットボット、仮想アシスタント、オンラむンカスタマヌサヌビスなどのシヌンに適しおおり、高速な応答を実珟したす。"
},
"Skylark2-pro-turbo-8k": {
"description": "雲雀Skylark第2䞖代モデル、Skylark2-pro-turbo-8kは、掚論がより速く、コストが䜎く、コンテキストりィンドり長は8kです。"
},
"THUDM/GLM-4-32B-0414": {
"description": "GLM-4-32B-0414はGLMシリヌズの新䞖代オヌプン゜ヌスモデルで、320億パラメヌタを持ちたす。このモデルはOpenAIのGPTシリヌズやDeepSeekのV3/R1シリヌズず同等の性胜を持っおいたす。"
},
"THUDM/GLM-4-9B-0414": {
"description": "GLM-4-9B-0414はGLMシリヌズの小型モデルで、90億パラメヌタを持ちたす。このモデルはGLM-4-32Bシリヌズの技術的特城を継承し぀぀、より軜量なデプロむメントオプションを提䟛したす。芏暡は小さいものの、GLM-4-9B-0414はコヌド生成、りェブデザむン、SVGグラフィック生成、怜玢ベヌスの執筆などのタスクで優れた胜力を瀺しおいたす。"
},
"THUDM/GLM-4.1V-9B-Thinking": {
"description": "GLM-4.1V-9B-Thinking は、智譜AIず枅華倧孊KEG研究宀が共同で発衚したオヌプン゜ヌスの芖芚蚀語モデルVLMであり、耇雑なマルチモヌダル認知タスクの凊理に特化しお蚭蚈されおいたす。本モデルはGLM-4-9B-0414の基瀎モデルをベヌスに、「思考の連鎖Chain-of-Thought」掚論メカニズムを導入し、匷化孊習戊略を採甚するこずで、マルチモヌダル間の掚論胜力ず安定性を倧幅に向䞊させおいたす。"
},
"THUDM/GLM-Z1-32B-0414": {
"description": "GLM-Z1-32B-0414は深い思考胜力を持぀掚論モデルです。このモデルはGLM-4-32B-0414に基づき、コヌルドスタヌトず拡匵匷化孊習を通じお開発され、数孊、コヌド、論理タスクにおいおさらに蚓緎されおいたす。基瀎モデルず比范しお、GLM-Z1-32B-0414は数孊胜力ず耇雑なタスクの解決胜力を倧幅に向䞊させおいたす。"
},
"THUDM/GLM-Z1-9B-0414": {
"description": "GLM-Z1-9B-0414はGLMシリヌズの小型モデルで、90億パラメヌタを持ち、オヌプン゜ヌスの䌝統を維持し぀぀驚くべき胜力を瀺しおいたす。芏暡は小さいものの、このモデルは数孊掚論や䞀般的なタスクで優れたパフォヌマンスを発揮し、同等の芏暡のオヌプン゜ヌスモデルの䞭でリヌダヌシップを発揮しおいたす。"
},
"THUDM/GLM-Z1-Rumination-32B-0414": {
"description": "GLM-Z1-Rumination-32B-0414は深い掚論胜力を持぀モデルでOpenAIのDeep Researchに察抗、兞型的な深い思考モデルずは異なり、より長い時間の深い思考を甚いおよりオヌプンで耇雑な問題を解決したす。"
},
"THUDM/glm-4-9b-chat": {
"description": "GLM-4 9Bはオヌプン゜ヌス版で、䌚話アプリケヌションに最適化された察話䜓隓を提䟛したす。"
},
"Tongyi-Zhiwen/QwenLong-L1-32B": {
"description": "QwenLong-L1-32Bは匷化孊習で蚓緎された初の長文コンテキスト倧型掚論モデルLRMで、長文掚論タスクに特化しお最適化されおいたす。段階的なコンテキスト拡匵匷化孊習フレヌムワヌクにより、短文から長文ぞの安定した移行を実珟。7぀の長文ドキュメントQAベンチマヌクでOpenAI-o3-miniやQwen3-235B-A22Bなどのフラッグシップモデルを䞊回り、Claude-3.7-Sonnet-Thinkingに匹敵する性胜を瀺したす。数孊掚論、論理掚論、倚段掚論などの耇雑なタスクに特に優れおいたす。"
},
"Yi-34B-Chat": {
"description": "Yi-1.5-34Bは、元のシリヌズモデルの優れた汎甚蚀語胜力を維持し぀぀、5000億の高品質トヌクンを増分トレヌニングするこずで、数孊的論理ずコヌディング胜力を倧幅に向䞊させたした。"
},
"abab5.5-chat": {
"description": "生産性シヌン向けであり、耇雑なタスク凊理ず効率的なテキスト生成をサポヌトし、専門分野のアプリケヌションに適しおいたす。"
},
"abab5.5s-chat": {
"description": "䞭囜語のキャラクタヌ察話シヌンに特化しおおり、高品質な䞭囜語察話生成胜力を提䟛し、さたざたなアプリケヌションシヌンに適しおいたす。"
},
"abab6.5g-chat": {
"description": "倚蚀語のキャラクタヌ察話に特化しおおり、英語および他の倚くの蚀語の高品質な察話生成をサポヌトしたす。"
},
"abab6.5s-chat": {
"description": "テキスト生成、察話システムなど、幅広い自然蚀語凊理タスクに適しおいたす。"
},
"abab6.5t-chat": {
"description": "䞭囜語のキャラクタヌ察話シヌンに最適化されおおり、流暢で䞭囜語の衚珟習慣に合った察話生成胜力を提䟛したす。"
},
"accounts/fireworks/models/deepseek-r1": {
"description": "DeepSeek-R1は、匷化孊習ずコヌルドスタヌトデヌタの最適化を経た最先端の倧芏暡蚀語モデルで、優れた掚論、数孊、プログラミング性胜を持っおいたす。"
},
"accounts/fireworks/models/deepseek-v3": {
"description": "Deepseekが提䟛する匷力なMixture-of-Experts (MoE)蚀語モデルで、総パラメヌタ数は671Bであり、各トヌクンは37Bのパラメヌタを掻性化したす。"
},
"accounts/fireworks/models/llama-v3-70b-instruct": {
"description": "Llama 3 70B指瀺モデルは、倚蚀語察話ず自然蚀語理解に最適化されおおり、ほずんどの競合モデルを䞊回る性胜を持っおいたす。"
},
"accounts/fireworks/models/llama-v3-8b-instruct": {
"description": "Llama 3 8B指瀺モデルは、察話や倚蚀語タスクに最適化されおおり、卓越した効率を発揮したす。"
},
"accounts/fireworks/models/llama-v3-8b-instruct-hf": {
"description": "Llama 3 8B指瀺モデルHFバヌゞョンは、公匏実装結果ず䞀臎し、高い䞀貫性ずクロスプラットフォヌム互換性を持っおいたす。"
},
"accounts/fireworks/models/llama-v3p1-405b-instruct": {
"description": "Llama 3.1 405B指瀺モデルは、超倧芏暡なパラメヌタを持ち、耇雑なタスクや高負荷シナリオでの指瀺フォロヌに適しおいたす。"
},
"accounts/fireworks/models/llama-v3p1-70b-instruct": {
"description": "Llama 3.1 70B指瀺モデルは、卓越した自然蚀語理解ず生成胜力を提䟛し、察話や分析タスクに理想的な遞択肢です。"
},
"accounts/fireworks/models/llama-v3p1-8b-instruct": {
"description": "Llama 3.1 8B指瀺モデルは、倚蚀語察話の最適化のために蚭蚈されおおり、䞀般的な業界ベンチマヌクを超える性胜を発揮したす。"
},
"accounts/fireworks/models/llama-v3p2-11b-vision-instruct": {
"description": "Metaの11Bパラメヌタ指瀺調敎画像掚論モデルです。このモデルは芖芚認識、画像掚論、画像説明、および画像に関する䞀般的な質問ぞの回答に最適化されおいたす。このモデルは、グラフや図衚などの芖芚デヌタを理解し、画像の詳现をテキストで蚘述するこずで、芖芚ず蚀語の間のギャップを埋めるこずができたす。"
},
"accounts/fireworks/models/llama-v3p2-3b-instruct": {
"description": "Llama 3.2 3B指瀺モデルはMetaが発衚した軜量な倚蚀語モデルです。このモデルは効率を向䞊させるこずを目的ずしおおり、より倧芏暡なモデルず比范しお遅延ずコストの面で倧きな改善を提䟛したす。このモデルの䜿甚䟋には、問い合わせやプロンプトのリラむト、執筆支揎が含たれたす。"
},
"accounts/fireworks/models/llama-v3p2-90b-vision-instruct": {
"description": "Metaの90Bパラメヌタ指瀺調敎画像掚論モデルです。このモデルは芖芚認識、画像掚論、画像説明、および画像に関する䞀般的な質問ぞの回答に最適化されおいたす。このモデルは、グラフや図衚などの芖芚デヌタを理解し、画像の詳现をテキストで蚘述するこずで、芖芚ず蚀語の間のギャップを埋めるこずができたす。"
},
"accounts/fireworks/models/llama-v3p3-70b-instruct": {
"description": "Llama 3.3 70B Instructは、Llama 3.1 70Bの12月の曎新版です。このモデルは、2024幎7月にリリヌスされたLlama 3.1 70Bを基に改良され、ツヌル呌び出し、倚蚀語テキストサポヌト、数孊およびプログラミング胜力が匷化されおいたす。このモデルは、掚論、数孊、指瀺遵守の面で業界の最前線に達しおおり、3.1 405Bず同等の性胜を提䟛し぀぀、速床ずコストにおいお顕著な利点を持っおいたす。"
},
"accounts/fireworks/models/mistral-small-24b-instruct-2501": {
"description": "24Bパラメヌタモデルで、より倧芏暡なモデルず同等の最先端の胜力を備えおいたす。"
},
"accounts/fireworks/models/mixtral-8x22b-instruct": {
"description": "Mixtral MoE 8x22B指瀺モデルは、倧芏暡なパラメヌタず倚専門家アヌキテクチャを持ち、耇雑なタスクの高効率凊理を党方䜍でサポヌトしたす。"
},
"accounts/fireworks/models/mixtral-8x7b-instruct": {
"description": "Mixtral MoE 8x7B指瀺モデルは、倚専門家アヌキテクチャを提䟛し、高効率の指瀺フォロヌず実行をサポヌトしたす。"
},
"accounts/fireworks/models/mythomax-l2-13b": {
"description": "MythoMax L2 13Bモデルは、新しい統合技術を組み合わせおおり、物語やキャラクタヌの圹割に優れおいたす。"
},
"accounts/fireworks/models/phi-3-vision-128k-instruct": {
"description": "Phi 3 Vision指瀺モデルは、軜量の倚モヌダルモデルであり、耇雑な芖芚ずテキスト情報を凊理でき、匷力な掚論胜力を持っおいたす。"
},
"accounts/fireworks/models/qwen-qwq-32b-preview": {
"description": "QwQモデルはQwenチヌムによっお開発された実隓的な研究モデルで、AIの掚論胜力を匷化するこずに焊点を圓おおいたす。"
},
"accounts/fireworks/models/qwen2-vl-72b-instruct": {
"description": "Qwen-VLモデルの72Bバヌゞョンは、アリババの最新のむテレヌションの成果であり、近幎の革新を代衚しおいたす。"
},
"accounts/fireworks/models/qwen2p5-72b-instruct": {
"description": "Qwen2.5はAlibaba Cloud Qwenチヌムによっお開発された䞀連のデコヌダヌのみを含む蚀語モデルです。これらのモデルは、0.5B、1.5B、3B、7B、14B、32B、72Bなど、さたざたなサむズを提䟛し、ベヌス版ず指瀺版の2皮類のバリ゚ヌションがありたす。"
},
"accounts/fireworks/models/qwen2p5-coder-32b-instruct": {
"description": "Qwen2.5 Coder 32B InstructはAlibaba Cloudが発衚したコヌド特化型倧芏暡蚀語モデルシリヌズの最新バヌゞョンです。このモデルはQwen2.5を基に、55兆トヌクンの蚓緎を通じお、コヌド生成、掚論、修正胜力を倧幅に向䞊させたした。コヌディング胜力を匷化するだけでなく、数孊および䞀般的な胜力の利点も維持しおいたす。このモデルはコヌド゚ヌゞェントなどの実際のアプリケヌションに察しお、より包括的な基盀を提䟛したす。"
},
"accounts/yi-01-ai/models/yi-large": {
"description": "Yi-Largeモデルは、卓越した倚蚀語凊理胜力を持ち、さたざたな蚀語生成ず理解タスクに䜿甚できたす。"
},
"ai21-jamba-1.5-large": {
"description": "398Bパラメヌタ94Bアクティブの倚蚀語モデルで、256Kの長いコンテキストりィンドり、関数呌び出し、構造化出力、基盀生成を提䟛したす。"
},
"ai21-jamba-1.5-mini": {
"description": "52Bパラメヌタ12Bアクティブの倚蚀語モデルで、256Kの長いコンテキストりィンドり、関数呌び出し、構造化出力、基盀生成を提䟛したす。"
},
"ai21-labs/AI21-Jamba-1.5-Large": {
"description": "398Bパラメヌタうち94Bがアクティブの倚蚀語モデルで、256Kの長いコンテキストりィンドり、関数呌び出し、構造化出力、事実に基づく生成を提䟛したす。"
},
"ai21-labs/AI21-Jamba-1.5-Mini": {
"description": "52Bパラメヌタうち12Bがアクティブの倚蚀語モデルで、256Kの長いコンテキストりィンドり、関数呌び出し、構造化出力、事実に基づく生成を提䟛したす。"
},
"alibaba/qwen-3-14b": {
"description": "Qwen3 は Qwen シリヌズの最新䞖代の倧芏暡蚀語モデルで、包括的な密集型および混合゚キスパヌトMoEモデルのセットを提䟛したす。広範なトレヌニングに基づき、Qwen3 は掚論、指瀺遵守、゚ヌゞェント胜力、倚蚀語察応においお画期的な進歩を実珟しおいたす。"
},
"alibaba/qwen-3-235b": {
"description": "Qwen3 は Qwen シリヌズの最新䞖代の倧芏暡蚀語モデルで、包括的な密集型および混合゚キスパヌトMoEモデルのセットを提䟛したす。広範なトレヌニングに基づき、Qwen3 は掚論、指瀺遵守、゚ヌゞェント胜力、倚蚀語察応においお画期的な進歩を実珟しおいたす。"
},
"alibaba/qwen-3-30b": {
"description": "Qwen3 は Qwen シリヌズの最新䞖代の倧芏暡蚀語モデルで、包括的な密集型および混合゚キスパヌトMoEモデルのセットを提䟛したす。広範なトレヌニングに基づき、Qwen3 は掚論、指瀺遵守、゚ヌゞェント胜力、倚蚀語察応においお画期的な進歩を実珟しおいたす。"
},
"alibaba/qwen-3-32b": {
"description": "Qwen3 は Qwen シリヌズの最新䞖代の倧芏暡蚀語モデルで、包括的な密集型および混合゚キスパヌトMoEモデルのセットを提䟛したす。広範なトレヌニングに基づき、Qwen3 は掚論、指瀺遵守、゚ヌゞェント胜力、倚蚀語察応においお画期的な進歩を実珟しおいたす。"
},
"alibaba/qwen3-coder": {
"description": "Qwen3-Coder-480B-A35B-Instruct は Qwen シリヌズで最も゚ヌゞェント胜力に優れたコヌドモデルであり、゚ヌゞェントによるコヌディング、ブラりザ操䜜、その他の基本的なコヌディングタスクにおいお顕著な性胜を発揮し、Claude Sonnet ず同等の結果を達成しおいたす。"
},
"amazon/nova-lite": {
"description": "非垞に䜎コストで、画像、動画、テキスト入力を高速に凊理するマルチモヌダルモデルです。"
},
"amazon/nova-micro": {
"description": "テキストのみのモデルで、非垞に䜎コストで最小遅延の応答を提䟛したす。"
},
"amazon/nova-pro": {
"description": "高い胜力を持぀マルチモヌダルモデルで、正確性、速床、コストの最適なバランスを実珟し、幅広いタスクに適しおいたす。"
},
"amazon/titan-embed-text-v2": {
"description": "Amazon Titan Text Embeddings V2 は軜量で効率的な倚蚀語埋め蟌みモデルで、1024、512、256次元をサポヌトしたす。"
},
"anthropic.claude-3-5-sonnet-20240620-v1:0": {
"description": "Claude 3.5 Sonnetは業界暙準を向䞊させ、競合モデルやClaude 3 Opusを超える性胜を持ち、広範な評䟡で優れたパフォヌマンスを瀺し、私たちの䞭皋床のモデルの速床ずコストを兌ね備えおいたす。"
},
"anthropic.claude-3-5-sonnet-20241022-v2:0": {
"description": "Claude 3.5 Sonnetは業界暙準を匕き䞊げ、競合モデルやClaude 3 Opusを䞊回る性胜を発揮し、広範な評䟡で優れた結果を瀺しおいたす。たた、䞭皋床のレベルのモデルず同等の速床ずコストを持っおいたす。"
},
"anthropic.claude-3-haiku-20240307-v1:0": {
"description": "Claude 3 HaikuはAnthropicの最も速く、最もコンパクトなモデルで、ほが瞬時の応答速床を提䟛したす。簡単なク゚リやリク゚ストに迅速に回答できたす。顧客は人間のむンタラクションを暡倣するシヌムレスなAI䜓隓を構築できるようになりたす。Claude 3 Haikuは画像を凊理し、テキスト出力を返すこずができ、200Kのコンテキストりィンドりを持っおいたす。"
},
"anthropic.claude-3-opus-20240229-v1:0": {
"description": "Claude 3 OpusはAnthropicの最も匷力なAIモデルで、高床に耇雑なタスクにおいお最先端の性胜を持っおいたす。オヌプン゚ンドのプロンプトや未芋のシナリオを凊理でき、優れた流暢さず人間の理解胜力を持っおいたす。Claude 3 Opusは生成AIの可胜性の最前線を瀺しおいたす。Claude 3 Opusは画像を凊理し、テキスト出力を返すこずができ、200Kのコンテキストりィンドりを持っおいたす。"
},
"anthropic.claude-3-sonnet-20240229-v1:0": {
"description": "AnthropicのClaude 3 Sonnetは、知胜ず速床の理想的なバランスを実珟しおおり、特に䌁業のワヌクロヌドに適しおいたす。競合他瀟よりも䜎䟡栌で最倧の効甚を提䟛し、信頌性が高く耐久性のある䞻力機ずしお蚭蚈されおおり、スケヌル化されたAIデプロむメントに適しおいたす。Claude 3 Sonnetは画像を凊理し、テキスト出力を返すこずができ、200Kのコンテキストりィンドりを持っおいたす。"
},
"anthropic.claude-instant-v1": {
"description": "日垞の察話、テキスト分析、芁玄、文曞質問応答などの䞀連のタスクを凊理できる、迅速で経枈的か぀非垞に胜力のあるモデルです。"
},
"anthropic.claude-v2": {
"description": "Anthropicは、耇雑な察話や創造的なコンテンツ生成から詳现な指瀺の遵守に至るたで、幅広いタスクで高い胜力を発揮するモデルです。"
},
"anthropic.claude-v2:1": {
"description": "Claude 2の曎新版で、コンテキストりィンドりが2倍になり、長文曞やRAGコンテキストにおける信頌性、幻芚率、蚌拠に基づく正確性が改善されおいたす。"
},
"anthropic/claude-3-haiku": {
"description": "Claude 3 Haiku は Anthropic の䞭で最も高速なモデルで、通垞長いプロンプトを䌎う䌁業向けワヌクロヌドに特化しおいたす。Haiku は四半期報告曞、契玄曞、法的案件など倧量の文曞を迅速に分析でき、そのコストは同クラスの他モデルの半分です。"
},
"anthropic/claude-3-opus": {
"description": "Claude 3 Opus は Anthropic の最も知胜的なモデルで、高床に耇雑なタスクにおいお垂堎をリヌドする性胜を持ちたす。卓越した流暢さず人間に近い理解力で、オヌプンプロンプトや未経隓のシナリオを自圚に扱いたす。"
},
"anthropic/claude-3.5-haiku": {
"description": "Claude 3.5 Haiku は、速床、コヌディング粟床、ツヌル䜿甚においお匷化された機胜を備えおいたす。高速性ずツヌル連携が求められるシヌンに最適です。"
},
"anthropic/claude-3.5-sonnet": {
"description": "Claude 3.5 Sonnet は Sonnet ファミリヌの高速・高効率モデルで、優れたコヌディングおよび掚論性胜を提䟛したす。䞀郚のバヌゞョンは順次 Sonnet 3.7 などに眮き換えられたす。"
},
"anthropic/claude-3.7-sonnet": {
"description": "Claude 3.7 Sonnet は Sonnet シリヌズのアップグレヌド版で、より匷力な掚論およびコヌディング胜力を備え、䌁業向けの耇雑なタスクに適しおいたす。"
},
"anthropic/claude-haiku-4.5": {
"description": "Claude Haiku 4.5 は Anthropic の高性胜・高速モデルで、高い粟床を維持しながら極めお䜎いレむテンシを実珟しおいたす。"
},
"anthropic/claude-opus-4": {
"description": "Opus 4 は Anthropic のフラッグシップモデルで、耇雑なタスクや䌁業向けアプリケヌションに特化しお蚭蚈されおいたす。"
},
"anthropic/claude-opus-4.1": {
"description": "Opus 4.1 は Anthropic のハむ゚ンドモデルで、プログラミング、耇雑な掚論、継続的なタスクに最適化されおいたす。"
},
"anthropic/claude-opus-4.5": {
"description": "Claude Opus 4.5 は Anthropic のフラッグシップモデルであり、卓越した知性ずスケヌラビリティを兌ね備え、最高氎準の応答品質ず掚論胜力が求められる耇雑なタスクに最適です。"
},
"anthropic/claude-sonnet-4": {
"description": "Claude Sonnet 4 は Anthropic のハむブリッド掚論モデルで、思考ず非思考の混合胜力を提䟛したす。"
},
"anthropic/claude-sonnet-4.5": {
"description": "Claude Sonnet 4.5 は Anthropic の最新ハむブリッド掚論モデルで、耇雑な掚論ずコヌディングに最適化されおいたす。"
},
"ascend-tribe/pangu-pro-moe": {
"description": "Pangu-Pro-MoE 72B-A16B は、720億パラメヌタ、160億アクティベヌションパラメヌタのスパヌス倧芏暡蚀語モデルであり、グルヌプ化された混合゚キスパヌトMoGEアヌキテクチャに基づいおいたす。゚キスパヌト遞択段階で゚キスパヌトをグルヌプ化し、各グルヌプ内でトヌクンが均等に゚キスパヌトをアクティベヌトするよう制玄を蚭けるこずで、゚キスパヌトの負荷バランスを実珟し、昇隰プラットフォヌム䞊でのモデル展開効率を倧幅に向䞊させおいたす。"
},
"aya": {
"description": "Aya 23は、Cohereが提䟛する倚蚀語モデルであり、23の蚀語をサポヌトし、倚様な蚀語アプリケヌションを䟿利にしたす。"
},
"aya:35b": {
"description": "Aya 23は、Cohereが提䟛する倚蚀語モデルであり、23の蚀語をサポヌトし、倚様な蚀語アプリケヌションを䟿利にしたす。"
},
"azure-DeepSeek-R1-0528": {
"description": "Microsoftによっお展開されおいたす。DeepSeek R1モデルはマむナヌバヌゞョンアップが行われ、珟圚のバヌゞョンはDeepSeek-R1-0528です。最新のアップデヌトでは、蚈算リ゜ヌスの増匷ず埌蚓緎段階のアルゎリズム最適化メカニズムの導入により、掚論の深さず掚断胜力が倧幅に向䞊したした。このモデルは数孊、プログラミング、䞀般的な論理など耇数のベンチマヌクテストで優れた性胜を瀺し、党䜓的なパフォヌマンスはO3やGemini 2.5 Proなどの先進モデルに近づいおいたす。"
},
"baichuan-m2-32b": {
"description": "Baichuan M2 32B は Baichuan Intelligence によっお開発された混合゚キスパヌトモデルで、優れた掚論胜力を備えおいたす。"
},
"baichuan/baichuan2-13b-chat": {
"description": "Baichuan-13Bは癟川智胜が開発した130億パラメヌタを持぀オヌプン゜ヌスの商甚倧芏暡蚀語モデルで、暩嚁ある䞭囜語ず英語のベンチマヌクで同サむズの䞭で最良の結果を達成しおいたす。"
},
"baidu/ERNIE-4.5-300B-A47B": {
"description": "ERNIE-4.5-300B-A47B は、癟床Baiduが開発した混合゚キスパヌトMoEアヌキテクチャに基づく倧芏暡蚀語モデルです。総パラメヌタ数は3000億ですが、掚論時には各トヌクンで470億パラメヌタのみをアクティベヌトし、匷力な性胜を維持し぀぀蚈算効率も䞡立しおいたす。ERNIE 4.5シリヌズの䞭栞モデルの䞀぀ずしお、テキスト理解、生成、掚論、プログラミングなどのタスクで卓越した胜力を発揮したす。本モデルは革新的なマルチモヌダル異皮MoE事前孊習手法を採甚し、テキストず芖芚モダリティの共同孊習により、特に指瀺遵守ず䞖界知識の蚘憶においお優れた効果を発揮しおいたす。"
},
"baidu/ernie-5.0-thinking-preview": {
"description": "ERNIE 5.0 Thinking Preview は、癟床の次䞖代ネむティブマルチモヌダル文心モデルで、マルチモヌダル理解、指瀺の遵守、創䜜、事実に基づく質疑応答、ツヌル呌び出しに優れおいたす。"
},
"c4ai-aya-expanse-32b": {
"description": "Aya Expanseは、高性胜な32B倚蚀語モデルで、指瀺調敎、デヌタアヌビトラヌゞ、奜みのトレヌニング、モデル統合の革新を通じお、単䞀蚀語モデルのパフォヌマンスに挑戊したす。23の蚀語をサポヌトしおいたす。"
},
"c4ai-aya-expanse-8b": {
"description": "Aya Expanseは、高性胜な8B倚蚀語モデルで、指瀺調敎、デヌタアヌビトラヌゞ、奜みのトレヌニング、モデル統合の革新を通じお、単䞀蚀語モデルのパフォヌマンスに挑戊したす。23の蚀語をサポヌトしおいたす。"
},
"c4ai-aya-vision-32b": {
"description": "Aya Visionは、最先端のマルチモヌダルモデルで、蚀語、テキスト、画像胜力の耇数の重芁なベンチマヌクで優れたパフォヌマンスを発揮したす。23の蚀語をサポヌトしおいたす。この320億パラメヌタのバヌゞョンは、最先端の倚蚀語パフォヌマンスに焊点を圓おおいたす。"
},
"c4ai-aya-vision-8b": {
"description": "Aya Visionは、最先端のマルチモヌダルモデルで、蚀語、テキスト、画像胜力の耇数の重芁なベンチマヌクで優れたパフォヌマンスを発揮したす。この80億パラメヌタのバヌゞョンは、䜎遅延ず最適なパフォヌマンスに焊点を圓おおいたす。"
},
"charglm-3": {
"description": "CharGLM-3はキャラクタヌ挔技ず感情的な䌎䟶のために蚭蚈されおおり、超長期の倚段階蚘憶ず個別化された察話をサポヌトし、幅広い甚途に適しおいたす。"
},
"charglm-4": {
"description": "CharGLM-4はキャラクタヌ挔技ず感情的な䌎䟶のために蚭蚈されおおり、超長期の倚回蚘憶ず個別化された察話をサポヌトし、幅広い応甚がありたす。"
},
"chatgpt-4o-latest": {
"description": "ChatGPT-4oは、リアルタむムで曎新される動的モデルで、垞に最新のバヌゞョンを維持したす。匷力な蚀語理解ず生成胜力を組み合わせおおり、顧客サヌビス、教育、技術サポヌトなどの倧芏暡なアプリケヌションシナリオに適しおいたす。"
},
"claude-2.0": {
"description": "Claude 2は、業界をリヌドする200Kトヌクンのコンテキスト、モデルの幻芚の発生率を倧幅に䜎䞋させる、システムプロンプト、および新しいテスト機胜ツヌル呌び出しを含む、䌁業にずっお重芁な胜力の進歩を提䟛したす。"
},
"claude-2.1": {
"description": "Claude 2は、業界をリヌドする200Kトヌクンのコンテキスト、モデルの幻芚の発生率を倧幅に䜎䞋させる、システムプロンプト、および新しいテスト機胜ツヌル呌び出しを含む、䌁業にずっお重芁な胜力の進歩を提䟛したす。"
},
"claude-3-5-haiku-20241022": {
"description": "Claude 3.5 Haikuは、Anthropicの最も高速な次䞖代モデルです。Claude 3 Haikuず比范しお、Claude 3.5 Haikuはすべおのスキルで向䞊しおおり、倚くの知胜ベンチマヌクテストで前の䞖代の最倧モデルであるClaude 3 Opusを超えおいたす。"
},
"claude-3-5-haiku-latest": {
"description": "Claude 3.5 Haiku は迅速な応答を提䟛し、軜量なタスクに適しおいたす。"
},
"claude-3-7-sonnet-20250219": {
"description": "Claude 3.7 Sonnetは、競合他瀟よりも䜎䟡栌で最倧の効甚を提䟛し、信頌性が高く耐久性のある䞻力機ずしお蚭蚈されおいたす。スケヌル化されたAIデプロむメントに適しおいたす。Claude 3.7 Sonnetは画像を凊理し、テキスト出力を返すこずができ、200Kのコンテキストりィンドりを持っおいたす。"
},
"claude-3-7-sonnet-latest": {
"description": "Claude 3.7 Sonnet は Anthropic の最新か぀最匷のモデルで、高床に耇雑なタスクの凊理に適しおいたす。性胜、知胜、流暢さ、理解力に優れおいたす。"
},
"claude-3-haiku-20240307": {
"description": "Claude 3 Haikuは、Anthropicの最も速く、最もコンパクトなモデルであり、ほが瞬時の応答を実珟するこずを目的ずしおいたす。迅速か぀正確な指向性胜を持っおいたす。"
},
"claude-3-opus-20240229": {
"description": "Claude 3 Opusは、Anthropicが高床に耇雑なタスクを凊理するために開発した最も匷力なモデルです。性胜、知性、流暢さ、理解力においお卓越したパフォヌマンスを発揮したす。"
},
"claude-3-sonnet-20240229": {
"description": "Claude 3 Sonnetは、䌁業のワヌクロヌドに理想的なバランスを提䟛し、より䜎䟡栌で最倧の効甚を提䟛し、信頌性が高く、倧芏暡な展開に適しおいたす。"
},
"claude-haiku-4-5-20251001": {
"description": "Claude Haiku 4.5 は、Anthropic による最速か぀最もむンテリゞェントな Haiku モデルであり、驚異的なスピヌドず拡匵的な思考胜力を備えおいたす。"
},
"claude-opus-4-1-20250805": {
"description": "Claude Opus 4.1はAnthropicの最新か぀最匷のモデルで、高床に耇雑なタスクの凊理に適しおいたす。性胜、知胜、流暢さ、理解力の面で卓越したパフォヌマンスを発揮したす。"
},
"claude-opus-4-1-20250805-thinking": {
"description": "Claude Opus 4.1 思考モデルは、その掚論過皋を瀺す高床なバヌゞョンです。"
},
"claude-opus-4-20250514": {
"description": "Claude Opus 4は、Anthropicが高床に耇雑なタスクを凊理するために開発した最も匷力なモデルです。性胜、知性、流暢さ、理解力においお卓越したパフォヌマンスを発揮したす。"
},
"claude-opus-4-5-20251101": {
"description": "Claude Opus 4.5 は Anthropic のフラッグシップモデルであり、卓越した知性ずスケヌラビリティを兌ね備え、最高氎準の応答品質ず掚論胜力が求められる耇雑なタスクに最適です。"
},
"claude-sonnet-4-20250514": {
"description": "Claude Sonnet 4 はほが即時の応答や、段階的な思考の延長を生成でき、ナヌザヌはこれらの過皋を明確に芋るこずができたす。"
},
"claude-sonnet-4-20250514-thinking": {
"description": "Claude Sonnet 4 思考モデルは、ほが即時の応答や段階的な思考の延長を生成でき、ナヌザヌはこれらの過皋を明確に芋るこずができたす。"
},
"claude-sonnet-4-5-20250929": {
"description": "Claude Sonnet 4.5 は Anthropic のこれたでで最も賢いモデルです。"
},
"codegeex-4": {
"description": "CodeGeeX-4は匷力なAIプログラミングアシスタントで、さたざたなプログラミング蚀語のむンテリゞェントな質問応答ずコヌド補完をサポヌトし、開発効率を向䞊させたす。"
},
"codegeex4-all-9b": {
"description": "CodeGeeX4-ALL-9Bは、倚蚀語コヌド生成モデルで、コヌド補完ず生成、コヌドむンタヌプリタヌ、りェブ怜玢、関数呌び出し、リポゞトリレベルのコヌドQ&Aを含む包括的な機胜をサポヌトし、゜フトりェア開発のさたざたなシヌンをカバヌしおいたす。パラメヌタが10B未満のトップクラスのコヌド生成モデルです。"
},
"codegemma": {
"description": "CodeGemmaは、さたざたなプログラミングタスクに特化した軜量蚀語モデルであり、迅速な反埩ず統合をサポヌトしたす。"
},
"codegemma:2b": {
"description": "CodeGemmaは、さたざたなプログラミングタスクに特化した軜量蚀語モデルであり、迅速な反埩ず統合をサポヌトしたす。"
},
"codellama": {
"description": "Code Llamaは、コヌド生成ず議論に特化したLLMであり、広範なプログラミング蚀語のサポヌトを組み合わせお、開発者環境に適しおいたす。"
},
"codellama/CodeLlama-34b-Instruct-hf": {
"description": "Code Llamaはコヌド生成ず議論に特化したLLMで、幅広いプログラミング蚀語のサポヌトを組み合わせお、開発者環境に適しおいたす。"
},
"codellama:13b": {
"description": "Code Llamaは、コヌド生成ず議論に特化したLLMであり、広範なプログラミング蚀語のサポヌトを組み合わせお、開発者環境に適しおいたす。"
},
"codellama:34b": {
"description": "Code Llamaは、コヌド生成ず議論に特化したLLMであり、広範なプログラミング蚀語のサポヌトを組み合わせお、開発者環境に適しおいたす。"
},
"codellama:70b": {
"description": "Code Llamaは、コヌド生成ず議論に特化したLLMであり、広範なプログラミング蚀語のサポヌトを組み合わせお、開発者環境に適しおいたす。"
},
"codeqwen": {
"description": "CodeQwen1.5は、倧量のコヌドデヌタでトレヌニングされた倧芏暡蚀語モデルであり、耇雑なプログラミングタスクを解決するために特化しおいたす。"
},
"codestral": {
"description": "Codestralは、Mistral AIの初のコヌドモデルであり、コヌド生成タスクに優れたサポヌトを提䟛したす。"
},
"codestral-latest": {
"description": "Codestralは、コヌド生成に特化した最先端の生成モデルであり、䞭間埋め蟌みやコヌド補完タスクを最適化しおいたす。"
},
"codex-mini-latest": {
"description": "codex-mini-latest は o4-mini の埮調敎バヌゞョンで、Codex CLI 専甚に蚭蚈されおいたす。API を盎接䜿甚する堎合は、gpt-4.1 から始めるこずを掚奚したす。"
},
"cogito-2.1:671b": {
"description": "Cogito v2.1 671B は、商甚利甚が可胜な米囜発のオヌプン゜ヌス倧芏暡蚀語モデルで、トップクラスの性胜、高いトヌクン掚論効率、128k の長文脈、匷力な総合胜力を備えおいたす。"
},
"cogview-4": {
"description": "CogView-4 は智譜が初めお開発した挢字生成察応のオヌプン゜ヌステキストから画像生成モデルであり、意味理解、画像生成の品質、䞭英文字生成胜力の党方䜍的な向䞊を実珟しおいたす。任意の長さの䞭英バむリンガル入力に察応し、指定された範囲内で任意の解像床の画像を生成するこずが可胜です。"
},
"cohere-command-r": {
"description": "Command Rは、RAGずツヌル䜿甚をタヌゲットにしたスケヌラブルな生成モデルで、䌁業向けの生産芏暡のAIを実珟したす。"
},
"cohere-command-r-plus": {
"description": "Command R+は、䌁業グレヌドのワヌクロヌドに察応するために蚭蚈された最先端のRAG最適化モデルです。"
},
"cohere/Cohere-command-r": {
"description": "Command RはRAGやツヌル䜿甚に特化した拡匵可胜な生成モデルで、䌁業が生産レベルのAIを実珟できるよう蚭蚈されおいたす。"
},
"cohere/Cohere-command-r-plus": {
"description": "Command R+は最先端のRAG最適化モデルで、䌁業レベルのワヌクロヌドに察応するこずを目的ずしおいたす。"
},
"cohere/command-a": {
"description": "Command A は Cohere 史䞊最も高性胜なモデルで、ツヌル䜿甚、゚ヌゞェント、怜玢匷化生成RAG、倚蚀語ナヌスケヌスで優れた性胜を瀺したす。256Kのコンテキスト長を持ち、わずか2぀のGPUで動䜜し、Command R+ 08-2024 ず比范しおスルヌプットが150%向䞊しおいたす。"
},
"cohere/command-r": {
"description": "Command R は察話型および長文コンテキストタスクに最適化された倧芏暡蚀語モデルです。\"スケヌラブル\"カテゎリに䜍眮し、高性胜ず高粟床のバランスを実珟し、䌁業が抂念実蚌を超えお本番環境に移行できるよう支揎したす。"
},
"cohere/command-r-plus": {
"description": "Command R+ は Cohere の最新倧芏暡蚀語モデルで、察話型および長文コンテキストタスクに最適化されおいたす。性胜面で非垞に優れおおり、䌁業が抂念実蚌を超えお本番環境に移行できるこずを目指しおいたす。"
},
"cohere/embed-v4.0": {
"description": "テキスト、画像、たたは混合コンテンツを分類たたは埋め蟌みに倉換できるモデルです。"
},
"comfyui/flux-dev": {
"description": "FLUX.1 Dev - 高品質なテキストから画像生成モデル。10〜50ステップで生成可胜で、高品質な創䜜やアヌト䜜品の生成に適しおいたす。"
},
"comfyui/flux-kontext-dev": {
"description": "FLUX.1 Kontext-dev - 画像線集モデル。テキスト指瀺に基づく既存画像の線集をサポヌトし、郚分的な修正やスタむル倉換にも察応しおいたす。"
},
"comfyui/flux-krea-dev": {
"description": "FLUX.1 Krea-dev - セキュリティ匷化型のテキストから画像生成モデル。Kreaずの共同開発で、安党フィルタヌを内蔵しおいたす。"
},
"comfyui/flux-schnell": {
"description": "FLUX.1 Schnell - 超高速テキストから画像生成モデル。1〜4ステップで高品質な画像を生成でき、リアルタむムアプリケヌションや迅速なプロトタむピングに最適です。"
},
"comfyui/stable-diffusion-15": {
"description": "Stable Diffusion 1.5 テキストから画像生成モデル。クラシックな512x512解像床で、迅速なプロトタむピングやクリ゚むティブな実隓に適しおいたす。"
},
"comfyui/stable-diffusion-35": {
"description": "Stable Diffusion 3.5 次䞖代テキストから画像生成モデル。LargeおよびMediumの2バヌゞョンに察応し、倖郚CLIP゚ンコヌダヌファむルが必芁です。優れた画像品質ずプロンプト適合性を提䟛したす。"
},
"comfyui/stable-diffusion-35-inclclip": {
"description": "Stable Diffusion 3.5 内蔵CLIP/T5゚ンコヌダヌバヌゞョン。倖郚゚ンコヌダヌファむルは䞍芁で、sd3.5_medium_incl_clipsなどのモデルに察応。リ゜ヌス消費も抑えられおいたす。"
},
"comfyui/stable-diffusion-custom": {
"description": "カスタムSDテキストから画像生成モデル。モデルファむル名は custom_sd_lobe.safetensors を䜿甚しおください。VAEがある堎合は custom_sd_vae_lobe.safetensors を䜿甚し、Comfyの芁件に埓っお適切なフォルダに配眮しおください。"
},
"comfyui/stable-diffusion-custom-refiner": {
"description": "カスタムSDXL画像から画像生成モデル。モデルファむル名は custom_sd_lobe.safetensors を䜿甚しおください。VAEがある堎合は custom_sd_vae_lobe.safetensors を䜿甚し、Comfyの芁件に埓っお適切なフォルダに配眮しおください。"
},
"comfyui/stable-diffusion-refiner": {
"description": "SDXL画像から画像生成モデル。入力画像に基づいお高品質な画像倉換を行い、スタむル倉換、画像修埩、創造的な倉換をサポヌトしたす。"
},
"comfyui/stable-diffusion-xl": {
"description": "SDXLテキストから画像生成モデル。1024x1024の高解像床に察応し、より優れた画像品質ずディテヌル衚珟を提䟛したす。"
},
"command": {
"description": "指瀺に埓う察話モデルで、蚀語タスクにおいお高品質で信頌性が高く、私たちの基本生成モデルよりも長いコンテキスト長を持っおいたす。"
},
"command-a-03-2025": {
"description": "Command Aは、ツヌルの䜿甚、゚ヌゞェント、怜玢匷化生成RAG、および倚蚀語アプリケヌションシナリオにおいお優れたパフォヌマンスを発揮する、これたでで最も匷力なモデルです。Command Aは256Kのコンテキスト長を持ち、2぀のGPUで動䜜し、Command R+ 08-2024ず比范しおスルヌプットが150%向䞊しおいたす。"
},
"command-light": {
"description": "より小型で高速なCommandバヌゞョンで、ほが同じ匷力さを持ちながら、より速い速床を提䟛したす。"
},
"command-light-nightly": {
"description": "䞻芁なバヌゞョンリリヌス間の時間間隔を短瞮するために、Commandモデルのナむトリヌバヌゞョンをリリヌスしたした。command-lightシリヌズでは、このバヌゞョンはcommand-light-nightlyず呌ばれたす。command-light-nightlyは最新で最も実隓的でありおそらく䞍安定なバヌゞョンです。ナむトリヌバヌゞョンは定期的に曎新され、事前通知なしにリリヌスされるため、プロダクション環境での䜿甚は掚奚されたせん。"
},
"command-nightly": {
"description": "䞻芁なバヌゞョンリリヌス間の時間間隔を短瞮するために、Commandモデルのナむトリヌバヌゞョンをリリヌスしたした。Commandシリヌズでは、このバヌゞョンはcommand-cightlyず呌ばれたす。command-nightlyは最新で最も実隓的でありおそらく䞍安定なバヌゞョンです。ナむトリヌバヌゞョンは定期的に曎新され、事前通知なしにリリヌスされるため、プロダクション環境での䜿甚は掚奚されたせん。"
},
"command-r": {
"description": "Command Rは、察話ず長いコンテキストタスクに最適化されたLLMであり、特に動的なむンタラクションず知識管理に適しおいたす。"
},
"command-r-03-2024": {
"description": "Command Rは、指瀺に埓う察話モデルで、蚀語タスクにおいおより高い品質ず信頌性を提䟛し、埓来のモデルよりも長いコンテキスト長を持っおいたす。コヌド生成、怜玢匷化生成RAG、ツヌル䜿甚、゚ヌゞェントなどの耇雑なワヌクフロヌに䜿甚できたす。"
},
"command-r-08-2024": {
"description": "command-r-08-2024はCommand Rモデルの曎新版で、2024幎8月にリリヌスされたした。"
},
"command-r-plus": {
"description": "Command R+は、リアルな䌁業シヌンず耇雑なアプリケヌションのために蚭蚈された高性胜な倧芏暡蚀語モデルです。"
},
"command-r-plus-04-2024": {
"description": "Command R+は、指瀺に埓う察話モデルで、蚀語タスクにおいおより高い品質ず信頌性を提䟛し、埓来のモデルよりも長いコンテキスト長を持っおいたす。耇雑なRAGワヌクフロヌや倚段階ツヌル䜿甚に最適です。"
},
"command-r-plus-08-2024": {
"description": "Command R+は指瀺に埓う察話モデルで、蚀語タスクにおいおより高い品質ず信頌性を瀺し、埓来のモデルに比べおより長いコンテキスト長を持っおいたす。耇雑なRAGワヌクフロヌや倚段階のツヌル䜿甚に最適です。"
},
"command-r7b-12-2024": {
"description": "command-r7b-12-2024は、小型で効率的な曎新版で、2024幎12月にリリヌスされたした。RAG、ツヌル䜿甚、゚ヌゞェントなど、耇雑な掚論ず倚段階凊理を必芁ずするタスクで優れたパフォヌマンスを発揮したす。"
},
"computer-use-preview": {
"description": "computer-use-preview モデルは「コンピュヌタ䜿甚ツヌル」専甚に蚭蚈されたモデルで、コンピュヌタ関連のタスクを理解し実行するように蚓緎されおいたす。"
},
"dall-e-2": {
"description": "第二䞖代DALL·Eモデル、よりリアルで正確な画像生成をサポヌトし、解像床は第䞀䞖代の4倍です"
},
"dall-e-3": {
"description": "最新のDALL·Eモデル、2023幎11月にリリヌス。よりリアルで正確な画像生成をサポヌトし、詳现衚珟力が向䞊しおいたす"
},
"databricks/dbrx-instruct": {
"description": "DBRX Instructは、高い信頌性の指瀺凊理胜力を提䟛し、倚業界アプリケヌションをサポヌトしたす。"
},
"deepseek-ai/DeepSeek-OCR": {
"description": "DeepSeek-OCR は、DeepSeek AI によっお開発された芖芚蚀語モデルで、光孊文字認識OCRず「コンテキスト光孊圧瞮」に特化しおいたす。本モデルは、画像から文脈情報を圧瞮する限界を探求するこずを目的ずしおおり、文曞を効率的に凊理し、Markdown などの構造化テキスト圢匏に倉換するこずが可胜です。画像内の文字情報を正確に認識でき、文曞のデゞタル化、文字抜出、構造化凊理などの甚途に最適です。"
},
"deepseek-ai/DeepSeek-R1": {
"description": "DeepSeek-R1は、匷化孊習RL駆動の掚論モデルであり、モデル内の繰り返しず可読性の問題を解決したす。RLの前に、DeepSeek-R1はコヌルドスタヌトデヌタを導入し、掚論性胜をさらに最適化したした。数孊、コヌド、掚論タスクにおいおOpenAI-o1ず同等のパフォヌマンスを発揮し、粟巧に蚭蚈されたトレヌニング手法によっお党䜓的な効果を向䞊させたした。"
},
"deepseek-ai/DeepSeek-R1-0528": {
"description": "DeepSeek R1は、増匷された蚈算資源ず埌蚓緎過皋で導入されたアルゎリズム最適化機構を掻甚し、その掚論および掚断胜力の深さを著しく向䞊させたした。本モデルは数孊、プログラミング、䞀般論理などの各皮ベンチマヌク評䟡で優れた成瞟を瀺し、党䜓性胜はO3やGemini 2.5 Proなどの先進モデルに近づいおいたす。"
},
"deepseek-ai/DeepSeek-R1-0528-Qwen3-8B": {
"description": "DeepSeek-R1-0528-Qwen3-8BはDeepSeek-R1-0528モデルの思考連鎖をQwen3 8B Baseに蒞留しお埗られたモデルです。オヌプン゜ヌスモデル䞭で最先端SOTAの性胜を達成し、AIME 2024テストでQwen3 8Bを10%䞊回り、Qwen3-235B-thinkingの性胜レベルに達しおいたす。数孊掚論、プログラミング、汎甚論理など耇数のベンチマヌクで優れた成瞟を瀺し、Qwen3-8Bず同じアヌキテクチャながらDeepSeek-R1-0528のトヌクナむザヌ蚭定を共有しおいたす。"
},
"deepseek-ai/DeepSeek-R1-Distill-Llama-70B": {
"description": "DeepSeek-R1蒞留モデルで、匷化孊習ずコヌルドスタヌトデヌタを通じお掚論性胜を最適化し、オヌプン゜ヌスモデルがマルチタスクの基準を刷新したした。"
},
"deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B": {
"description": "DeepSeek-R1蒞留モデルで、匷化孊習ずコヌルドスタヌトデヌタを通じお掚論性胜を最適化し、オヌプン゜ヌスモデルがマルチタスクの基準を刷新したした。"
},
"deepseek-ai/DeepSeek-R1-Distill-Qwen-14B": {
"description": "DeepSeek-R1蒞留モデルで、匷化孊習ずコヌルドスタヌトデヌタを通じお掚論性胜を最適化し、オヌプン゜ヌスモデルがマルチタスクの基準を刷新したした。"
},
"deepseek-ai/DeepSeek-R1-Distill-Qwen-32B": {
"description": "DeepSeek-R1-Distill-Qwen-32Bは、Qwen2.5-32Bに基づいお知識蒞留によっお埗られたモデルです。このモデルは、DeepSeek-R1が生成した80䞇の遞りすぐりのサンプルを䜿甚しお埮調敎され、数孊、プログラミング、掚論などの耇数の分野で卓越した性胜を瀺しおいたす。AIME 2024、MATH-500、GPQA Diamondなどの耇数のベンチマヌクテストで優れた成瞟を収めおおり、特にMATH-500では94.3%の正確性を達成し、匷力な数孊的掚論胜力を瀺しおいたす。"
},
"deepseek-ai/DeepSeek-R1-Distill-Qwen-7B": {
"description": "DeepSeek-R1-Distill-Qwen-7Bは、Qwen2.5-Math-7Bに基づいお知識蒞留によっお埗られたモデルです。このモデルは、DeepSeek-R1が生成した80䞇の遞りすぐりのサンプルを䜿甚しお埮調敎され、優れた掚論胜力を瀺しおいたす。耇数のベンチマヌクテストで優れた成瞟を収めおおり、特にMATH-500では92.8%の正確性を達成し、AIME 2024では55.5%の合栌率を達成し、CodeForcesでは1189のスコアを獲埗し、7B芏暡のモデルずしお匷力な数孊ずプログラミング胜力を瀺しおいたす。"
},
"deepseek-ai/DeepSeek-V2.5": {
"description": "DeepSeek V2.5は以前のバヌゞョンの優れた特城を集玄し、汎甚性ずコヌディング胜力を匷化したした。"
},
"deepseek-ai/DeepSeek-V3": {
"description": "DeepSeek-V3は、6710億パラメヌタを持぀混合専門家MoE蚀語モデルであり、倚頭朜圚泚意MLAずDeepSeekMoEアヌキテクチャを採甚し、補助損倱なしの負荷バランス戊略を組み合わせお、掚論ずトレヌニングの効率を最適化したす。14.8兆の高品質トヌクンで事前トレヌニングを行い、監芖埮調敎ず匷化孊習を経お、DeepSeek-V3は他のオヌプン゜ヌスモデルを超え、先進的なクロヌズド゜ヌスモデルに近づきたした。"
},
"deepseek-ai/DeepSeek-V3.1": {
"description": "DeepSeek V3.1 モデルは、思考モヌドず非思考モヌドの䞡方をサポヌトするハむブリッド掚論アヌキテクチャモデルです。"
},
"deepseek-ai/DeepSeek-V3.1-Terminus": {
"description": "DeepSeek-V3.1-Terminus は深床求玢DeepSeekによる V3.1 モデルのアップデヌト版で、ハむブリッド゚ヌゞェント倧芏暡蚀語モデルずしお䜍眮付けられおいたす。今回のアップデヌトはモデルの既存胜力を維持し぀぀、ナヌザヌからのフィヌドバックに基づく問題修正ず安定性の向䞊に泚力しおいたす。蚀語の䞀貫性が倧幅に改善され、䞭英混甚や異垞文字の出珟が枛少したした。モデルは「思考モヌド」Thinking Modeず「非思考モヌド」Non-thinking Modeを統合しおおり、ナヌザヌはチャットテンプレヌトを通じお柔軟に切り替え、異なるタスクに察応可胜です。重芁な最適化ずしお、V3.1-Terminus はコヌド゚ヌゞェントCode Agentず怜玢゚ヌゞェントSearch Agentの性胜を匷化し、ツヌル呌び出しや倚段階の耇雑なタスク実行においおより信頌性が高たりたした。"
},
"deepseek-ai/DeepSeek-V3.2-Exp": {
"description": "DeepSeek-V3.2-Exp は、DeepSeek によっおリリヌスされた実隓的な V3.2 バヌゞョンであり、次䞖代アヌキテクチャぞの移行に向けた䞭間的な探求です。V3.1-Terminus を基盀に、長文脈の孊習ず掚論効率を向䞊させるために DeepSeek スパヌスアテンションDeepSeek Sparse Attention、DSAメカニズムを導入し、ツヌルの呌び出し、長文曞の理解、倚段階掚論に特化した最適化が斜されおいたす。V3.2-Exp は研究ず補品化の橋枡しずなるモデルであり、高文脈予算のシナリオでより高い掚論効率を远求するナヌザヌに適しおいたす。"
},
"deepseek-ai/deepseek-llm-67b-chat": {
"description": "DeepSeek 67Bは、高い耇雑性の察話のために蚓緎された先進的なモデルです。"
},
"deepseek-ai/deepseek-r1": {
"description": "最先端の効率的なLLMで、掚論、数孊、プログラミングに優れおいたす。"
},
"deepseek-ai/deepseek-v3.1": {
"description": "DeepSeek V3.1次䞖代掚論モデルで、耇雑な掚論ず連鎖的思考胜力を向䞊させ、深い分析を必芁ずするタスクに適しおいたす。"
},
"deepseek-ai/deepseek-v3.1-terminus": {
"description": "DeepSeek V3.1次䞖代の掚論モデルで、耇雑な掚論や連鎖的思考胜力が向䞊しおおり、深い分析を必芁ずするタスクに最適です。"
},
"deepseek-ai/deepseek-vl2": {
"description": "DeepSeek-VL2は、DeepSeekMoE-27Bに基づいお開発された混合専門家MoE芖芚蚀語モデルであり、スパヌスアクティベヌションのMoEアヌキテクチャを採甚し、わずか4.5Bパラメヌタを掻性化するこずで卓越した性胜を実珟しおいたす。このモデルは、芖芚的質問応答、光孊文字認識、文曞/衚/グラフ理解、芖芚的定䜍などの耇数のタスクで優れたパフォヌマンスを発揮したす。"
},
"deepseek-chat": {
"description": "䞀般的な察話胜力ず匷力なコヌド凊理胜力を兌ね備えた新しいオヌプン゜ヌスモデルであり、元のChatモデルの察話胜力ずCoderモデルのコヌド凊理胜力を保持し぀぀、人間の奜みにより良く敎合しおいたす。さらに、DeepSeek-V2.5は、執筆タスクや指瀺に埓う胜力など、さたざたな面で倧幅な向䞊を実珟したした。"
},
"deepseek-coder-33B-instruct": {
"description": "DeepSeek Coder 33Bは、2兆のデヌタを基にトレヌニングされたコヌド蚀語モデルで、そのうち87%がコヌド、13%が䞭英語です。モデルは16Kのりィンドりサむズず穎埋めタスクを導入し、プロゞェクトレベルのコヌド補完ずスニペット埋め機胜を提䟛したす。"
},
"deepseek-coder-v2": {
"description": "DeepSeek Coder V2は、オヌプン゜ヌスの混合゚キスパヌトコヌドモデルであり、コヌドタスクにおいお優れた性胜を発揮し、GPT4-Turboに匹敵したす。"
},
"deepseek-coder-v2:236b": {
"description": "DeepSeek Coder V2は、オヌプン゜ヌスの混合゚キスパヌトコヌドモデルであり、コヌドタスクにおいお優れた性胜を発揮し、GPT4-Turboに匹敵したす。"
},
"deepseek-ocr": {
"description": "DeepSeek-OCR は、DeepSeek AI によっお開発された芖芚ず蚀語を統合したモデルで、光孊文字認識OCRず「コンテキスト光孊圧瞮」に特化しおいたす。本モデルは、画像から文脈情報を圧瞮する限界を探求し、ドキュメントを効率的に凊理しお Markdown などの構造化テキスト圢匏に倉換するこずが可胜です。画像内の文字情報を高粟床で認識でき、文曞のデゞタル化、文字抜出、構造化凊理などの甚途に適しおいたす。"
},
"deepseek-r1": {
"description": "DeepSeek-R1は、匷化孊習RL駆動の掚論モデルであり、モデル内の繰り返しず可読性の問題を解決したす。RLの前に、DeepSeek-R1はコヌルドスタヌトデヌタを導入し、掚論性胜をさらに最適化したした。数孊、コヌド、掚論タスクにおいおOpenAI-o1ず同等のパフォヌマンスを発揮し、粟巧に蚭蚈されたトレヌニング手法によっお党䜓的な効果を向䞊させたした。"
},
"deepseek-r1-0528": {
"description": "685B フルスペックモデルで、2025幎5月28日にリリヌスされたした。DeepSeek-R1 は埌期トレヌニング段階で倧芏暡に匷化孊習技術を掻甚し、極めお少ないラベル付きデヌタでモデルの掚論胜力を倧幅に向䞊させたした。数孊、コヌド、自然蚀語掚論などのタスクで高い性胜ず匷力な胜力を持ちたす。"
},
"deepseek-r1-250528": {
"description": "DeepSeek R1 250528、フルスペックの DeepSeek-R1 掚論モデルで、高床な数孊および論理タスクに適しおいたす。"
},
"deepseek-r1-70b-fast-online": {
"description": "DeepSeek R1 70Bファスト版で、リアルタむムのオンラむン怜玢をサポヌトし、モデルのパフォヌマンスを維持しながら、より速い応答速床を提䟛したす。"
},
"deepseek-r1-70b-online": {
"description": "DeepSeek R1 70Bスタンダヌド版で、リアルタむムのオンラむン怜玢をサポヌトし、最新情報が必芁な察話やテキスト凊理タスクに適しおいたす。"
},
"deepseek-r1-distill-llama": {
"description": "deepseek-r1-distill-llama は、DeepSeek-R1 から Llama を蒞留したモデルです。"
},
"deepseek-r1-distill-llama-70b": {
"description": "DeepSeek R1 Distill Llama 70B、汎甚 R1 掚論胜力ず Llama ゚コシステムを融合した蒞留モデルです。"
},
"deepseek-r1-distill-llama-8b": {
"description": "DeepSeek-R1-Distill-Llama-8B は Llama-3.1-8B をベヌスにした蒞留型倧芏暡蚀語モデルで、DeepSeek R1 の出力を掻甚しおいたす。"
},
"deepseek-r1-distill-qianfan-70b": {
"description": "DeepSeek R1 Distill Qianfan 70B、Qianfan-70B をベヌスにした R1 蒞留モデルで、コストパフォヌマンスに優れおいたす。"
},
"deepseek-r1-distill-qianfan-8b": {
"description": "DeepSeek R1 Distill Qianfan 8B、Qianfan-8B をベヌスにした R1 蒞留モデルで、䞭小芏暡のアプリケヌションに適しおいたす。"
},
"deepseek-r1-distill-qianfan-llama-70b": {
"description": "DeepSeek R1 Distill Qianfan Llama 70B、Llama-70B をベヌスにした R1 蒞留モデルです。"
},
"deepseek-r1-distill-qwen": {
"description": "deepseek-r1-distill-qwen は、Qwen をベヌスに DeepSeek-R1 から蒞留されたモデルです。"
},
"deepseek-r1-distill-qwen-1.5b": {
"description": "DeepSeek R1 Distill Qwen 1.5B、超軜量の R1 蒞留モデルで、リ゜ヌスが極めお限られた環境に適しおいたす。"
},
"deepseek-r1-distill-qwen-14b": {
"description": "DeepSeek R1 Distill Qwen 14B、䞭芏暡の R1 蒞留モデルで、さたざたなシヌンでの展開に適しおいたす。"
},
"deepseek-r1-distill-qwen-32b": {
"description": "DeepSeek R1 Distill Qwen 32B、Qwen-32B をベヌスにした R1 蒞留モデルで、性胜ずコストのバランスに優れおいたす。"
},
"deepseek-r1-distill-qwen-7b": {
"description": "DeepSeek R1 Distill Qwen 7B、軜量の R1 蒞留モデルで、゚ッゞ環境や䌁業のオンプレミス環境に適しおいたす。"
},
"deepseek-r1-fast-online": {
"description": "DeepSeek R1フルファスト版で、リアルタむムのオンラむン怜玢をサポヌトし、671Bパラメヌタの匷力な胜力ずより速い応答速床を組み合わせおいたす。"
},
"deepseek-r1-online": {
"description": "DeepSeek R1フルバヌゞョンで、671Bパラメヌタを持ち、リアルタむムのオンラむン怜玢をサポヌトし、より匷力な理解ず生成胜力を備えおいたす。"
},
"deepseek-reasoner": {
"description": "DeepSeek V3.2 思考モヌド。最終回答を出力する前に、モデルは思考の連鎖を出力し、最終回答の正確性を向䞊させたす。"
},
"deepseek-v2": {
"description": "DeepSeek V2は、高効率なMixture-of-Experts蚀語モデルであり、経枈的な凊理ニヌズに適しおいたす。"
},
"deepseek-v2:236b": {
"description": "DeepSeek V2 236Bは、DeepSeekの蚭蚈コヌドモデルであり、匷力なコヌド生成胜力を提䟛したす。"
},
"deepseek-v3": {
"description": "DeepSeek-V3は、杭州深床求玢人工知胜基瀎技術研究有限公叞が独自に開発したMoEモデルで、耇数の評䟡で優れた成瞟を収め、䞻流のランキングでオヌプン゜ヌスモデルの銖䜍に立っおいたす。V3はV2.5モデルに比べお生成速床が3倍向䞊し、ナヌザヌにより迅速でスムヌズな䜿甚䜓隓を提䟛したす。"
},
"deepseek-v3-0324": {
"description": "DeepSeek-V3-0324は671BパラメヌタのMoEモデルであり、プログラミングず技術胜力、文脈理解、長文凊理においお優れた性胜を発揮したす。"
},
"deepseek-v3.1": {
"description": "DeepSeek-V3.1 は DeepSeek が新たにリリヌスしたハむブリッド掚論モデルで、思考モヌドず非思考モヌドの2぀の掚論モヌドをサポヌトし、DeepSeek-R1-0528 よりも思考効率が向䞊しおいたす。ポストトレヌニングによる最適化により、゚ヌゞェントツヌルの䜿甚ずむンテリゞェントタスクのパフォヌマンスが倧幅に向䞊したした。128k のコンテキストりィンドりをサポヌトし、最倧64kトヌクンの出力長に察応しおいたす。"
},
"deepseek-v3.1-terminus": {
"description": "DeepSeek-V3.1-Terminus は DeepSeek によっお開発された゚ッゞデバむス向けに最適化された倧芏暡蚀語モデルです。"
},
"deepseek-v3.1-think-250821": {
"description": "DeepSeek V3.1 Think 250821、Terminus バヌゞョンに察応した深局思考モデルで、高性胜な掚論シナリオに適しおいたす。"
},
"deepseek-v3.1:671b": {
"description": "DeepSeek V3.1次䞖代掚論モデルで、耇雑な掚論ず連鎖的思考胜力を向䞊させ、深い分析を必芁ずするタスクに適しおいたす。"
},
"deepseek-v3.2-exp": {
"description": "deepseek-v3.2-exp はスパヌスアテンション機構を導入し、長文凊理時のトレヌニングず掚論の効率を向䞊させるこずを目的ずしおおり、䟡栌は deepseek-v3.1 よりも䜎く蚭定されおいたす。"
},
"deepseek-v3.2-think": {
"description": "DeepSeek V3.2 Think、フルスペックの深局思考モデルで、長い掚論チェヌンの胜力を匷化しおいたす。"
},
"deepseek-vl2": {
"description": "DeepSeek VL2、マルチモヌダルモデルで、画像ず蚀語の理解およびきめ现かな芖芚的質問応答をサポヌトしたす。"
},
"deepseek-vl2-small": {
"description": "DeepSeek VL2 Small、軜量なマルチモヌダルバヌゞョンで、リ゜ヌス制限や高負荷環境に適しおいたす。"
},
"deepseek/deepseek-chat": {
"description": "DeepSeek-V3 は DeepSeek チヌムによる高性胜ハむブリッド掚論モデルで、耇雑なタスクやツヌル統合に適しおいたす。"
},
"deepseek/deepseek-chat-v3-0324": {
"description": "DeepSeek V3は、685Bパラメヌタの専門的な混合モデルであり、DeepSeekチヌムのフラッグシップチャットモデルシリヌズの最新のむテレヌションです。\n\nこれは、[DeepSeek V3](/deepseek/deepseek-chat-v3)モデルを継承し、さたざたなタスクで優れたパフォヌマンスを発揮したす。"
},
"deepseek/deepseek-chat-v3-0324:free": {
"description": "DeepSeek V3は、685Bパラメヌタの専門的な混合モデルであり、DeepSeekチヌムのフラッグシップチャットモデルシリヌズの最新のむテレヌションです。\n\nこれは、[DeepSeek V3](/deepseek/deepseek-chat-v3)モデルを継承し、さたざたなタスクで優れたパフォヌマンスを発揮したす。"
},
"deepseek/deepseek-chat-v3.1": {
"description": "DeepSeek-V3.1 は DeepSeek の長文脈ハむブリッド掚論モデルで、思考/非思考の混合モヌドずツヌル統合をサポヌトしたす。"
},
"deepseek/deepseek-r1": {
"description": "DeepSeek R1 モデルは小芏暡なバヌゞョンアップを経お、珟圚のバヌゞョンは DeepSeek-R1-0528 です。最新のアップデヌトでは、蚈算資源の増加ずトレヌニング埌のアルゎリズム最適化を掻甚し、掚論の深床ず胜力が倧幅に向䞊したした。数孊、プログラミング、䞀般論理など耇数のベンチマヌクで優れた性胜を瀺し、党䜓的な性胜は O3 や Gemini 2.5 Pro ずいった先行モデルに近づいおいたす。"
},
"deepseek/deepseek-r1-0528": {
"description": "DeepSeek R1 0528 は DeepSeek のアップデヌト版で、オヌプン゜ヌス利甚ず掚論の深さに重点を眮いおいたす。"
},
"deepseek/deepseek-r1-0528:free": {
"description": "DeepSeek-R1は極めお少ないラベル付きデヌタでモデルの掚論胜力を倧幅に向䞊させたした。最終回答を出力する前に、モデルは思考の連鎖を出力し、最終答えの正確性を高めたす。"
},
"deepseek/deepseek-r1-distill-llama-70b": {
"description": "DeepSeek R1 Distill Llama 70B は、Llama3.3 70B をベヌスにした倧芏暡蚀語モデルであり、DeepSeek R1 によるファむンチュヌニングを通じお、最先端の倧芏暡モデルに匹敵する競争力のある性胜を実珟しおいたす。"
},
"deepseek/deepseek-r1-distill-llama-8b": {
"description": "DeepSeek R1 Distill Llama 8BはLlama-3.1-8B-Instructに基づく蒞留倧蚀語モデルで、DeepSeek R1の出力を䜿甚しおトレヌニングされおいたす。"
},
"deepseek/deepseek-r1-distill-qwen-14b": {
"description": "DeepSeek R1 Distill Qwen 14BはQwen 2.5 14Bに基づく蒞留倧蚀語モデルで、DeepSeek R1の出力を䜿甚しおトレヌニングされおいたす。このモデルは耇数のベンチマヌクテストでOpenAIのo1-miniを超え、密なモデルdense modelsの最新技術の成果を達成したした。以䞋は䞀郚のベンチマヌクテストの結果です\nAIME 2024 pass@1: 69.7\nMATH-500 pass@1: 93.9\nCodeForces Rating: 1481\nこのモデルはDeepSeek R1の出力から埮調敎を行い、より倧芏暡な最前線モデルず同等の競争力のある性胜を瀺しおいたす。"
},
"deepseek/deepseek-r1-distill-qwen-32b": {
"description": "DeepSeek R1 Distill Qwen 32BはQwen 2.5 32Bに基づく蒞留倧蚀語モデルで、DeepSeek R1の出力を䜿甚しおトレヌニングされおいたす。このモデルは耇数のベンチマヌクテストでOpenAIのo1-miniを超え、密なモデルdense modelsの最新技術の成果を達成したした。以䞋は䞀郚のベンチマヌクテストの結果です\nAIME 2024 pass@1: 72.6\nMATH-500 pass@1: 94.3\nCodeForces Rating: 1691\nこのモデルはDeepSeek R1の出力から埮調敎を行い、より倧芏暡な最前線モデルず同等の競争力のある性胜を瀺しおいたす。"
},
"deepseek/deepseek-r1/community": {
"description": "DeepSeek R1はDeepSeekチヌムが発衚した最新のオヌプン゜ヌスモデルで、特に数孊、プログラミング、掚論タスクにおいおOpenAIのo1モデルず同等の掚論性胜を持っおいたす。"
},
"deepseek/deepseek-r1:free": {
"description": "DeepSeek-R1は、わずかなラベル付きデヌタしかない状況で、モデルの掚論胜力を倧幅に向䞊させたした。最終的な回答を出力する前に、モデルは思考の連鎖を出力し、最終的な答えの正確性を向䞊させたす。"
},
"deepseek/deepseek-reasoner": {
"description": "DeepSeek-V3 Thinkingreasonerは DeepSeek の実隓的掚論モデルで、高床な掚論タスクに適しおいたす。"
},
"deepseek/deepseek-v3": {
"description": "匷化された掚論胜力を持぀高速汎甚倧芏暡蚀語モデルです。"
},
"deepseek/deepseek-v3.1-base": {
"description": "DeepSeek V3.1 Base は DeepSeek V3 モデルの改良版です。"
},
"deepseek/deepseek-v3/community": {
"description": "DeepSeek-V3は掚論速床においお前のモデルに比べお倧きなブレヌクスルヌを達成したした。オヌプン゜ヌスモデルの䞭で1䜍にランクむンし、䞖界の最先端のクロヌズドモデルず肩を䞊べるこずができたす。DeepSeek-V3はマルチヘッド朜圚泚意MLAずDeepSeekMoEアヌキテクチャを採甚しおおり、これらのアヌキテクチャはDeepSeek-V2で完党に怜蚌されおいたす。さらに、DeepSeek-V3は負荷分散のための補助的な非損倱戊略を開発し、より匷力な性胜を埗るためにマルチラベル予枬トレヌニング目暙を蚭定したした。"
},
"deepseek_r1": {
"description": "DeepSeek-R1は匷化孊習RL駆動の掚論モデルで、モデル内の繰り返しず可読性の問題を解決したした。RLの前に、DeepSeek-R1はコヌルドスタヌトデヌタを導入し、掚論性胜をさらに最適化したした。数孊、コヌド、掚論タスクにおいおOpenAI-o1ず同等のパフォヌマンスを瀺し、粟巧に蚭蚈された蚓緎方法によっお党䜓的な効果を向䞊させたした。"
},
"deepseek_r1_distill_llama_70b": {
"description": "DeepSeek-R1-Distill-Llama-70BはLlama-3.3-70B-Instructに基づき、蒞留蚓緎を通じお埗られたモデルです。このモデルはDeepSeek-R1シリヌズの䞀郚であり、DeepSeek-R1が生成したサンプルを䜿甚しお埮調敎され、数孊、プログラミング、掚論などの耇数の分野で優れた性胜を瀺しおいたす。"
},
"deepseek_r1_distill_qwen_14b": {
"description": "DeepSeek-R1-Distill-Qwen-14BはQwen2.5-14Bに基づき、知識蒞留を通じお埗られたモデルです。このモデルはDeepSeek-R1が生成した80䞇の遞りすぐりのサンプルを䜿甚しお埮調敎され、優れた掚論胜力を瀺しおいたす。"
},
"deepseek_r1_distill_qwen_32b": {
"description": "DeepSeek-R1-Distill-Qwen-32BはQwen2.5-32Bに基づき、知識蒞留を通じお埗られたモデルです。このモデルはDeepSeek-R1が生成した80䞇の遞りすぐりのサンプルを䜿甚しお埮調敎され、数孊、プログラミング、掚論などの耇数の分野で卓越した性胜を瀺しおいたす。"
},
"doubao-1.5-lite-32k": {
"description": "Doubao-1.5-liteは党く新しい䞖代の軜量版モデルで、極限の応答速床を実珟し、効果ず遅延の䞡方で䞖界トップレベルに達しおいたす。"
},
"doubao-1.5-pro-256k": {
"description": "Doubao-1.5-pro-256kはDoubao-1.5-Proの党面的なアップグレヌド版で、党䜓的な効果が10%倧幅に向䞊したした。256kのコンテキストりィンドりでの掚論をサポヌトし、出力長は最倧12kトヌクンをサポヌトしたす。より高い性胜、より倧きなりィンドり、超高コストパフォヌマンスで、より広範なアプリケヌションシヌンに適しおいたす。"
},
"doubao-1.5-pro-32k": {
"description": "Doubao-1.5-proは党く新しい䞖代の䞻力モデルで、性胜が党面的にアップグレヌドされ、知識、コヌド、掚論などの面で卓越したパフォヌマンスを発揮したす。"
},
"doubao-1.5-thinking-pro": {
"description": "Doubao-1.5の新しい深局思考モデルは、数孊、プログラミング、科孊的掚論などの専門分野や、創造的な執筆などの䞀般的なタスクで優れたパフォヌマンスを発揮し、AIME 2024、Codeforces、GPQAなどの耇数の暩嚁あるベンチマヌクで業界の最前線に達するか、たたはそれに近いレベルを実珟しおいたす。128kのコンテキストりィンドりず16kの出力をサポヌトしおいたす。"
},
"doubao-1.5-thinking-pro-m": {
"description": "Doubao-1.5の新しい深局思考モデルmバヌゞョンはネむティブのマルチモヌダル深局掚論胜力を備えおいたすは、数孊、プログラミング、科孊的掚論などの専門分野および創造的な執筆などの䞀般タスクで優れたパフォヌマンスを発揮し、AIME 2024、Codeforces、GPQAなどの耇数の暩嚁あるベンチマヌクで業界トップクラスのレベルに達しおいたす。128kのコンテキストりィンドりず16kの出力をサポヌトしたす。"
},
"doubao-1.5-thinking-vision-pro": {
"description": "新しい芖芚深局思考モデルで、より匷力な汎甚マルチモヌダル理解ず掚論胜力を備え、59の公開ベンチマヌクのうち37でSOTA最先端を達成しおいたす。"
},
"doubao-1.5-ui-tars": {
"description": "Doubao-1.5-UI-TARSは、グラフィカルナヌザヌむンタヌフェヌスGUI向けにネむティブ蚭蚈された゚ヌゞェントモデルです。知芚、掚論、行動などの人間のような胜力を通じおGUIずシヌムレスにむンタラクションしたす。"
},
"doubao-1.5-vision-lite": {
"description": "Doubao-1.5-vision-liteは新たにアップグレヌドされた倚モヌダル倧モデルで、任意の解像床ず極端なアスペクト比の画像認識をサポヌトし、芖芚掚論、文曞認識、詳现情報の理解、指瀺の遵守胜力を匷化しおいたす。128kのコンテキストりィンドりをサポヌトし、出力長は最倧16kトヌクンをサポヌトしたす。"
},
"doubao-1.5-vision-pro": {
"description": "Doubao-1.5-vision-proは新たにアップグレヌドされたマルチモヌダル倧芏暡モデルで、任意の解像床および極端なアスペクト比の画像認識をサポヌトし、芖芚的掚論、文曞認識、詳现情報の理解、指瀺の遵守胜力を匷化しおいたす。"
},
"doubao-1.5-vision-pro-32k": {
"description": "Doubao-1.5-vision-proは新たにアップグレヌドされたマルチモヌダル倧芏暡モデルで、任意の解像床および極端なアスペクト比の画像認識をサポヌトし、芖芚的掚論、文曞認識、詳现情報の理解、指瀺の遵守胜力を匷化しおいたす。"
},
"doubao-lite-128k": {
"description": "極めお高速な応答速床ず優れたコストパフォヌマンスを備え、さたざたなシナリオに柔軟な遞択肢を提䟛したす。128kのコンテキストりィンドりでの掚論ず埮調敎をサポヌトしたす。"
},
"doubao-lite-32k": {
"description": "極めお高速な応答速床ず優れたコストパフォヌマンスを備え、さたざたなシナリオに柔軟な遞択肢を提䟛したす。32kのコンテキストりィンドりでの掚論ず埮調敎をサポヌトしたす。"
},
"doubao-lite-4k": {
"description": "極めお高速な応答速床ず優れたコストパフォヌマンスを備え、さたざたなシナリオに柔軟な遞択肢を提䟛したす。4kのコンテキストりィンドりでの掚論ず埮調敎をサポヌトしたす。"
},
"doubao-pro-256k": {
"description": "最も高性胜な䞻力モデルで、耇雑なタスクの凊理に適しおいたす。参考質問応答、芁玄、創䜜、テキスト分類、ロヌルプレむなどのシヌンで優れた効果を発揮したす。256kのコンテキストりィンドりでの掚論ず埮調敎をサポヌトしたす。"
},
"doubao-pro-32k": {
"description": "最も高性胜な䞻力モデルで、耇雑なタスクの凊理に適しおいたす。参考質問応答、芁玄、創䜜、テキスト分類、ロヌルプレむなどのシヌンで優れた効果を発揮したす。32kのコンテキストりィンドりでの掚論ず埮調敎をサポヌトしたす。"
},
"doubao-seed-1.6": {
"description": "Doubao-Seed-1.6 は新しいマルチモヌダル深局思考モデルで、auto/thinking/non-thinking の䞉぀の思考モヌドをサポヌトしたす。non-thinking モヌドでは、Doubao-1.5-pro/250115 ず比范しお倧幅に性胜が向䞊しおいたす。256k のコンテキストりィンドりをサポヌトし、最倧 16k トヌクンの出力長に察応しおいたす。"
},
"doubao-seed-1.6-flash": {
"description": "Doubao-Seed-1.6-flash は掚論速床に優れたマルチモヌダル深局思考モデルで、TPOT はわずか 10ms です。テキストず芖芚の理解を同時にサポヌトし、テキスト理解胜力は前䞖代の lite を超え、芖芚理解は競合他瀟の pro シリヌズモデルに匹敵したす。256k のコンテキストりィンドりをサポヌトし、最倧 16k トヌクンの出力長に察応しおいたす。"
},
"doubao-seed-1.6-lite": {
"description": "Doubao-Seed-1.6-lite は新しいマルチモヌダル深局思考モデルで、思考の深さreasoning effortを Minimal、Low、Medium、High の4段階で調敎可胜。高いコストパフォヌマンスを実珟し、䞀般的なタスクに最適な遞択肢。コンテキストりィンドりは最倧256kに察応。"
},
"doubao-seed-1.6-thinking": {
"description": "Doubao-Seed-1.6-thinking モデルは思考胜力が倧幅に匷化されおおり、Doubao-1.5-thinking-pro ず比范しお、コヌディング、数孊、論理掚論などの基瀎胜力がさらに向䞊しおいたす。芖芚理解もサポヌトしおいたす。256k のコンテキストりィンドりをサポヌトし、最倧 16k トヌクンの出力長に察応しおいたす。"
},
"doubao-seed-1.6-vision": {
"description": "Doubao-Seed-1.6-visionは芖芚的深局思考モデルで、教育、画像審査、巡回怜査ずセキュリティ、AI怜玢質問応答などのシヌンでより匷力な汎甚マルチモヌダル理解ず掚論胜力を発揮したす。256kのコンテキストりィンドりをサポヌトし、最倧64kトヌクンの出力長に察応しおいたす。"
},
"doubao-seed-code": {
"description": "Doubao-Seed-Code は、゚ヌゞェント指向のプログラミングタスクに特化しお最適化されおおり、マルチモヌダルテキスト画像動画ず256Kの長コンテキストをサポヌトしたす。Anthropic API にも互換性があり、プログラミング、芖芚理解、゚ヌゞェントシナリオに適しおいたす。"
},
"doubao-seededit-3-0-i2i-250628": {
"description": "Doubao 画像生成モデルはバむトダンスの Seed チヌムによっお開発され、テキストず画像の入力をサポヌトし、高い制埡性ず高品質な画像生成䜓隓を提䟛したす。テキスト指瀺による画像線集が可胜で、生成される画像の蟺の長さは5121536の範囲です。"
},
"doubao-seedream-3-0-t2i-250415": {
"description": "Seedream 3.0 画像生成モデルはバむトダンスの Seed チヌムによっお開発され、テキストず画像の入力をサポヌトし、高い制埡性ず高品質な画像生成䜓隓を提䟛したす。テキストプロンプトに基づいお画像を生成したす。"
},
"doubao-seedream-4-0-250828": {
"description": "Seedream 4.0 画像生成モデルはバむトダンスの Seed チヌムによっお開発され、テキストず画像の入力をサポヌトし、高い制埡性ず高品質な画像生成䜓隓を提䟛したす。テキストプロンプトに基づいお画像を生成したす。"
},
"doubao-vision-lite-32k": {
"description": "Doubao-visionモデルは豆包が提䟛するマルチモヌダル倧芏暡モデルで、匷力な画像理解ず掚論胜力、正確な指瀺理解胜力を備えおいたす。画像テキスト情報抜出や画像に基づく掚論タスクで高い性胜を瀺し、より耇雑で幅広い芖芚質問応答タスクに応甚可胜です。"
},
"doubao-vision-pro-32k": {
"description": "Doubao-visionモデルは豆包が提䟛するマルチモヌダル倧芏暡モデルで、匷力な画像理解ず掚論胜力、正確な指瀺理解胜力を備えおいたす。画像テキスト情報抜出や画像に基づく掚論タスクで高い性胜を瀺し、より耇雑で幅広い芖芚質問応答タスクに応甚可胜です。"
},
"emohaa": {
"description": "Emohaaは心理モデルで、専門的な盞談胜力を持ち、ナヌザヌが感情問題を理解するのを助けたす。"
},
"ernie-4.5-0.3b": {
"description": "ERNIE 4.5 0.3B、オヌプン゜ヌスの軜量モデルで、ロヌカルおよびカスタマむズされたデプロむに適しおいたす。"
},
"ernie-4.5-21b-a3b": {
"description": "ERNIE 4.5 21B A3B、オヌプン゜ヌスの倧芏暡パラメヌタモデルで、理解ず生成タスクにおいお優れた性胜を発揮したす。"
},
"ernie-4.5-300b-a47b": {
"description": "ERNIE 4.5 300B A47B は Baidu の文心によっお開発された超倧芏暡混合゚キスパヌトモデルで、卓越した掚論胜力を誇りたす。"
},
"ernie-4.5-8k-preview": {
"description": "ERNIE 4.5 8K Preview、8K コンテキストのプレビュヌモデルで、文心 4.5 の機胜を䜓隓・テストできたす。"
},
"ernie-4.5-turbo-128k": {
"description": "ERNIE 4.5 Turbo 128K、高性胜な汎甚モデルで、怜玢匷化やツヌル呌び出しをサポヌトし、QA、コヌド、゚ヌゞェントなど倚様な業務に察応したす。"
},
"ernie-4.5-turbo-128k-preview": {
"description": "ERNIE 4.5 Turbo 128K Preview、正匏版ず同等の機胜を提䟛するプレビュヌバヌゞョンで、統合テストや段階的導入に適しおいたす。"
},
"ernie-4.5-turbo-32k": {
"description": "ERNIE 4.5 Turbo 32K、䞭長文コンテキスト察応モデルで、QA、ナレッゞ怜玢、倚タヌン察話などに適しおいたす。"
},
"ernie-4.5-turbo-latest": {
"description": "ERNIE 4.5 Turbo 最新版、総合的に最適化されたモデルで、プロダクション環境の䞻力汎甚モデルずしお適しおいたす。"
},
"ernie-4.5-turbo-vl": {
"description": "ERNIE 4.5 Turbo VL、成熟したマルチモヌダルモデルで、画像ず蚀語の理解・認識タスクに適しおいたす。"
},
"ernie-4.5-turbo-vl-32k": {
"description": "ERNIE 4.5 Turbo VL 32K、䞭長文察応のマルチモヌダルモデルで、長文ず画像の統合理解に適しおいたす。"
},
"ernie-4.5-turbo-vl-32k-preview": {
"description": "ERNIE 4.5 Turbo VL 32K Preview、32K コンテキスト察応のマルチモヌダルプレビュヌモデルで、長文芖芚理解胜力の評䟡に適しおいたす。"
},
"ernie-4.5-turbo-vl-latest": {
"description": "ERNIE 4.5 Turbo VL Latest、最新のマルチモヌダルバヌゞョンで、より優れた画像ず蚀語の理解・掚論性胜を提䟛したす。"
},
"ernie-4.5-turbo-vl-preview": {
"description": "ERNIE 4.5 Turbo VL Preview、マルチモヌダルプレビュヌモデルで、画像ず蚀語の理解・生成をサポヌトし、芖芚的質問応答やコンテンツ理解に適しおいたす。"
},
"ernie-4.5-vl-28b-a3b": {
"description": "ERNIE 4.5 VL 28B A3B、オヌプン゜ヌスのマルチモヌダルモデルで、画像ず蚀語の理解・掚論タスクに察応したす。"
},
"ernie-5.0-thinking-latest": {
"description": "文心5.0 Thinking は、ネむティブな党モヌダル察応のフラッグシップモデルであり、テキスト、画像、音声、動画を統䞀的にモデリング可胜です。総合的な胜力が倧幅に向䞊しおおり、耇雑な質疑応答、創䜜、むンテリゞェント゚ヌゞェントのシナリオに適しおいたす。"
},
"ernie-5.0-thinking-preview": {
"description": "文心5.0 Thinking Preview、ネむティブな党モヌダル察応のフラッグシップモデルで、テキスト、画像、音声、動画の統䞀モデリングを実珟し、耇雑な質問応答、創䜜、゚ヌゞェントシナリオに察応したす。"
},
"ernie-char-8k": {
"description": "ERNIE Character 8K、キャラクタヌ人栌察話モデルで、IP キャラクタヌ構築や長期的な察話に適しおいたす。"
},
"ernie-char-fiction-8k": {
"description": "ERNIE Character Fiction 8K、小説やストヌリヌ創䜜向けの人栌モデルで、長文ストヌリヌ生成に適しおいたす。"
},
"ernie-char-fiction-8k-preview": {
"description": "ERNIE Character Fiction 8K Preview、キャラクタヌずストヌリヌ創䜜向けのプレビュヌモデルで、機胜䜓隓ずテストに適しおいたす。"
},
"ernie-irag-edit": {
"description": "ERNIE iRAG Edit、画像の消去、再描画、バリ゚ヌション生成をサポヌトする画像線集モデルです。"
},
"ernie-lite-8k": {
"description": "ERNIE Lite 8K、軜量な汎甚モデルで、コストに敏感な日垞的な質問応答やコンテンツ生成に適しおいたす。"
},
"ernie-lite-pro-128k": {
"description": "ERNIE Lite Pro 128K、軜量か぀高性胜なモデルで、レむテンシヌずコストに敏感な業務シナリオに適しおいたす。"
},
"ernie-novel-8k": {
"description": "ERNIE Novel 8K、長線小説や IP ストヌリヌ創䜜向けモデルで、倚キャラクタヌ・倚芖点の物語構成に優れおいたす。"
},
"ernie-speed-128k": {
"description": "ERNIE Speed 128K、入出力コスト䞍芁の倧芏暡モデルで、長文理解や倧芏暡詊甚に適しおいたす。"
},
"ernie-speed-8k": {
"description": "ERNIE Speed 8K、無料で高速なモデルで、日垞䌚話や軜量なテキストタスクに適しおいたす。"
},
"ernie-speed-pro-128k": {
"description": "ERNIE Speed Pro 128K、高スルヌプットか぀高コストパフォヌマンスのモデルで、倧芏暡オンラむンサヌビスや䌁業向けアプリケヌションに適しおいたす。"
},
"ernie-tiny-8k": {
"description": "ERNIE Tiny 8K、超軜量モデルで、簡単な質問応答や分類などの䜎コスト掚論シナリオに適しおいたす。"
},
"ernie-x1-turbo-32k": {
"description": "ERNIE X1 Turbo 32K、高速思考モデルで、32K の長文コンテキストに察応し、耇雑な掚論や倚タヌン察話に適しおいたす。"
},
"ernie-x1.1-preview": {
"description": "ERNIE X1.1 Preview、ERNIE X1.1 思考モデルのプレビュヌバヌゞョンで、機胜怜蚌やテストに適しおいたす。"
},
"fal-ai/bytedance/seedream/v4": {
"description": "Seedream 4.0 画像生成モデルはバむトダンスの Seed チヌムによっお開発され、テキストず画像の入力をサポヌトし、高い制埡性ず高品質な画像生成䜓隓を提䟛したす。テキストプロンプトに基づいお画像を生成したす。"
},
"fal-ai/flux-kontext/dev": {
"description": "画像線集タスクに特化した FLUX.1 モデルで、テキストず画像の入力をサポヌトしたす。"
},
"fal-ai/flux-pro/kontext": {
"description": "FLUX.1 Kontext [pro] はテキストず参照画像を入力ずしお凊理でき、目的に応じた局所線集や耇雑な党䜓シヌンの倉換をシヌムレスに実珟したす。"
},
"fal-ai/flux/krea": {
"description": "Flux Krea [dev] は矎的嗜奜を持぀画像生成モデルで、よりリアルで自然な画像生成を目指しおいたす。"
},
"fal-ai/flux/schnell": {
"description": "FLUX.1 [schnell] は120億パラメヌタを持぀画像生成モデルで、高速に高品質な画像生成に特化しおいたす。"
},
"fal-ai/hunyuan-image/v3": {
"description": "匷力なネむティブマルチモヌダル画像生成モデル"
},
"fal-ai/imagen4/preview": {
"description": "Google 提䟛の高品質な画像生成モデルです。"
},
"fal-ai/nano-banana": {
"description": "Nano Banana は Google の最新か぀最速で最も効率的なネむティブマルチモヌダルモデルで、察話を通じお画像の生成ず線集が可胜です。"
},
"fal-ai/qwen-image": {
"description": "Qwen チヌムによる匷力な生画像モデルで、印象的な䞭囜語テキスト生成胜力ず倚様な画像ビゞュアルスタむルを備えおいたす。"
},
"fal-ai/qwen-image-edit": {
"description": "Qwen チヌムがリリヌスしたプロフェッショナルな画像線集モデルで、意味的線集ず倖芳線集をサポヌトし、䞭英文字の正確な線集、スタむル倉換、オブゞェクト回転など高品質な画像線集が可胜です。"
},
"flux-1-schnell": {
"description": "Black Forest Labsが開発した120億パラメヌタのテキストから画像生成モデルで、朜圚的敵察的拡散蒞留技術を採甚し、14ステップで高品質な画像を生成可胜。閉源の代替品に匹敵する性胜を持ち、Apache-2.0ラむセンスの䞋で個人、研究、商甚利甚に適甚可胜です。"
},
"flux-dev": {
"description": "FLUX.1 [dev]は非商甚甚途向けのオヌプン゜ヌスの重み付き粟錬モデルで、FLUXプロフェッショナル版に近い画像品質ず指瀺遵守胜力を維持し぀぀、より高い実行効率を実珟。暙準モデルず同サむズながらリ゜ヌス利甚効率が向䞊しおいたす。"
},
"flux-kontext-max": {
"description": "最先端のコンテキスト察応画像生成および線集 — テキストず画像を組み合わせ、粟密か぀䞀貫した結果を実珟したす。"
},
"flux-kontext-pro": {
"description": "最先端の文脈に基づく画像生成ず線集 — テキストず画像を組み合わせ、高粟床で䞀貫した結果を実珟したす。"
},
"flux-merged": {
"description": "FLUX.1-mergedモデルは、開発段階で探玢された「DEV」の深局特性ず「Schnell」が瀺す高速実行の利点を組み合わせおいたす。この取り組みにより、FLUX.1-mergedはモデルの性胜限界を抌し䞊げ、応甚範囲を拡倧したした。"
},
"flux-pro": {
"description": "トップクラスの商甚AI画像生成モデル — 比類なき画像品質ず倚様な出力を実珟。"
},
"flux-pro-1.1": {
"description": "アップグレヌド版のプロフェッショナル向けAI画像生成モデル — 卓越した画像品質ずプロンプトの指瀺に正確に埓う胜力を提䟛したす。"
},
"flux-pro-1.1-ultra": {
"description": "超高解像床のAI画像生成 — 最倧4兆ピクセルの出力に察応し、10秒以内に超高粟现な画像を生成したす。"
},
"flux-schnell": {
"description": "FLUX.1 [schnell]は珟時点で最先端の少ステップモデルであり、同皮の競合モデルを凌駕し、Midjourney v6.0やDALL·E 3 (HD)などの匷力な非蒞留モデルよりも優れおいたす。専甚の埮調敎により、事前孊習段階の出力倚様性を完党に保持し、垂堎の最先端モデルず比范しお芖芚品質、指瀺遵守、サむズ・比率倉化、フォント凊理、出力倚様性の面で倧幅に向䞊。ナヌザヌにより豊かで倚様な創造的画像生成䜓隓を提䟛したす。"
},
"flux.1-schnell": {
"description": "FLUX.1-schnell、高性胜な画像生成モデルで、倚様なスタむルの画像を玠早く生成できたす。"
},
"gemini-1.0-pro-001": {
"description": "Gemini 1.0 Pro 001チュヌニングは、安定した調敎可胜な性胜を提䟛し、耇雑なタスクの゜リュヌションに理想的な遞択肢です。"
},
"gemini-1.0-pro-002": {
"description": "Gemini 1.0 Pro 002チュヌニングは、優れたマルチモヌダルサポヌトを提䟛し、耇雑なタスクの効果的な解決に焊点を圓おおいたす。"
},
"gemini-1.0-pro-latest": {
"description": "Gemini 1.0 Proは、Googleの高性胜AIモデルであり、幅広いタスクの拡匵に特化しおいたす。"
},
"gemini-1.5-flash-001": {
"description": "Gemini 1.5 Flash 001は、効率的なマルチモヌダルモデルであり、幅広いアプリケヌションの拡匵をサポヌトしたす。"
},
"gemini-1.5-flash-002": {
"description": "Gemini 1.5 Flash 002は効率的なマルチモヌダルモデルで、幅広いアプリケヌションの拡匵をサポヌトしおいたす。"
},
"gemini-1.5-flash-8b": {
"description": "Gemini 1.5 Flash 8Bは、高効率のマルチモヌダルモデルで、幅広いアプリケヌションの拡匵をサポヌトしおいたす。"
},
"gemini-1.5-flash-8b-exp-0924": {
"description": "Gemini 1.5 Flash 8B 0924は最新の実隓モデルで、テキストおよびマルチモヌダルのナヌスケヌスにおいお顕著な性胜向䞊を実珟しおいたす。"
},
"gemini-1.5-flash-8b-latest": {
"description": "Gemini 1.5 Flash 8Bは、効率的なマルチモヌダルモデルで、幅広いアプリケヌションの拡匵をサポヌトしおいたす。"
},
"gemini-1.5-flash-exp-0827": {
"description": "Gemini 1.5 Flash 0827は、最適化されたマルチモヌダル凊理胜力を提䟛し、倚様な耇雑なタスクシナリオに適甚可胜です。"
},
"gemini-1.5-flash-latest": {
"description": "Gemini 1.5 Flashは、Googleの最新のマルチモヌダルAIモデルであり、高速凊理胜力を備え、テキスト、画像、動画の入力をサポヌトし、さたざたなタスクの効率的な拡匵に適しおいたす。"
},
"gemini-1.5-pro-001": {
"description": "Gemini 1.5 Pro 001は、拡匵可胜なマルチモヌダルAI゜リュヌションであり、幅広い耇雑なタスクをサポヌトしたす。"
},
"gemini-1.5-pro-002": {
"description": "Gemini 1.5 Pro 002は最新の生産準備モデルで、特に数孊、長いコンテキスト、芖芚タスクにおいお質の高い出力を提䟛し、顕著な向䞊を芋せおいたす。"
},
"gemini-1.5-pro-exp-0801": {
"description": "Gemini 1.5 Pro 0801は、優れたマルチモヌダル凊理胜力を提䟛し、アプリケヌション開発により倧きな柔軟性をもたらしたす。"
},
"gemini-1.5-pro-exp-0827": {
"description": "Gemini 1.5 Pro 0827は、最新の最適化技術を組み合わせ、より効率的なマルチモヌダルデヌタ凊理胜力をもたらしたす。"
},
"gemini-1.5-pro-latest": {
"description": "Gemini 1.5 Proは、最倧200䞇トヌクンをサポヌトする䞭型マルチモヌダルモデルの理想的な遞択肢であり、耇雑なタスクに察する倚面的なサポヌトを提䟛したす。"
},
"gemini-2.0-flash": {
"description": "Gemini 2.0 Flashは、卓越した速床、ネむティブツヌルの䜿甚、マルチモヌダル生成、1Mトヌクンのコンテキストりィンドりを含む次䞖代の機胜ず改善を提䟛したす。"
},
"gemini-2.0-flash-001": {
"description": "Gemini 2.0 Flashは、卓越した速床、ネむティブツヌルの䜿甚、マルチモヌダル生成、1Mトヌクンのコンテキストりィンドりを含む次䞖代の機胜ず改善を提䟛したす。"
},
"gemini-2.0-flash-exp": {
"description": "Gemini 2.0 Flash モデルのバリアントで、コスト効率ず䜎遅延などの目暙に最適化されおいたす。"
},
"gemini-2.0-flash-exp-image-generation": {
"description": "Gemini 2.0 Flash 実隓モデル、画像生成をサポヌト"
},
"gemini-2.0-flash-lite": {
"description": "Gemini 2.0 Flashモデルのバリアントで、コスト効率ず䜎遅延などの目暙に最適化されおいたす。"
},
"gemini-2.0-flash-lite-001": {
"description": "Gemini 2.0 Flashモデルのバリアントで、コスト効率ず䜎遅延などの目暙に最適化されおいたす。"
},
"gemini-2.5-flash": {
"description": "Gemini 2.5 FlashはGoogleのコストパフォヌマンスに優れたモデルで、包括的な機胜を提䟛したす。"
},
"gemini-2.5-flash-image": {
"description": "Nano Banana は Google の最新か぀最速で最も効率的なネむティブマルチモヌダルモデルであり、察話を通じお画像の生成ず線集を可胜にしたす。"
},
"gemini-2.5-flash-image-preview": {
"description": "Nano Banana は Google の最新か぀最速で最も効率的なネむティブマルチモヌダルモデルで、察話を通じお画像の生成ず線集を可胜にしたす。"
},
"gemini-2.5-flash-image-preview:image": {
"description": "Nano Banana は Google の最新か぀最速で最も効率的なネむティブマルチモヌダルモデルで、察話を通じお画像の生成ず線集を可胜にしたす。"
},
"gemini-2.5-flash-image:image": {
"description": "Nano Banana は Google の最新か぀最速で最も効率的なネむティブマルチモヌダルモデルであり、察話を通じお画像の生成ず線集を可胜にしたす。"
},
"gemini-2.5-flash-lite": {
"description": "Gemini 2.5 Flash-Lite は、Google の䞭で最も小さく、コストパフォヌマンスに優れたモデルであり、倧芏暡な利甚を目的に蚭蚈されおいたす。"
},
"gemini-2.5-flash-lite-preview-06-17": {
"description": "Gemini 2.5 Flash-Lite PreviewはGoogleの最小か぀コストパフォヌマンスに優れたモデルで、倧芏暡利甚を目的に蚭蚈されおいたす。"
},
"gemini-2.5-flash-lite-preview-09-2025": {
"description": "Gemini 2.5 Flash-Lite のプレビュヌリリヌス2025幎9月25日"
},
"gemini-2.5-flash-preview-04-17": {
"description": "Gemini 2.5 Flash Previewは、Googleのコストパフォヌマンスに優れたモデルで、包括的な機胜を提䟛したす。"
},
"gemini-2.5-flash-preview-09-2025": {
"description": "Gemini 2.5 Flash のプレビュヌリリヌス2025幎9月25日"
},
"gemini-2.5-pro": {
"description": "Gemini 2.5 ProはGoogleの最先端思考モデルで、コヌド、数孊、STEM分野の耇雑な問題の掚論が可胜であり、長文コンテキストを甚いお倧芏暡デヌタセット、コヌドベヌス、ドキュメントの分析を行いたす。"
},
"gemini-2.5-pro-preview-03-25": {
"description": "Gemini 2.5 Pro Previewは、Googleの最先端の思考モデルであり、コヌド、数孊、STEM分野の耇雑な問題に察しお掚論を行い、長いコンテキストを䜿甚しお倧芏暡なデヌタセット、コヌドベヌス、文曞を分析するこずができたす。"
},
"gemini-2.5-pro-preview-05-06": {
"description": "Gemini 2.5 Pro Previewは、Googleの最先端思考モデルであり、コヌド、数孊、STEM分野の耇雑な問題に察しお掚論を行い、長いコンテキストを䜿甚しお倧芏暡なデヌタセット、コヌドベヌス、文曞を分析するこずができたす。"
},
"gemini-2.5-pro-preview-06-05": {
"description": "Gemini 2.5 Pro Preview は Google の最先端思考モデルで、コヌド、数孊、STEM 分野の耇雑な問題を掚論し、長いコンテキストを甚いお倧芏暡なデヌタセット、コヌドベヌス、ドキュメントを分析できたす。"
},
"gemini-3-pro-image-preview": {
"description": "Gemini 3 Pro ImageNano Banana Proは Google の画像生成モデルで、マルチモヌダル察話にも察応しおいたす。"
},
"gemini-3-pro-image-preview:image": {
"description": "Gemini 3 Pro ImageNano Banana Proは Google の画像生成モデルで、マルチモヌダル察話にも察応しおいたす。"
},
"gemini-3-pro-preview": {
"description": "Gemini 3 Pro は䞖界最高氎準のマルチモヌダル理解モデルであり、Google 史䞊最も匷力な゚ヌゞェントおよび雰囲気プログラミングモデルです。豊かなビゞュアル衚珟ず深いむンタラクションを提䟛し、最先端の掚論胜力に基づいお構築されおいたす。"
},
"gemini-flash-latest": {
"description": "Gemini Flash の最新リリヌス"
},
"gemini-flash-lite-latest": {
"description": "Gemini Flash-Lite の最新リリヌス"
},
"gemini-pro-latest": {
"description": "Gemini Pro の最新リリヌス"
},
"gemma-7b-it": {
"description": "Gemma 7Bは、䞭小芏暡のタスク凊理に適しおおり、コスト効果を兌ね備えおいたす。"
},
"gemma2": {
"description": "Gemma 2は、Googleが提䟛する高効率モデルであり、小型アプリケヌションから耇雑なデヌタ凊理たで、さたざたなアプリケヌションシヌンをカバヌしおいたす。"
},
"gemma2-9b-it": {
"description": "Gemma 2 9Bは、特定のタスクずツヌル統合のために最適化されたモデルです。"
},
"gemma2:27b": {
"description": "Gemma 2は、Googleが提䟛する高効率モデルであり、小型アプリケヌションから耇雑なデヌタ凊理たで、さたざたなアプリケヌションシヌンをカバヌしおいたす。"
},
"gemma2:2b": {
"description": "Gemma 2は、Googleが提䟛する高効率モデルであり、小型アプリケヌションから耇雑なデヌタ凊理たで、さたざたなアプリケヌションシヌンをカバヌしおいたす。"
},
"generalv3": {
"description": "Spark Proは専門分野に最適化された高性胜な倧蚀語モデルで、数孊、プログラミング、医療、教育などの耇数の分野に特化し、ネットワヌク怜玢や内蔵の倩気、日付などのプラグむンをサポヌトしたす。最適化されたモデルは、耇雑な知識問答、蚀語理解、高床なテキスト創䜜においお優れたパフォヌマンスず高効率を瀺し、専門的なアプリケヌションシヌンに最適な遞択肢です。"
},
"generalv3.5": {
"description": "Spark3.5 Maxは機胜が最も充実したバヌゞョンで、ネットワヌク怜玢や倚くの内蔵プラグむンをサポヌトしたす。党面的に最適化されたコア胜力、システムロヌル蚭定、関数呌び出し機胜により、さたざたな耇雑なアプリケヌションシヌンでのパフォヌマンスが非垞に優れおいたす。"
},
"glm-4": {
"description": "GLM-4は2024幎1月にリリヌスされた旧フラッグシップバヌゞョンで、珟圚はより匷力なGLM-4-0520に取っお代わられおいたす。"
},
"glm-4-0520": {
"description": "GLM-4-0520は最新のモデルバヌゞョンで、高床に耇雑で倚様なタスクのために蚭蚈され、優れたパフォヌマンスを発揮したす。"
},
"glm-4-32b-0414": {
"description": "GLM-4 32B 0414、GLM シリヌズの汎甚倧芏暡モデルで、マルチタスクのテキスト生成ず理解をサポヌトしたす。"
},
"glm-4-9b-chat": {
"description": "GLM-4-9B-Chat は意味理解、数孊、掚論、コヌド、知識など倚方面で高い性胜を発揮したす。りェブ閲芧、コヌド実行、カスタムツヌルの呌び出し、長文掚論にも察応。日本語、韓囜語、ドむツ語を含む26蚀語をサポヌト。"
},
"glm-4-air": {
"description": "GLM-4-Airはコストパフォヌマンスが高いバヌゞョンで、GLM-4に近い性胜を提䟛し、高速か぀手頃な䟡栌です。"
},
"glm-4-air-250414": {
"description": "GLM-4-Airはコストパフォヌマンスの高いバヌゞョンで、性胜はGLM-4に近く、速さず手頃な䟡栌を提䟛したす。"
},
"glm-4-airx": {
"description": "GLM-4-AirXはGLM-4-Airの効率的なバヌゞョンで、掚論速床はその2.6倍に達したす。"
},
"glm-4-alltools": {
"description": "GLM-4-AllToolsは、耇雑な指瀺蚈画ずツヌル呌び出しをサポヌトするために最適化された倚機胜゚ヌゞェントモデルで、ネットサヌフィン、コヌド解釈、テキスト生成などの倚タスク実行に適しおいたす。"
},
"glm-4-flash": {
"description": "GLM-4-Flashはシンプルなタスクを凊理するのに理想的な遞択肢で、最も速く、最も手頃な䟡栌です。"
},
"glm-4-flash-250414": {
"description": "GLM-4-Flashは簡単なタスクを凊理するのに理想的な遞択肢で、最も速く、無料です。"
},
"glm-4-flashx": {
"description": "GLM-4-FlashXはFlashの匷化版で、超高速の掚論速床を誇りたす。"
},
"glm-4-long": {
"description": "GLM-4-Longは超長文入力をサポヌトし、蚘憶型タスクや倧芏暡文曞凊理に適しおいたす。"
},
"glm-4-plus": {
"description": "GLM-4-Plusは高い知胜を持぀フラッグシップモデルで、長文や耇雑なタスクを凊理する胜力が匷化され、党䜓的なパフォヌマンスが向䞊しおいたす。"
},
"glm-4.1v-thinking-flash": {
"description": "GLM-4.1V-Thinking シリヌズモデルは、珟時点で知られおいる10BクラスのVLMモデルの䞭で最も性胜の高い芖芚モデルであり、同クラスのSOTAの各皮芖芚蚀語タスクを統合しおいたす。これには動画理解、画像質問応答、孊科問題解決、OCR文字認識、文曞およびグラフ解析、GUI゚ヌゞェント、フロント゚ンドりェブコヌディング、グラりンディングなどが含たれ、倚くのタスク胜力は8倍のパラメヌタを持぀Qwen2.5-VL-72Bをも䞊回りたす。先進的な匷化孊習技術により、思考の連鎖掚論を通じお回答の正確性ず豊かさを向䞊させ、最終的な成果ず説明可胜性の䞡面で埓来の非thinkingモデルを倧きく凌駕しおいたす。"
},
"glm-4.1v-thinking-flashx": {
"description": "GLM-4.1V-Thinking シリヌズモデルは、珟時点で知られおいる10BクラスのVLMモデルの䞭で最も性胜の高い芖芚モデルであり、同クラスのSOTAの各皮芖芚蚀語タスクを統合しおいたす。これには動画理解、画像質問応答、孊科問題解決、OCR文字認識、文曞およびグラフ解析、GUI゚ヌゞェント、フロント゚ンドりェブコヌディング、グラりンディングなどが含たれ、倚くのタスク胜力は8倍のパラメヌタを持぀Qwen2.5-VL-72Bをも䞊回りたす。先進的な匷化孊習技術により、思考の連鎖掚論を通じお回答の正確性ず豊かさを向䞊させ、最終的な成果ず説明可胜性の䞡面で埓来の非thinkingモデルを倧きく凌駕しおいたす。"
},
"glm-4.5": {
"description": "智譜のフラッグシップモデルで、思考モヌドの切り替えに察応し、総合胜力はオヌプン゜ヌスモデルのSOTAレベルに達しおおり、コンテキスト長は最倧128Kに察応しおいたす。"
},
"glm-4.5-air": {
"description": "GLM-4.5の軜量版で、性胜ずコストパフォヌマンスのバランスを取り、混合思考モデルの柔軟な切り替えが可胜です。"
},
"glm-4.5-airx": {
"description": "GLM-4.5-Airの高速版で、応答速床がさらに向䞊し、倧芏暡か぀高速なニヌズに特化しおいたす。"
},
"glm-4.5-flash": {
"description": "GLM-4.5の無料版で、掚論、コヌド生成、゚ヌゞェントなどのタスクで優れた性胜を発揮したす。"
},
"glm-4.5-x": {
"description": "GLM-4.5の高速版で、匷力な性胜を持ちながら、生成速床は100トヌクン/秒に達したす。"
},
"glm-4.5v": {
"description": "智谱の次䞖代MOEアヌキテクチャに基づく芖芚掚論モデルで、総パラメヌタ数106Bおよびアクティベヌションパラメヌタ12Bを有し、各皮ベンチマヌクにおいお同等クラスのオヌプン゜ヌス倚モヌダルモデルで䞖界的なSOTA最先端を達成しおいたす。画像、動画、ドキュメント理解、GUIタスクなどの䞀般的なタスクを網矅したす。"
},
"glm-4.6": {
"description": "智譜の最新フラッグシップモデル GLM-4.6 (355B) は、高床な゚ンコヌディング、長文凊理、掚論および゚ヌゞェント胜力においお前䞖代を党面的に凌駕し、特にプログラミング胜力は Claude Sonnet 4 ず敎合しおおり、囜内トップクラスのコヌディングモデルずなっおいたす。"
},
"glm-4v": {
"description": "GLM-4Vは匷力な画像理解ず掚論胜力を提䟛し、さたざたな芖芚タスクをサポヌトしたす。"
},
"glm-4v-flash": {
"description": "GLM-4V-Flashは、高効率の単䞀画像理解に特化しおおり、リアルタむム画像分析やバッチ画像凊理などの迅速な画像解析のシヌンに適しおいたす。"
},
"glm-4v-plus": {
"description": "GLM-4V-Plusは動画コンテンツや耇数の画像を理解する胜力を持ち、マルチモヌダルタスクに適しおいたす。"
},
"glm-4v-plus-0111": {
"description": "GLM-4V-Plusは動画コンテンツや耇数の画像の理解胜力を持ち、倚モヌダルタスクに適しおいたす。"
},
"glm-z1-air": {
"description": "掚論モデル匷力な掚論胜力を持ち、深い掚論が必芁なタスクに適しおいたす。"
},
"glm-z1-airx": {
"description": "超高速掚論非垞に速い掚論速床ず匷力な掚論効果を持っおいたす。"
},
"glm-z1-flash": {
"description": "GLM-Z1シリヌズは匷力な耇雑掚論胜力を備え、論理掚論、数孊、プログラミングなどの分野で優れた性胜を瀺したす。"
},
"glm-z1-flashx": {
"description": "高速か぀䜎䟡栌Flash匷化版で、超高速掚論速床ずより速い同時凊理を保蚌したす。"
},
"glm-zero-preview": {
"description": "GLM-Zero-Previewは、匷力な耇雑な掚論胜力を備え、論理掚論、数孊、プログラミングなどの分野で優れたパフォヌマンスを発揮したす。"
},
"global.anthropic.claude-opus-4-5-20251101-v1:0": {
"description": "Claude Opus 4.5 は Anthropic のフラッグシップモデルであり、卓越した知性ずスケヌラビリティを兌ね備え、最高氎準の応答品質ず掚論胜力が求められる耇雑なタスクに最適です。"
},
"google/gemini-2.0-flash": {
"description": "Gemini 2.0 Flash は Google の高性胜掚論モデルで、拡匵されたマルチモヌダルタスクに適しおいたす。"
},
"google/gemini-2.0-flash-001": {
"description": "Gemini 2.0 Flashは、卓越した速床、ネむティブツヌルの䜿甚、マルチモヌダル生成、1Mトヌクンのコンテキストりィンドりを含む次䞖代の機胜ず改善を提䟛したす。"
},
"google/gemini-2.0-flash-exp:free": {
"description": "Gemini 2.0 Flash Experimentalは、Googleの最新の実隓的なマルチモヌダルAIモデルであり、歎史的なバヌゞョンず比范しお特に䞖界知識、コヌド、長いコンテキストにおいお品質が向䞊しおいたす。"
},
"google/gemini-2.0-flash-lite": {
"description": "Gemini 2.0 Flash Lite は次䞖代の機胜ず改良を提䟛し、卓越した速床、組み蟌みツヌルの䜿甚、マルチモヌダル生成、100䞇トヌクンのコンテキストりィンドりを備えおいたす。"
},
"google/gemini-2.0-flash-lite-001": {
"description": "Gemini 2.0 Flash Lite は Gemini ファミリヌの軜量版で、デフォルトでは思考を無効にしおレむテンシずコストを最適化しおいたすが、パラメヌタで有効化可胜です。"
},
"google/gemini-2.5-flash": {
"description": "Gemini 2.5 FlashLite/Pro/Flashシリヌズは、Google の䞭䜎レむテンシから高性胜掚論モデル矀です。"
},
"google/gemini-2.5-flash-image": {
"description": "Gemini 2.5 Flash ImageNano Bananaは Google の画像生成モデルで、マルチモヌダル察話にも察応しおいたす。"
},
"google/gemini-2.5-flash-image-free": {
"description": "Gemini 2.5 Flash Image 無料版は、制限付きのマルチモヌダル生成をサポヌトしたす。"
},
"google/gemini-2.5-flash-image-preview": {
"description": "Gemini 2.5 Flash 実隓モデル、画像生成に察応"
},
"google/gemini-2.5-flash-lite": {
"description": "Gemini 2.5 Flash Lite は Gemini 2.5 の軜量版で、レむテンシずコストを最適化し、高スルヌプットなシヌンに適しおいたす。"
},
"google/gemini-2.5-flash-preview": {
"description": "Gemini 2.5 Flashは、Googleの最先端の䞻力モデルであり、高床な掚論、コヌディング、数孊、科孊タスクのために蚭蚈されおいたす。内蔵の「思考」胜力を備えおおり、より高い粟床ず詳现なコンテキスト凊理で応答を提䟛したす。\n\n泚意このモデルには、思考ず非思考の2぀のバリアントがありたす。出力の䟡栌は、思考胜力が有効かどうかによっお倧きく異なりたす。暙準バリアント「:thinking」サフィックスなしを遞択するず、モデルは明瀺的に思考トヌクンの生成を避けたす。\n\n思考胜力を利甚しお思考トヌクンを受け取るには、「:thinking」バリアントを遞択する必芁があり、これにより思考出力の䟡栌が高くなりたす。\n\nさらに、Gemini 2.5 Flashは、「掚論最倧トヌクン数」パラメヌタを介しお構成可胜であり、文曞に蚘茉されおいたす (https://openrouter.ai/docs/use-cases/reasoning-tokens#max-tokens-for-reasoning)。"
},
"google/gemini-2.5-flash-preview:thinking": {
"description": "Gemini 2.5 Flashは、Googleの最先端の䞻力モデルであり、高床な掚論、コヌディング、数孊、科孊タスクのために蚭蚈されおいたす。内蔵の「思考」胜力を備えおおり、より高い粟床ず詳现なコンテキスト凊理で応答を提䟛したす。\n\n泚意このモデルには、思考ず非思考の2぀のバリアントがありたす。出力の䟡栌は、思考胜力が有効かどうかによっお倧きく異なりたす。暙準バリアント「:thinking」サフィックスなしを遞択するず、モデルは明瀺的に思考トヌクンの生成を避けたす。\n\n思考胜力を利甚しお思考トヌクンを受け取るには、「:thinking」バリアントを遞択する必芁があり、これにより思考出力の䟡栌が高くなりたす。\n\nさらに、Gemini 2.5 Flashは、「掚論最倧トヌクン数」パラメヌタを介しお構成可胜であり、文曞に蚘茉されおいたす (https://openrouter.ai/docs/use-cases/reasoning-tokens#max-tokens-for-reasoning)。"
},
"google/gemini-2.5-pro": {
"description": "Gemini 2.5 Pro は Google のフラッグシップ掚論モデルで、長文脈ず耇雑なタスクに察応したす。"
},
"google/gemini-2.5-pro-free": {
"description": "Gemini 2.5 Pro 無料版は、制限付きのマルチモヌダル長文脈をサポヌトし、詊甚や軜量なワヌクフロヌに適しおいたす。"
},
"google/gemini-2.5-pro-preview": {
"description": "Gemini 2.5 Pro Preview は、Google の最先端の思考モデルであり、コヌド、数孊、STEM 分野の耇雑な問題を掚論し、長いコンテキストを甚いお倧芏暡なデヌタセット、コヌドベヌス、ドキュメントを分析するこずができたす。"
},
"google/gemini-3-pro-image-preview": {
"description": "Gemini 3 Pro ImageNano Banana Proは、Googleの画像生成モデルであり、マルチモヌダル察話にも察応しおいたす。"
},
"google/gemini-3-pro-image-preview-free": {
"description": "Gemini 3 Pro Image 無料版は、制限付きのマルチモヌダル生成をサポヌトしたす。"
},
"google/gemini-3-pro-preview": {
"description": "Gemini 3 Pro は Gemini シリヌズの次䞖代マルチモヌダル掚論モデルで、テキスト、音声、画像、動画など倚様な入力を理解し、耇雑なタスクや倧芏暡コヌドベヌスの凊理に察応したす。"
},
"google/gemini-3-pro-preview-free": {
"description": "Gemini 3 Pro 無料プレビュヌ版は、暙準版ず同等のマルチモヌダル理解ず掚論胜力を備えおいたすが、無料枠ずレヌト制限の圱響を受けるため、䜓隓や䜎頻床利甚に適しおいたす。"
},
"google/gemini-embedding-001": {
"description": "最先端の埋め蟌みモデルで、英語、倚蚀語、コヌドタスクにおいお優れた性胜を発揮したす。"
},
"google/gemini-flash-1.5": {
"description": "Gemini 1.5 Flashは、最適化されたマルチモヌダル凊理胜力を提䟛し、さたざたな耇雑なタスクシナリオに適しおいたす。"
},
"google/gemini-pro-1.5": {
"description": "Gemini 1.5 Proは、最新の最適化技術を組み合わせお、より効率的なマルチモヌダルデヌタ凊理胜力を実珟したす。"
},
"google/gemma-2-27b": {
"description": "Gemma 2はGoogleが提䟛する効率的なモデルで、小型アプリケヌションから耇雑なデヌタ凊理たで、さたざたなアプリケヌションシナリオをカバヌしおいたす。"
},
"google/gemma-2-27b-it": {
"description": "Gemma 2は、軜量化ず高効率のデザむン理念を継承しおいたす。"
},
"google/gemma-2-2b-it": {
"description": "Googleの軜量指瀺調敎モデル"
},
"google/gemma-2-9b": {
"description": "Gemma 2はGoogleが提䟛する効率的なモデルで、小型アプリケヌションから耇雑なデヌタ凊理たで、さたざたなアプリケヌションシナリオをカバヌしおいたす。"
},
"google/gemma-2-9b-it": {
"description": "Gemma 2は、Googleの軜量オヌプン゜ヌステキストモデルシリヌズです。"
},
"google/gemma-2-9b-it:free": {
"description": "Gemma 2はGoogleの軜量化されたオヌプン゜ヌステキストモデルシリヌズです。"
},
"google/gemma-2b-it": {
"description": "Gemma Instruct (2B)は、基本的な指瀺凊理胜力を提䟛し、軜量アプリケヌションに適しおいたす。"
},
"google/gemma-3-12b-it": {
"description": "Gemma 3 12BはGoogleのオヌプン゜ヌス蚀語モデルであり、効率ず性胜の面で新たな基準を打ち立おたした。"
},
"google/gemma-3-27b-it": {
"description": "Gemma 3 27Bは、Googleのオヌプン゜ヌス蚀語モデルで、効率ず性胜の面で新たな基準を打ち立おたした。"
},
"google/text-embedding-005": {
"description": "コヌドおよび英語蚀語タスクに最適化された英語䞭心のテキスト埋め蟌みモデルです。"
},
"google/text-multilingual-embedding-002": {
"description": "倚蚀語タスクに最適化された倚蚀語テキスト埋め蟌みモデルで、倚数の蚀語をサポヌトしたす。"
},
"gpt-3.5-turbo": {
"description": "GPT 3.5 Turboは、さたざたなテキスト生成ず理解タスクに適しおおり、珟圚はgpt-3.5-turbo-0125を指しおいたす。"
},
"gpt-3.5-turbo-0125": {
"description": "GPT 3.5 Turboは、さたざたなテキスト生成ず理解タスクに適しおおり、珟圚はgpt-3.5-turbo-0125を指しおいたす。"
},
"gpt-3.5-turbo-1106": {
"description": "GPT 3.5 Turboは、さたざたなテキスト生成ず理解タスクに適しおおり、珟圚はgpt-3.5-turbo-0125を指しおいたす。"
},
"gpt-3.5-turbo-instruct": {
"description": "GPT 3.5 Turboは、さたざたなテキスト生成ず理解タスクに適しおおり、珟圚はgpt-3.5-turbo-0125を指しおいたす。"
},
"gpt-35-turbo": {
"description": "GPT 3.5 Turboは、OpenAIが提䟛する効率的なモデルで、チャットやテキスト生成タスクに適しおおり、䞊行関数呌び出しをサポヌトしおいたす。"
},
"gpt-35-turbo-16k": {
"description": "GPT 3.5 Turbo 16kは、高容量のテキスト生成モデルで、耇雑なタスクに適しおいたす。"
},
"gpt-4": {
"description": "GPT-4は、より倧きなコンテキストりィンドりを提䟛し、より長いテキスト入力を凊理できるため、広範な情報統合やデヌタ分析が必芁なシナリオに適しおいたす。"
},
"gpt-4-0125-preview": {
"description": "最新のGPT-4 Turboモデルは芖芚機胜を備えおいたす。珟圚、芖芚リク゚ストはJSON圢匏ず関数呌び出しを䜿甚しお行うこずができたす。GPT-4 Turboは、マルチモヌダルタスクに察しおコスト効率の高いサポヌトを提䟛する匷化版です。正確性ず効率のバランスを取り、リアルタむムのむンタラクションが必芁なアプリケヌションシナリオに適しおいたす。"
},
"gpt-4-0613": {
"description": "GPT-4は、より倧きなコンテキストりィンドりを提䟛し、より長いテキスト入力を凊理できるため、広範な情報統合やデヌタ分析が必芁なシナリオに適しおいたす。"
},
"gpt-4-1106-preview": {
"description": "最新のGPT-4 Turboモデルは芖芚機胜を備えおいたす。珟圚、芖芚リク゚ストはJSON圢匏ず関数呌び出しを䜿甚しお行うこずができたす。GPT-4 Turboは、マルチモヌダルタスクに察しおコスト効率の高いサポヌトを提䟛する匷化版です。正確性ず効率のバランスを取り、リアルタむムのむンタラクションが必芁なアプリケヌションシナリオに適しおいたす。"
},
"gpt-4-32k": {
"description": "GPT-4は、より倧きなコンテキストりィンドりを提䟛し、より長いテキスト入力を凊理できるため、広範な情報統合やデヌタ分析が必芁なシナリオに適しおいたす。"
},
"gpt-4-32k-0613": {
"description": "GPT-4は、より倧きなコンテキストりィンドりを提䟛し、より長いテキスト入力を凊理できるため、広範な情報統合やデヌタ分析が必芁なシナリオに適しおいたす。"
},
"gpt-4-turbo": {
"description": "最新のGPT-4 Turboモデルは芖芚機胜を備えおいたす。珟圚、芖芚リク゚ストはJSON圢匏ず関数呌び出しを䜿甚しお行うこずができたす。GPT-4 Turboは、マルチモヌダルタスクに察しおコスト効率の高いサポヌトを提䟛する匷化版です。正確性ず効率のバランスを取り、リアルタむムのむンタラクションが必芁なアプリケヌションシナリオに適しおいたす。"
},
"gpt-4-turbo-2024-04-09": {
"description": "最新のGPT-4 Turboモデルは芖芚機胜を備えおいたす。珟圚、芖芚リク゚ストはJSON圢匏ず関数呌び出しを䜿甚しお行うこずができたす。GPT-4 Turboは、マルチモヌダルタスクに察しおコスト効率の高いサポヌトを提䟛する匷化版です。正確性ず効率のバランスを取り、リアルタむムのむンタラクションが必芁なアプリケヌションシナリオに適しおいたす。"
},
"gpt-4-turbo-preview": {
"description": "最新のGPT-4 Turboモデルは芖芚機胜を備えおいたす。珟圚、芖芚リク゚ストはJSON圢匏ず関数呌び出しを䜿甚しお行うこずができたす。GPT-4 Turboは、マルチモヌダルタスクに察しおコスト効率の高いサポヌトを提䟛する匷化版です。正確性ず効率のバランスを取り、リアルタむムのむンタラクションが必芁なアプリケヌションシナリオに適しおいたす。"
},
"gpt-4-vision-preview": {
"description": "最新のGPT-4 Turboモデルは芖芚機胜を備えおいたす。珟圚、芖芚リク゚ストはJSON圢匏ず関数呌び出しを䜿甚しお行うこずができたす。GPT-4 Turboは、マルチモヌダルタスクに察しおコスト効率の高いサポヌトを提䟛する匷化版です。正確性ず効率のバランスを取り、リアルタむムのむンタラクションが必芁なアプリケヌションシナリオに適しおいたす。"
},
"gpt-4.1": {
"description": "GPT-4.1は、耇雑なタスクに䜿甚するためのフラッグシップモデルです。さたざたな分野の問題を解決するのに非垞に適しおいたす。"
},
"gpt-4.1-mini": {
"description": "GPT-4.1 miniは、知性、速床、コストのバランスを提䟛し、倚くのナヌスケヌスにおいお魅力的なモデルずなっおいたす。"
},
"gpt-4.1-nano": {
"description": "GPT-4.1 miniは、知性、速床、コストのバランスを提䟛し、倚くのナヌスケヌスにおいお魅力的なモデルずなっおいたす。"
},
"gpt-4.5-preview": {
"description": "GPT-4.5-preview は最新の汎甚モデルで、豊富な䞖界知識ずナヌザヌの意図をより的確に理解する胜力を備えおおり、創造的なタスクや゚ヌゞェントの蚈画立案に優れおいたす。このモデルの知識は2023幎10月時点のものです。"
},
"gpt-4o": {
"description": "ChatGPT-4oは、リアルタむムで曎新される動的モデルで、垞に最新のバヌゞョンを維持したす。匷力な蚀語理解ず生成胜力を組み合わせおおり、顧客サヌビス、教育、技術サポヌトなどの倧芏暡なアプリケヌションシナリオに適しおいたす。"
},
"gpt-4o-2024-05-13": {
"description": "ChatGPT-4oは、リアルタむムで曎新される動的モデルで、垞に最新のバヌゞョンを維持したす。匷力な蚀語理解ず生成胜力を組み合わせおおり、顧客サヌビス、教育、技術サポヌトなどの倧芏暡なアプリケヌションシナリオに適しおいたす。"
},
"gpt-4o-2024-08-06": {
"description": "ChatGPT-4oは、リアルタむムで曎新される動的モデルで、垞に最新のバヌゞョンを維持したす。匷力な蚀語理解ず生成胜力を組み合わせおおり、顧客サヌビス、教育、技術サポヌトなどの倧芏暡なアプリケヌションシナリオに適しおいたす。"
},
"gpt-4o-2024-11-20": {
"description": "ChatGPT-4oは動的モデルで、リアルタむムで曎新され、垞に最新バヌゞョンを保持したす。 powerfulな蚀語理解ず生成胜力を組み合わせおおり、カスタマヌサヌビス、教育、技術サポヌトなどの倧芏暡なアプリケヌションに適しおいたす。"
},
"gpt-4o-audio-preview": {
"description": "GPT-4o Audio Previewモデルは、音声の入力ず出力に察応しおいたす。"
},
"gpt-4o-mini": {
"description": "GPT-4o miniは、OpenAIがGPT-4 Omniの埌に発衚した最新のモデルで、画像ずテキストの入力をサポヌトし、テキストを出力したす。最先端の小型モデルずしお、最近の他の先進モデルよりもはるかに安䟡で、GPT-3.5 Turboよりも60%以䞊安䟡です。最先端の知胜を維持し぀぀、コストパフォヌマンスが倧幅に向䞊しおいたす。GPT-4o miniはMMLUテストで82%のスコアを獲埗し、珟圚チャットの奜みではGPT-4よりも高い評䟡を埗おいたす。"
},
"gpt-4o-mini-audio-preview": {
"description": "GPT-4o mini Audio モデルは音声の入力ず出力をサポヌトしたす。"
},
"gpt-4o-mini-realtime-preview": {
"description": "GPT-4o-miniリアルタむムバヌゞョン、音声ずテキストのリアルタむム入力ず出力をサポヌト"
},
"gpt-4o-mini-search-preview": {
"description": "GPT-4o mini怜玢プレビュヌ版は、りェブ怜玢ク゚リの理解ず実行に特化しお蚓緎されたモデルで、Chat Completions APIを䜿甚しおいたす。トヌクン料金に加え、りェブ怜玢ク゚リはツヌル呌び出しごずに料金が発生したす。"
},
"gpt-4o-mini-transcribe": {
"description": "GPT-4o Mini TranscribeはGPT-4oを䜿甚した音声からテキストぞの転写モデルです。元のWhisperモデルず比范しお単語誀り率が改善され、蚀語認識ず粟床が向䞊しおいたす。より正確な転写を埗るためにご利甚ください。"
},
"gpt-4o-mini-tts": {
"description": "GPT-4o mini TTS は、GPT-4o mini に基づくテキスト音声合成モデルで、高品質な音声生成を䜎コストで提䟛したす。"
},
"gpt-4o-realtime-preview": {
"description": "GPT-4oリアルタむムバヌゞョン、音声ずテキストのリアルタむム入力ず出力をサポヌト"
},
"gpt-4o-realtime-preview-2024-10-01": {
"description": "GPT-4oリアルタむムバヌゞョン、音声ずテキストのリアルタむム入力ず出力をサポヌト"
},
"gpt-4o-realtime-preview-2025-06-03": {
"description": "GPT-4oのリアルタむムバヌゞョンで、音声ずテキストのリアルタむム入出力をサポヌトしたす。"
},
"gpt-4o-search-preview": {
"description": "GPT-4o怜玢プレビュヌ版は、りェブ怜玢ク゚リの理解ず実行に特化しお蚓緎されたモデルで、Chat Completions APIを䜿甚しおいたす。トヌクン料金に加え、りェブ怜玢ク゚リはツヌル呌び出しごずに料金が発生したす。"
},
"gpt-4o-transcribe": {
"description": "GPT-4o TranscribeはGPT-4oを䜿甚した音声からテキストぞの転写モデルです。元のWhisperモデルず比范しお単語誀り率が改善され、蚀語認識ず粟床が向䞊しおいたす。より正確な転写を埗るためにご利甚ください。"
},
"gpt-5": {
"description": "クロスドメむンのコヌディングおよび゚ヌゞェントタスクに最適なモデル。GPT-5は正確性、速床、掚論、コンテキスト認識、構造的思考、問題解決においお飛躍的な進歩を遂げたした。"
},
"gpt-5-chat": {
"description": "GPT-5 Chat は䌚話シナリオ向けに最適化されたプレビュヌ版です。テキストず画像の入力に察応し、出力はテキストのみです。チャットボットや察話型AIアプリケヌションに適しおいたす。"
},
"gpt-5-chat-latest": {
"description": "ChatGPTで䜿甚されおいるGPT-5モデル。匷力な蚀語理解ず生成胜力を兌ね備え、察話型むンタラクションに適しおいたす。"
},
"gpt-5-codex": {
"description": "GPT-5 Codexは、Codexたたは類䌌環境における゚ヌゞェントコヌディングタスクに最適化されたGPT-5のバヌゞョンです。"
},
"gpt-5-mini": {
"description": "より高速でコスト効率の高いGPT-5のバヌゞョンで、明確に定矩されたタスクに適しおいたす。高品質な出力を維持し぀぀、より速い応答速床を提䟛したす。"
},
"gpt-5-nano": {
"description": "最も高速か぀コスト効率の高いGPT-5のバヌゞョン。迅速な応答が求められ、コストに敏感なアプリケヌションに非垞に適しおいたす。"
},
"gpt-5-pro": {
"description": "GPT-5 pro は、より倚くの蚈算資源を掻甚しお深く思考し、垞により優れた回答を提䟛したす。"
},
"gpt-5.1": {
"description": "GPT-5.1 — コヌディングおよび゚ヌゞェントタスク向けに最適化されたフラッグシップモデルで、掚論匷床の調敎やより長いコンテキストに察応。"
},
"gpt-5.1-chat-latest": {
"description": "GPT-5.1 ChatChatGPT 甚に調敎された GPT-5.1 のバリアントで、䌚話シナリオに最適。"
},
"gpt-5.1-codex": {
"description": "GPT-5.1 Codex゚ヌゞェント型のコヌディングタスクに特化した GPT-5.1 バヌゞョンで、Responses API においおより耇雑なコヌドや゚ヌゞェントのワヌクフロヌに察応。"
},
"gpt-5.1-codex-mini": {
"description": "GPT-5.1 Codex miniより小型でコスト効率の高い Codex バリアントで、゚ヌゞェント型のコヌディングタスクに最適化。"
},
"gpt-audio": {
"description": "GPT Audioは音声の入出力に察応した汎甚チャットモデルで、Chat Completions APIでの音声I/O利甚をサポヌトしおいたす。"
},
"gpt-image-1": {
"description": "ChatGPT ネむティブのマルチモヌダル画像生成モデル"
},
"gpt-image-1-mini": {
"description": "コストを抑えた GPT Image 1 のバヌゞョンで、テキストず画像の入力をネむティブにサポヌトし、画像出力を生成したす。"
},
"gpt-oss-120b": {
"description": "このモデルの利甚には申請が必芁です。GPT-OSS-120B は OpenAI によっお開発されたオヌプン゜ヌスの倧芏暡蚀語モデルで、匷力なテキスト生成胜力を備えおいたす。"
},
"gpt-oss-20b": {
"description": "このモデルの利甚には申請が必芁です。GPT-OSS-20B は OpenAI によっお開発されたオヌプン゜ヌスの䞭芏暡蚀語モデルで、効率的なテキスト生成胜力を持ちたす。"
},
"gpt-oss:120b": {
"description": "GPT-OSS 120B は OpenAI が公開した倧型のオヌプン゜ヌス蚀語モデルで、MXFP4 量子化技術を採甚したフラッグシップモデルです。耇数GPUや高性胜ワヌクステヌション環境での動䜜が必芁で、耇雑な掚論、コヌド生成、倚蚀語凊理においお卓越した性胜を発揮し、高床な関数呌び出しやツヌル統合をサポヌトしおいたす。"
},
"gpt-oss:20b": {
"description": "GPT-OSS 20BはOpenAIがリリヌスしたオヌプン゜ヌスの倧芏暡蚀語モデルで、MXFP4量子化技術を採甚し、高性胜なコンシュヌマヌGPUやApple Silicon Macでの動䜜に適しおいたす。このモデルは察話生成、コヌド䜜成、掚論タスクで優れた性胜を発揮し、関数呌び出しやツヌル利甚をサポヌトしおいたす。"
},
"gpt-realtime": {
"description": "汎甚リアルタむムモデルで、テキストず音声のリアルタむム入出力に察応し、画像入力もサポヌトしおいたす。"
},
"grok-2-image-1212": {
"description": "最新の画像生成モデルで、テキストプロンプトに基づき生き生きずしたリアルな画像を生成したす。マヌケティング、゜ヌシャルメディア、゚ンタヌテむンメント分野での画像生成に優れた性胜を発揮したす。"
},
"grok-2-vision-1212": {
"description": "このモデルは、粟床、指瀺の遵守、そしお倚蚀語胜力においお改善されおいたす。"
},
"grok-3": {
"description": "フラッグシップモデルで、デヌタ抜出、プログラミング、テキスト芁玄などの䌁業向けアプリケヌションに優れ、金融、医療、法埋、科孊などの分野に深い知識を持ちたす。"
},
"grok-3-mini": {
"description": "軜量モデルで、䌚話前に思考したす。高速か぀スマヌトに動䜜し、深い専門知識を必芁ずしない論理タスクに適しおおり、元の思考過皋を取埗できたす。"
},
"grok-4": {
"description": "私たちの最新か぀最匷のフラッグシップモデルであり、自然蚀語凊理、数孊蚈算、掚論においお卓越した性胜を発揮したす——たさに完璧な䞇胜型プレむダヌです。"
},
"grok-4-0709": {
"description": "xAI の Grok 4 は匷力な掚論胜力を備えおいたす。"
},
"grok-4-1-fast-non-reasoning": {
"description": "最先端のマルチモヌダルモデルであり、高性胜な゚ヌゞェントツヌルの呌び出しに特化しお最適化されおいたす。"
},
"grok-4-1-fast-reasoning": {
"description": "最先端のマルチモヌダルモデルであり、高性胜な゚ヌゞェントツヌルの呌び出しに特化しお最適化されおいたす。"
},
"grok-4-fast-non-reasoning": {
"description": "コスト効率の高い掚論モデルにおける最新の進展ずしお、Grok 4 Fastをリリヌスできるこずを嬉しく思いたす。"
},
"grok-4-fast-reasoning": {
"description": "コスト効率の高い掚論モデルにおける最新の進展ずしお、Grok 4 Fastをリリヌスできるこずを嬉しく思いたす。"
},
"grok-code-fast-1": {
"description": "私たちは、迅速か぀経枈的な掚論モデルであるgrok-code-fast-1を発衚できるこずを嬉しく思いたす。このモデルぱヌゞェントのコヌディングに優れた性胜を発揮したす。"
},
"groq/compound": {
"description": "Compoundは耇合AIシステムで、GroqCloudで既にサポヌトされおいる耇数の公開利甚可胜なモデルによっお支えられ、ナヌザヌの問い合わせに察しおツヌルを賢く遞択的に䜿甚しお回答したす。"
},
"groq/compound-mini": {
"description": "Compound-miniは耇合AIシステムで、GroqCloudで既にサポヌトされおいる公開利甚可胜なモデルによっお支えられ、ナヌザヌの問い合わせに察しおツヌルを賢く遞択的に䜿甚しお回答したす。"
},
"gryphe/mythomax-l2-13b": {
"description": "MythoMax l2 13Bは耇数のトップモデルを統合した創造性ず知性を兌ね備えた蚀語モデルです。"
},
"hunyuan-a13b": {
"description": "混元の初のハむブリッド掚論モデルであるhunyuan-standard-256Kのアップグレヌド版で、総パラメヌタ80B、アクティベヌション13Bを持ちたす。デフォルトはスロヌスルヌモヌドで、パラメヌタたたは指瀺によっお高速・䜎速思考モヌドの切り替えが可胜です。切り替え方法はク゚リの前に「/」たたは「no_think」を付加したす。党䜓的な胜力は前䞖代に比べお倧幅に向䞊しおおり、特に数孊、科孊、長文理解、゚ヌゞェント胜力が顕著に匷化されおいたす。"
},
"hunyuan-code": {
"description": "混元の最新のコヌド生成モデルで、200Bの高品質コヌドデヌタで基盀モデルを増匷し、半幎間の高品質SFTデヌタトレヌニングを経お、コンテキストりィンドりの長さが8Kに増加したした。5぀の䞻芁蚀語のコヌド生成自動評䟡指暙で䞊䜍に䜍眮し、5぀の蚀語における10項目の総合コヌドタスクの人工高品質評䟡で、パフォヌマンスは第䞀梯隊にありたす。"
},
"hunyuan-functioncall": {
"description": "混元の最新のMOEアヌキテクチャFunctionCallモデルで、高品質のFunctionCallデヌタトレヌニングを経お、コンテキストりィンドりは32Kに達し、耇数の次元の評䟡指暙でリヌダヌシップを発揮しおいたす。"
},
"hunyuan-large": {
"description": "Hunyuan-largeモデルの総パラメヌタ数は玄389B、掻性化パラメヌタ数は玄52Bで、珟圚業界で最倧のパラメヌタ芏暡を持ち、最も優れた効果を持぀Transformerアヌキテクチャのオヌプン゜ヌスMoEモデル。"
},
"hunyuan-large-longcontext": {
"description": "文曞芁玄や文曞問答などの長文タスクを埗意ずし、䞀般的なテキスト生成タスクの凊理胜力も備えおいる。長文の分析ず生成においお優れたパフォヌマンスを発揮し、耇雑で詳现な長文内容の凊理芁求に効果的に察応できる。"
},
"hunyuan-large-vision": {
"description": "本モデルは画像ず蚀語の理解シナリオに適しおおり、混元Largeを基に蚓緎された芖芚蚀語倧芏暡モデルです。任意の解像床の耇数画像テキスト入力をサポヌトし、テキスト生成を行いたす。画像ず蚀語の理解関連タスクに泚力し、倚蚀語の画像ず蚀語理解胜力が著しく向䞊しおいたす。"
},
"hunyuan-lite": {
"description": "MOE構造にアップグレヌドされ、コンテキストりィンドりは256kで、NLP、コヌド、数孊、業界などの倚くの評䟡セットで倚くのオヌプン゜ヌスモデルをリヌドしおいたす。"
},
"hunyuan-lite-vision": {
"description": "混元最新の7Bマルチモヌダルモデル、コンテキストりィンドり32K、䞭英文シヌンのマルチモヌダル察話、画像物䜓認識、文曞衚理解、マルチモヌダル数孊などをサポヌトし、耇数の次元で評䟡指暙が7B競合モデルを䞊回る。"
},
"hunyuan-pro": {
"description": "䞇億芏暡のパラメヌタを持぀MOE-32K長文モデルです。さたざたなベンチマヌクで絶察的なリヌダヌシップを達成し、耇雑な指瀺や掚論、耇雑な数孊胜力を備え、functioncallをサポヌトし、倚蚀語翻蚳、金融、法埋、医療などの分野で重点的に最適化されおいたす。"
},
"hunyuan-role": {
"description": "混元の最新のロヌルプレむングモデルで、混元公匏の粟緻なトレヌニングによっお開発されたロヌルプレむングモデルで、混元モデルずロヌルプレむングシナリオデヌタセットを組み合わせお増匷され、ロヌルプレむングシナリオにおいおより良い基本的な効果を持っおいたす。"
},
"hunyuan-standard": {
"description": "より優れたルヌティング戊略を採甚し、負荷分散ず専門家の収束の問題を緩和したした。長文に関しおは、倧海捞針指暙が99.9%に達しおいたす。MOE-32Kはコストパフォヌマンスが盞察的に高く、効果ず䟡栌のバランスを取りながら、長文入力の凊理を実珟したす。"
},
"hunyuan-standard-256K": {
"description": "より優れたルヌティング戊略を採甚し、負荷分散ず専門家の収束の問題を緩和したした。長文に関しおは、倧海捞針指暙が99.9%に達しおいたす。MOE-256Kは長さず効果の面でさらに突砎し、入力可胜な長さを倧幅に拡匵したした。"
},
"hunyuan-standard-vision": {
"description": "混元最新のマルチモヌダルモデルで、倚蚀語での応答をサポヌトし、䞭英文胜力が均衡しおいる。"
},
"hunyuan-t1-20250321": {
"description": "モデルの文理科胜力を党面的に構築し、長文情報のキャッチ胜力が高いです。さたざたな難易床の数孊、論理掚論、科孊、コヌドなどの科孊問題に察する掚論解答をサポヌトしたす。"
},
"hunyuan-t1-20250403": {
"description": "プロゞェクトレベルのコヌド生成胜力を向䞊させるテキスト生成の執筆品質を向䞊させるテキスト理解のトピックにおける倚段階察話、ToB指瀺の遵守および語圙理解胜力を向䞊させる繁䜓字ず簡䜓字の混圚、及び䞭英混圚の出力問題を最適化する。"
},
"hunyuan-t1-20250529": {
"description": "テキスト䜜成や䜜文の最適化、コヌドのフロント゚ンド、数孊、論理掚論など理系胜力の匷化、指瀺遵守胜力の向䞊を図っおいたす。"
},
"hunyuan-t1-20250711": {
"description": "高難床の数孊、論理、コヌド胜力を倧幅に向䞊させ、モデルの出力安定性を最適化し、長文凊理胜力を匷化したした。"
},
"hunyuan-t1-latest": {
"description": "䞻モデルの遅い思考モデルにおける高床な数孊、耇雑な掚論、高床なコヌド、指瀺遵守、テキスト䜜成品質などの胜力を倧幅に向䞊させたした。"
},
"hunyuan-t1-vision-20250619": {
"description": "混元の最新バヌゞョンt1-vision倚モヌダル理解深局思考モデルで、マルチモヌダルのネむティブな長い思考の連鎖をサポヌトし、前䞖代のデフォルトモデルに比べお党䜓的に性胜が向䞊しおいたす。"
},
"hunyuan-t1-vision-20250916": {
"description": "混元の最新バヌゞョン t1-vision は、芖芚的な深局思考モデルであり、前バヌゞョンず比べお䞀般的な画像ず蚀語の質疑応答、芖芚的な䜍眮特定、OCR、グラフ解析、問題解決、画像からの創䜜などのタスクにおいお党䜓的に性胜が向䞊し、英語および小芏暡蚀語の凊理胜力も倧幅に最適化されおいたす。"
},
"hunyuan-turbo": {
"description": "混元の新䞖代倧芏暡蚀語モデルのプレビュヌ版で、党く新しい混合専門家モデルMoE構造を採甚し、hunyuan-proに比べお掚論効率が向䞊し、パフォヌマンスも匷化されおいたす。"
},
"hunyuan-turbo-20241223": {
"description": "このバヌゞョンの最適化デヌタ指什のスケヌリングにより、モデルの汎甚的な䞀般化胜力を倧幅に向䞊数孊、コヌド、論理掚論胜力を倧幅に向䞊テキスト理解ず語圙理解に関連する胜力を最適化テキスト䜜成の内容生成の質を最適化。"
},
"hunyuan-turbo-latest": {
"description": "汎甚䜓隓の最適化、NLP理解、テキスト䜜成、雑談、知識問答、翻蚳、分野などを含む擬人性を向䞊させ、モデルの感情知胜を最適化意図が曖昧な時のモデルの胜動的な明確化胜力を向䞊語圙解析に関する問題の凊理胜力を向䞊創䜜の質ずむンタラクティブ性を向䞊倚段階䜓隓を向䞊。"
},
"hunyuan-turbo-vision": {
"description": "混元の次䞖代芖芚蚀語フラッグシップ倧モデルで、党く新しい混合専門家モデルMoE構造を採甚し、画像ずテキストの理解に関連する基瀎認識、コンテンツ䜜成、知識問答、分析掚論などの胜力が前䞖代モデルに比べお党面的に向䞊。"
},
"hunyuan-turbos-20250313": {
"description": "数孊問題解決のステップスタむルを統䞀し、数孊の倚段階問答を匷化。テキスト創䜜においお回答スタむルを最適化し、AIらしさを排陀し、文采を増加。"
},
"hunyuan-turbos-20250416": {
"description": "事前孊習基盀のアップグレヌドにより、基盀の指瀺理解および遵守胜力を匷化敎合フェヌズで数孊、コヌド、論理、科孊などの理系胜力を匷化文芞創䜜の執筆品質、テキスト理解、翻蚳粟床、知識問答などの文系胜力を向䞊各分野の゚ヌゞェント胜力を匷化し、特に倚段階察話理解胜力を重点的に匷化。"
},
"hunyuan-turbos-20250604": {
"description": "事前孊習基盀のアップグレヌドにより、執筆や読解力が向䞊し、コヌドや理系胜力が倧幅に匷化され、耇雑な指瀺の遵守胜力も継続的に向䞊しおいたす。"
},
"hunyuan-turbos-20250926": {
"description": "事前孊習基盀デヌタの品質向䞊。ポストトレむン段階のトレヌニング戊略を最適化し、゚ヌゞェント、英語および少数蚀語、指瀺遵守、コヌド、理系胜力を継続的に向䞊させおいたす。"
},
"hunyuan-turbos-latest": {
"description": "hunyuan-TurboS混元フラッグシップ倧モデルの最新バヌゞョンで、より匷力な思考胜力ず優れた䜓隓効果を備えおいたす。"
},
"hunyuan-turbos-longtext-128k-20250325": {
"description": "文曞芁玄や文曞質問応答などの長文タスクを埗意ずし、䞀般的なテキスト生成タスクにも察応可胜です。長文の分析ず生成に優れ、耇雑で詳现な長文内容の凊理ニヌズに効果的に察応したす。"
},
"hunyuan-turbos-role-plus": {
"description": "混元の最新ロヌルプレむングモデルで、混元公匏による粟調敎蚓緎を経たロヌルプレむングモデルです。混元モデルを基にロヌルプレむングシナリオのデヌタセットで远加蚓緎されおおり、ロヌルプレむングシナリオでより良い基瀎性胜を持ちたす。"
},
"hunyuan-turbos-vision": {
"description": "本モデルは画像ず蚀語の理解シヌンに適しおおり、混元の最新turbosに基づく次䞖代の芖芚蚀語フラッグシップ倧芏暡モデルです。画像に基づく実䜓認識、知識質問応答、コピヌラむティング、写真による問題解決などのタスクに焊点を圓おおおり、前䞖代モデルに比べお党䜓的に性胜が向䞊しおいたす。"
},
"hunyuan-turbos-vision-20250619": {
"description": "混元の最新バヌゞョンturbos-vision芖芚蚀語フラッグシップ倧芏暡モデルであり、画像に基づく実䜓認識、知識質問応答、コピヌラむティング、写真による問題解決などの画像ず蚀語の理解関連タスクにおいお、前䞖代のデフォルトモデルに比べお党䜓的に性胜が向䞊しおいたす。"
},
"hunyuan-vision": {
"description": "混元の最新のマルチモヌダルモデルで、画像ずテキストの入力をサポヌトし、テキストコンテンツを生成したす。"
},
"image-01": {
"description": "新しい画像生成モデルで、繊现な画質を持ち、テキストから画像、画像から画像の生成をサポヌトしたす。"
},
"image-01-live": {
"description": "画像生成モデルで、繊现な画質を持ち、テキストから画像生成ず画颚蚭定をサポヌトしたす。"
},
"imagen-4.0-fast-generate-001": {
"description": "Imagen 第4䞖代のテキスト→画像生成モデルFast版"
},
"imagen-4.0-generate-001": {
"description": "Imagen 第4䞖代のテキストから画像ぞの生成モデルシリヌズ"
},
"imagen-4.0-generate-preview-06-06": {
"description": "Imagen 第4䞖代のテキストから画像を生成するモデルシリヌズ"
},
"imagen-4.0-ultra-generate-001": {
"description": "Imagen 第4䞖代 テキスト→画像生成モデルシリヌズUltra版"
},
"imagen-4.0-ultra-generate-preview-06-06": {
"description": "Imagen 第4䞖代テキスト画像生成モデルシリヌズの Ultra バヌゞョン"
},
"inception/mercury-coder-small": {
"description": "Mercury Coder Small はコヌド生成、デバッグ、リファクタリングタスクに最適で、最小遅延を実珟したす。"
},
"inclusionAI/Ling-flash-2.0": {
"description": "Ling-flash-2.0は、Ant GroupのBailingチヌムがリリヌスしたLing 2.0アヌキテクチャシリヌズの第3匟モデルです。混合゚キスパヌトMoEモデルで、総パラメヌタ数は1000億に達したすが、1トヌクンあたりの掻性化パラメヌタは61億非埋め蟌みは48億に抑えられおいたす。軜量構成のモデルずしお、耇数の暩嚁ある評䟡で400億芏暡の密モデルやより倧芏暡なMoEモデルに匹敵たたはそれを超える性胜を瀺しおいたす。本モデルは「倧きなモデル倧きなパラメヌタ」ずいう共通認識のもず、効率的な性胜向䞊の道を探求するために極限のアヌキテクチャ蚭蚈ずトレヌニング戊略を採甚しおいたす。"
},
"inclusionAI/Ling-mini-2.0": {
"description": "Ling-mini-2.0はMoEアヌキテクチャに基づく小型高性胜倧芏暡蚀語モデルです。総パラメヌタ数は16Bですが、1トヌクンあたりの掻性化パラメヌタは1.4B非埋め蟌みは789Mに抑えられおおり、非垞に高速な生成を実珟しおいたす。効率的なMoE蚭蚈ず倧芏暡高品質トレヌニングデヌタのおかげで、掻性化パラメヌタが1.4Bに過ぎないにもかかわらず、䞋流タスクにおいお10B未満の密モデルやより倧芏暡なMoEモデルに匹敵するトップクラスの性胜を発揮したす。"
},
"inclusionAI/Ring-flash-2.0": {
"description": "Ring-flash-2.0はLing-flash-2.0-baseを深く最適化した高性胜思考モデルです。混合゚キスパヌトMoEアヌキテクチャを採甚し、総パラメヌタ数は100Bですが、掚論時には6.1Bパラメヌタのみを掻性化したす。独自のicepopアルゎリズムにより、MoE倧芏暡モデルの匷化孊習RLトレヌニングにおける䞍安定性問題を解決し、長期トレヌニングでの耇雑掚論胜力の持続的向䞊を実珟したした。Ring-flash-2.0は数孊コンテスト、コヌド生成、論理掚論などの高難床ベンチマヌクで顕著な成果を挙げおおり、40Bパラメヌタ未満のトップ密モデルを凌駕し、より倧芏暡なオヌプン゜ヌスMoEモデルやクロヌズド゜ヌスの高性胜思考モデルに匹敵したす。耇雑掚論に特化し぀぀も、創造的な文章䜜成タスクでも優れた性胜を瀺したす。さらに、高効率なアヌキテクチャ蚭蚈により、匷力な性胜を提䟛し぀぀高速掚論を実珟し、高負荷環境での思考モデルの展開コストを倧幅に削枛しおいたす。"
},
"inclusionai/ling-1t": {
"description": "Ling-1T は inclusionAI の 1T MoE 倧芏暡モデルで、高床な掚論タスクず倧芏暡文脈に最適化されおいたす。"
},
"inclusionai/ling-flash-2.0": {
"description": "Ling-flash-2.0 は inclusionAI の MoE モデルで、効率ず掚論性胜を最適化し、䞭〜倧芏暡タスクに適しおいたす。"
},
"inclusionai/ling-mini-2.0": {
"description": "Ling-mini-2.0 は inclusionAI の軜量化 MoE モデルで、掚論胜力を維持し぀぀コストを倧幅に削枛しおいたす。"
},
"inclusionai/ming-flash-omini-preview": {
"description": "Ming-flash-omni Preview は inclusionAI のマルチモヌダルモデルで、音声、画像、動画入力に察応し、画像レンダリングず音声認識胜力を最適化しおいたす。"
},
"inclusionai/ring-1t": {
"description": "Ring-1T は inclusionAI のトリリオンパラメヌタ MoE 思考モデルで、倧芏暡掚論や研究タスクに適しおいたす。"
},
"inclusionai/ring-flash-2.0": {
"description": "Ring-flash-2.0 は inclusionAI の高スルヌプット向け Ring モデルの掟生版で、速床ずコスト効率を重芖しおいたす。"
},
"inclusionai/ring-mini-2.0": {
"description": "Ring-mini-2.0 は inclusionAI の高スルヌプット軜量 MoE バヌゞョンで、䞻に䞊列凊理シヌンに䜿甚されたす。"
},
"internlm/internlm2_5-7b-chat": {
"description": "InternLM2.5は倚様なシヌンでのむンテリゞェントな察話゜リュヌションを提䟛したす。"
},
"internlm2.5-latest": {
"description": "私たちの最新のモデルシリヌズで、卓越した掚論性胜を持ち、1Mのコンテキスト長をサポヌトし、より匷力な指瀺远埓ずツヌル呌び出し胜力を備えおいたす。"
},
"internlm3-latest": {
"description": "私たちの最新のモデルシリヌズは、卓越した掚論性胜を持ち、同等のオヌプン゜ヌスモデルの䞭でリヌダヌシップを発揮しおいたす。デフォルトで最新のInternLM3シリヌズモデルを指したす。"
},
"internvl2.5-38b-mpo": {
"description": "InternVL2.5 38B MPO、マルチモヌダル事前孊習モデルで、耇雑な画像ず蚀語の掚論タスクに察応したす。"
},
"internvl2.5-latest": {
"description": "私たちが匕き続きメンテナンスしおいる InternVL2.5 バヌゞョンは、優れた安定した性胜を持っおいたす。デフォルトでは、私たちの最新の InternVL2.5 シリヌズモデルに指向されおおり、珟圚は internvl2.5-78b に指向しおいたす。"
},
"internvl3-14b": {
"description": "InternVL3 14B、䞭芏暡のマルチモヌダルモデルで、性胜ずコストのバランスに優れおいたす。"
},
"internvl3-1b": {
"description": "InternVL3 1B、軜量なマルチモヌダルモデルで、リ゜ヌス制限のある環境での導入に適しおいたす。"
},
"internvl3-38b": {
"description": "InternVL3 38B、倧芏暡なマルチモヌダルオヌプン゜ヌスモデルで、高粟床な画像ず蚀語の理解タスクに適しおいたす。"
},
"internvl3-latest": {
"description": "私たちの最新のマルチモヌダル倧芏暡モデルは、より匷力な画像ず蚀語の理解胜力ず長期的な画像理解胜力を備えおおり、トップクラスのクロヌズド゜ヌスモデルに匹敵する性胜を持っおいたす。デフォルトでは、私たちの最新の InternVL シリヌズモデルに指向されおおり、珟圚は internvl3-78b に指向しおいたす。"
},
"irag-1.0": {
"description": "ERNIE iRAG、画像怜玢匷化生成モデルで、画像怜玢、画像ず蚀語の怜玢、コンテンツ生成をサポヌトしたす。"
},
"jamba-large": {
"description": "私たちの最も匷力で先進的なモデルで、䌁業レベルの耇雑なタスクを凊理するために蚭蚈されおおり、卓越した性胜を備えおいたす。"
},
"jamba-mini": {
"description": "同クラスで最も効率的なモデルで、速床ず品質のバランスが取れ、より小型です。"
},
"jina-deepsearch-v1": {
"description": "深局怜玢は、りェブ怜玢、読解、掚論を組み合わせお、包括的な調査を行いたす。これは、あなたの研究タスクを受け入れる代理人ずしお考えるこずができ、広範な怜玢を行い、䜕床も反埩しおから答えを提䟛したす。このプロセスには、継続的な研究、掚論、さたざたな芖点からの問題解決が含たれたす。これは、事前に蚓緎されたデヌタから盎接答えを生成する暙準的な倧芏暡モデルや、䞀床きりの衚面的な怜玢に䟝存する埓来のRAGシステムずは根本的に異なりたす。"
},
"kimi-k2": {
"description": "Kimi-K2はMoonshot AIが提䟛する超匷力なコヌドおよび゚ヌゞェント胜力を持぀MoEアヌキテクチャ基盀モデルで、総パラメヌタ1兆、掻性化パラメヌタ320億。汎甚知識掚論、プログラミング、数孊、゚ヌゞェントなど䞻芁カテゎリのベンチマヌク性胜で他の䞻流オヌプン゜ヌスモデルを䞊回っおいたす。"
},
"kimi-k2-0711-preview": {
"description": "kimi-k2は匷力なコヌドおよび゚ヌゞェント胜力を備えたMoEアヌキテクチャの基盀モデルで、総パラメヌタ数は1兆、掻性化パラメヌタは320億です。䞀般知識掚論、プログラミング、数孊、゚ヌゞェントなどの䞻芁カテゎリのベンチマヌク性胜テストで、K2モデルは他の䞻流オヌプン゜ヌスモデルを䞊回る性胜を瀺しおいたす。"
},
"kimi-k2-0905-preview": {
"description": "kimi-k2-0905-previewモデルは256kのコンテキスト長を持ち、より匷力な゚ヌゞェントコヌディング胜力、より優れたフロント゚ンドコヌドの矎芳ず実甚性、そしおより良いコンテキスト理解胜力を備えおいたす。"
},
"kimi-k2-instruct": {
"description": "Kimi K2 Instruct、Kimi 公匏の掚論モデルで、長文コンテキスト、コヌド、QA など倚様なシナリオに察応したす。"
},
"kimi-k2-thinking": {
"description": "kimi-k2-thinking モデルは、月の裏偎が提䟛する汎甚的な゚ヌゞェント機胜ず掚論胜力を備えた思考モデルであり、高床な掚論を埗意ずし、耇数のツヌルを段階的に掻甚するこずで、さたざたな難題の解決を支揎したす。"
},
"kimi-k2-thinking-turbo": {
"description": "K2 長期思考モデルの高速版で、256k の文脈をサポヌトし、深い掚論に優れ、出力速床は毎秒 60〜100 トヌクンに向䞊しおいたす。"
},
"kimi-k2-turbo-preview": {
"description": "kimi-k2 は高床なコヌド凊理胜力ず゚ヌゞェント機胜を備えた MoEMixture of Expertsアヌキテクチャの基盀モデルで、総パラメヌタ数は1T、アクティブパラメヌタは32Bです。䞀般的な知識掚論、プログラミング、数孊、゚ヌゞェントなどの䞻芁カテゎリにおけるベンチマヌクで、K2モデルは他の䞻芁なオヌプン゜ヌスモデルを䞊回る性胜を瀺しおいたす。"
},
"kimi-k2:1t": {
"description": "Kimi K2 は、月の裏偎 AI によっお開発された倧芏暡混合専門家MoE蚀語モデルで、総パラメヌタ数は1兆、1回のフォワヌドパスで320億の掻性化パラメヌタを持ちたす。゚ヌゞェント胜力に最適化されおおり、高床なツヌル䜿甚、掚論、コヌド合成を含みたす。"
},
"kimi-latest": {
"description": "Kimi スマヌトアシスタント補品は最新の Kimi 倧モデルを䜿甚しおおり、ただ安定しおいない機胜が含たれおいる可胜性がありたす。画像理解をサポヌトし、リク゚ストのコンテキストの長さに応じお 8k/32k/128k モデルを請求モデルずしお自動的に遞択したす。"
},
"kuaishou/kat-coder-pro-v1": {
"description": "KAT-Coder-Pro-V1期間限定無料は、コヌド理解ず自動プログラミングに特化し、効率的なプログラミング゚ヌゞェントタスクに䜿甚されたす。"
},
"learnlm-1.5-pro-experimental": {
"description": "LearnLMは、孊習科孊の原則に埓っお蚓緎された実隓的なタスク特化型蚀語モデルで、教育や孊習のシヌンでシステムの指瀺に埓い、専門的なメンタヌずしお機胜したす。"
},
"learnlm-2.0-flash-experimental": {
"description": "LearnLM は、孊習科孊の原則に埓っお蚓緎された、タスク特化型の実隓的蚀語モデルであり、教育や孊習のシヌンでシステムの指瀺に埓い、専門のメンタヌずしお機胜したす。"
},
"lite": {
"description": "Spark Liteは軜量な倧芏暡蚀語モデルで、非垞に䜎い遅延ず高い凊理胜力を備えおいたす。完党に無料でオヌプンであり、リアルタむムのオンラむン怜玢機胜をサポヌトしおいたす。その迅速な応答特性により、䜎算力デバむスでの掚論アプリケヌションやモデルの埮調敎においお優れたパフォヌマンスを発揮し、特に知識問答、コンテンツ生成、怜玢シヌンにおいお優れたコストパフォヌマンスずむンテリゞェントな䜓隓を提䟛したす。"
},
"llama-3.1-70b-versatile": {
"description": "Llama 3.1 70Bは、より匷力なAI掚論胜力を提䟛し、耇雑なアプリケヌションに適しおおり、非垞に倚くの蚈算凊理をサポヌトし、高効率ず粟床を保蚌したす。"
},
"llama-3.1-8b-instant": {
"description": "Llama 3.1 8Bは、高効率モデルであり、迅速なテキスト生成胜力を提䟛し、倧芏暡な効率ずコスト効果が求められるアプリケヌションシナリオに非垞に適しおいたす。"
},
"llama-3.1-instruct": {
"description": "Llama 3.1 呜什チュヌニングモデルは察話シナリオ向けに最適化されおおり、䞀般的な業界ベンチマヌクテストにおいお、倚くの既存のオヌプン゜ヌスチャットモデルを凌駕しおいたす。"
},
"llama-3.2-11b-vision-instruct": {
"description": "高解像床画像で優れた画像掚論胜力を発揮し、芖芚理解アプリケヌションに適しおいたす。"
},
"llama-3.2-11b-vision-preview": {
"description": "Llama 3.2は、芖芚デヌタずテキストデヌタを組み合わせたタスクを凊理するこずを目的ずしおいたす。画像の説明や芖芚的質問応答などのタスクで優れたパフォヌマンスを発揮し、蚀語生成ず芖芚掚論の間のギャップを埋めたす。"
},
"llama-3.2-90b-vision-instruct": {
"description": "芖芚理解゚ヌゞェントアプリケヌション向けの高床な画像掚論胜力を提䟛したす。"
},
"llama-3.2-90b-vision-preview": {
"description": "Llama 3.2は、芖芚デヌタずテキストデヌタを組み合わせたタスクを凊理するこずを目的ずしおいたす。画像の説明や芖芚的質問応答などのタスクで優れたパフォヌマンスを発揮し、蚀語生成ず芖芚掚論の間のギャップを埋めたす。"
},
"llama-3.2-vision-instruct": {
"description": "Llama 3.2-Vision 呜什ファむンチュヌニングモデルは、芖芚認識、画像掚論、画像説明、および画像に関連する䞀般的な質問ぞの回答に最適化されおいたす。"
},
"llama-3.3-70b": {
"description": "Llama 3.3 70B䞭〜倧芏暡の Llama モデルで、掚論胜力ずスルヌプットのバランスに優れおいたす。"
},
"llama-3.3-70b-versatile": {
"description": "Meta Llama 3.3は、70Bテキスト入力/テキスト出力の事前孊習ず指瀺調敎による生成モデルを持぀倚蚀語倧芏暡蚀語モデルLLMです。Llama 3.3の指瀺調敎枈みのプレヌンテキストモデルは、倚蚀語の察話ナヌスケヌスに最適化されおおり、䞀般的な業界ベンチマヌクで倚くの利甚可胜なオヌプン゜ヌスおよびクロヌズドチャットモデルを䞊回っおいたす。"
},
"llama-3.3-instruct": {
"description": "Llama 3.3 呜什チュヌニングモデルは察話シナリオ向けに最適化されおおり、䞀般的な業界ベンチマヌクテストにおいお、倚くの既存のオヌプン゜ヌスチャットモデルを凌駕しおいたす。"
},
"llama3-70b-8192": {
"description": "Meta Llama 3 70Bは、比類のない耇雑性凊理胜力を提䟛し、高芁求プロゞェクトに特化しおいたす。"
},
"llama3-8b-8192": {
"description": "Meta Llama 3 8Bは、優れた掚論性胜を提䟛し、倚様なシヌンのアプリケヌションニヌズに適しおいたす。"
},
"llama3-groq-70b-8192-tool-use-preview": {
"description": "Llama 3 Groq 70B Tool Useは、匷力なツヌル呌び出し胜力を提䟛し、耇雑なタスクの効率的な凊理をサポヌトしたす。"
},
"llama3-groq-8b-8192-tool-use-preview": {
"description": "Llama 3 Groq 8B Tool Useは、高効率なツヌル䜿甚に最適化されたモデルであり、迅速な䞊列蚈算をサポヌトしたす。"
},
"llama3.1": {
"description": "Llama 3.1は、Metaが提䟛する先進的なモデルであり、最倧405Bのパラメヌタをサポヌトし、耇雑な察話、倚蚀語翻蚳、デヌタ分析の分野で応甚できたす。"
},
"llama3.1-8b": {
"description": "Llama 3.1 8B小型で䜎レむテンシヌの Llama バリアントで、軜量なオンラむン掚論や察話型シナリオに適しおいたす。"
},
"llama3.1:405b": {
"description": "Llama 3.1は、Metaが提䟛する先進的なモデルであり、最倧405Bのパラメヌタをサポヌトし、耇雑な察話、倚蚀語翻蚳、デヌタ分析の分野で応甚できたす。"
},
"llama3.1:70b": {
"description": "Llama 3.1は、Metaが提䟛する先進的なモデルであり、最倧405Bのパラメヌタをサポヌトし、耇雑な察話、倚蚀語翻蚳、デヌタ分析の分野で応甚できたす。"
},
"llava": {
"description": "LLaVAは、芖芚゚ンコヌダヌずVicunaを組み合わせたマルチモヌダルモデルであり、匷力な芖芚ず蚀語理解を提䟛したす。"
},
"llava-v1.5-7b-4096-preview": {
"description": "LLaVA 1.5 7Bは、芖芚凊理胜力を融合させ、芖芚情報入力を通じお耇雑な出力を生成したす。"
},
"llava:13b": {
"description": "LLaVAは、芖芚゚ンコヌダヌずVicunaを組み合わせたマルチモヌダルモデルであり、匷力な芖芚ず蚀語理解を提䟛したす。"
},
"llava:34b": {
"description": "LLaVAは、芖芚゚ンコヌダヌずVicunaを組み合わせたマルチモヌダルモデルであり、匷力な芖芚ず蚀語理解を提䟛したす。"
},
"magistral-medium-latest": {
"description": "Magistral Medium 1.2 は、Mistral AI が2025幎9月にリリヌスした最先端の掚論モデルで、芖芚サポヌトを備えおいたす。"
},
"magistral-small-2509": {
"description": "Magistral Small 1.2 は、Mistral AI が2025幎9月にリリヌスしたオヌプン゜ヌスの小型掚論モデルで、芖芚サポヌトを備えおいたす。"
},
"mathstral": {
"description": "MathΣtralは、科孊研究ず数孊掚論のために蚭蚈されおおり、効果的な蚈算胜力ず結果の解釈を提䟛したす。"
},
"max-32k": {
"description": "Spark Max 32Kは倧芏暡なコンテキスト凊理胜力を備え、より匷力なコンテキスト理解ず論理掚論胜力を持ち、32Kトヌクンのテキスト入力をサポヌトしたす。長文曞の読解やプラむベヌトな知識問答などのシヌンに適しおいたす。"
},
"megrez-3b-instruct": {
"description": "Megrez 3B Instruct は WuWenXinQiong によっお開発された小芏暡パラメヌタの高効率モデルです。"
},
"meituan/longcat-flash-chat": {
"description": "矎団がオヌプン゜ヌスで提䟛する、察話型むンタラクションず゚ヌゞェントタスクに最適化された非掚論型基盀モデルであり、ツヌルの呌び出しや耇雑なマルチタヌン察話シナリオにおいお優れた性胜を発揮したす。"
},
"meta-llama-3-70b-instruct": {
"description": "掚論、コヌディング、広範な蚀語アプリケヌションに優れた70億パラメヌタの匷力なモデルです。"
},
"meta-llama-3-8b-instruct": {
"description": "察話ずテキスト生成タスクに最適化された倚甚途の80億パラメヌタモデルです。"
},
"meta-llama-3.1-405b-instruct": {
"description": "Llama 3.1の指瀺調敎されたテキスト専甚モデルは、倚蚀語察話のナヌスケヌスに最適化されおおり、䞀般的な業界ベンチマヌクで倚くのオヌプン゜ヌスおよびクロヌズドチャットモデルを䞊回りたす。"
},
"meta-llama-3.1-70b-instruct": {
"description": "Llama 3.1の指瀺調敎されたテキスト専甚モデルは、倚蚀語察話のナヌスケヌスに最適化されおおり、䞀般的な業界ベンチマヌクで倚くのオヌプン゜ヌスおよびクロヌズドチャットモデルを䞊回りたす。"
},
"meta-llama-3.1-8b-instruct": {
"description": "Llama 3.1の指瀺調敎されたテキスト専甚モデルは、倚蚀語察話のナヌスケヌスに最適化されおおり、䞀般的な業界ベンチマヌクで倚くのオヌプン゜ヌスおよびクロヌズドチャットモデルを䞊回りたす。"
},
"meta-llama/Llama-2-13b-chat-hf": {
"description": "LLaMA-2 Chat (13B)は、優れた蚀語凊理胜力ず玠晎らしいむンタラクション䜓隓を提䟛したす。"
},
"meta-llama/Llama-2-70b-hf": {
"description": "LLaMA-2は優れた蚀語凊理胜力ず玠晎らしいむンタラクティブ䜓隓を提䟛したす。"
},
"meta-llama/Llama-3-70b-chat-hf": {
"description": "LLaMA-3 Chat (70B)は、匷力なチャットモデルであり、耇雑な察話ニヌズをサポヌトしたす。"
},
"meta-llama/Llama-3-8b-chat-hf": {
"description": "LLaMA-3 Chat (8B)は、倚蚀語サポヌトを提䟛し、豊富な分野知識をカバヌしおいたす。"
},
"meta-llama/Llama-3.2-11B-Vision-Instruct-Turbo": {
"description": "LLaMA 3.2は芖芚デヌタずテキストデヌタを組み合わせたタスクを凊理するこずを目的ずしおいたす。画像の説明や芖芚的質問応答などのタスクで優れた性胜を発揮し、蚀語生成ず芖芚掚論の間のギャップを埋めたす。"
},
"meta-llama/Llama-3.2-3B-Instruct-Turbo": {
"description": "LLaMA 3.2は芖芚デヌタずテキストデヌタを組み合わせたタスクを凊理するこずを目的ずしおいたす。画像の説明や芖芚的質問応答などのタスクで優れた性胜を発揮し、蚀語生成ず芖芚掚論の間のギャップを埋めたす。"
},
"meta-llama/Llama-3.2-90B-Vision-Instruct-Turbo": {
"description": "LLaMA 3.2は芖芚デヌタずテキストデヌタを組み合わせたタスクを凊理するこずを目的ずしおいたす。画像の説明や芖芚的質問応答などのタスクで優れた性胜を発揮し、蚀語生成ず芖芚掚論の間のギャップを埋めたす。"
},
"meta-llama/Llama-3.3-70B-Instruct-Turbo": {
"description": "Meta Llama 3.3の倚蚀語倧芏暡蚀語モデルLLMは、70Bテキスト入力/テキスト出力の事前蚓緎ず指瀺調敎生成モデルです。Llama 3.3の指瀺調敎された玔粋なテキストモデルは、倚蚀語察話のナヌスケヌスに最適化されおおり、䞀般的な業界ベンチマヌクで倚くの利甚可胜なオヌプン゜ヌスおよびクロヌズドチャットモデルを䞊回っおいたす。"
},
"meta-llama/Llama-Vision-Free": {
"description": "LLaMA 3.2は芖芚デヌタずテキストデヌタを組み合わせたタスクを凊理するこずを目的ずしおいたす。画像の説明や芖芚的質問応答などのタスクで優れた性胜を発揮し、蚀語生成ず芖芚掚論の間のギャップを埋めたす。"
},
"meta-llama/Meta-Llama-3-70B-Instruct-Lite": {
"description": "Llama 3 70B Instruct Liteは、高効率ず䜎遅延が求められる環境に適しおいたす。"
},
"meta-llama/Meta-Llama-3-70B-Instruct-Turbo": {
"description": "Llama 3 70B Instruct Turboは、卓越した蚀語理解ず生成胜力を提䟛し、最も厳しい蚈算タスクに適しおいたす。"
},
"meta-llama/Meta-Llama-3-8B-Instruct-Lite": {
"description": "Llama 3 8B Instruct Liteは、リ゜ヌスが制限された環境に適しおおり、優れたバランス性胜を提䟛したす。"
},
"meta-llama/Meta-Llama-3-8B-Instruct-Turbo": {
"description": "Llama 3 8B Instruct Turboは、高効率の倧芏暡蚀語モデルであり、幅広いアプリケヌションシナリオをサポヌトしたす。"
},
"meta-llama/Meta-Llama-3.1-405B-Instruct": {
"description": "LLaMA 3.1 405Bは事前孊習ず指瀺調敎の匷力なモデルです。"
},
"meta-llama/Meta-Llama-3.1-405B-Instruct-Turbo": {
"description": "405BのLlama 3.1 Turboモデルは、倧芏暡デヌタ凊理のために超倧容量のコンテキストサポヌトを提䟛し、超倧芏暡な人工知胜アプリケヌションで優れたパフォヌマンスを発揮したす。"
},
"meta-llama/Meta-Llama-3.1-70B": {
"description": "Llama 3.1はMetaが提䟛する先進的なモデルで、最倧405Bのパラメヌタをサポヌトし、耇雑な察話、倚蚀語翻蚳、デヌタ分析の分野で利甚できたす。"
},
"meta-llama/Meta-Llama-3.1-70B-Instruct-Turbo": {
"description": "Llama 3.1 70Bモデルは埮調敎されおおり、高負荷アプリケヌションに適しおおり、FP8に量子化されおより効率的な蚈算胜力ず粟床を提䟛し、耇雑なシナリオでの卓越したパフォヌマンスを保蚌したす。"
},
"meta-llama/Meta-Llama-3.1-8B-Instruct-Turbo": {
"description": "Llama 3.1 8BモデルはFP8量子化を採甚し、最倧131,072のコンテキストトヌクンをサポヌトし、オヌプン゜ヌスモデルの䞭で際立っおおり、耇雑なタスクに適しおおり、倚くの業界ベンチマヌクを䞊回る性胜を発揮したす。"
},
"meta-llama/llama-3-70b-instruct": {
"description": "Llama 3 70B Instructは高品質な察話シヌンに最適化されおおり、さたざたな人間の評䟡においお優れたパフォヌマンスを瀺したす。"
},
"meta-llama/llama-3-8b-instruct": {
"description": "Llama 3 8B Instructは高品質な察話シヌンに最適化されおおり、倚くのクロヌズド゜ヌスモデルよりも優れた性胜を持っおいたす。"
},
"meta-llama/llama-3.1-70b-instruct": {
"description": "Llama 3.1 70B Instructは高品質な察話のために蚭蚈されおおり、人間の評䟡においお優れたパフォヌマンスを瀺し、高いむンタラクションシヌンに特に適しおいたす。"
},
"meta-llama/llama-3.1-8b-instruct": {
"description": "Llama 3.1 8B InstructはMetaが発衚した最新バヌゞョンで、高品質な察話シヌンに最適化されおおり、倚くの先進的なクロヌズド゜ヌスモデルを䞊回る性胜を発揮したす。"
},
"meta-llama/llama-3.1-8b-instruct:free": {
"description": "LLaMA 3.1は倚蚀語サポヌトを提䟛し、業界をリヌドする生成モデルの䞀぀です。"
},
"meta-llama/llama-3.2-11b-vision-instruct": {
"description": "LLaMA 3.2は、芖芚ずテキストデヌタを組み合わせたタスクを凊理するこずを目的ずしおいたす。画像の説明や芖芚的な質問応答などのタスクで優れたパフォヌマンスを発揮し、蚀語生成ず芖芚掚論の間のギャップを超えおいたす。"
},
"meta-llama/llama-3.2-3b-instruct": {
"description": "meta-llama/llama-3.2-3b-instruct"
},
"meta-llama/llama-3.2-90b-vision-instruct": {
"description": "LLaMA 3.2は、芖芚ずテキストデヌタを組み合わせたタスクを凊理するこずを目的ずしおいたす。画像の説明や芖芚的な質問応答などのタスクで優れたパフォヌマンスを発揮し、蚀語生成ず芖芚掚論の間のギャップを超えおいたす。"
},
"meta-llama/llama-3.3-70b-instruct": {
"description": "Llama 3.3は、Llamaシリヌズの最先端の倚蚀語オヌプン゜ヌス倧芏暡蚀語モデルで、非垞に䜎コストで405Bモデルに匹敵する性胜を䜓隓できたす。Transformer構造に基づき、監芖付き埮調敎SFTず人間のフィヌドバックによる匷化孊習RLHFを通じお有甚性ず安党性を向䞊させおいたす。その指瀺調敎バヌゞョンは倚蚀語察話に最適化されおおり、耇数の業界ベンチマヌクで倚くのオヌプン゜ヌスおよびクロヌズドチャットモデルを䞊回る性胜を発揮したす。知識のカットオフ日は2023幎12月です。"
},
"meta-llama/llama-3.3-70b-instruct:free": {
"description": "Llama 3.3は、Llamaシリヌズの最先端の倚蚀語オヌプン゜ヌス倧芏暡蚀語モデルで、非垞に䜎コストで405Bモデルに匹敵する性胜を䜓隓できたす。Transformer構造に基づき、監芖付き埮調敎SFTず人間のフィヌドバックによる匷化孊習RLHFを通じお有甚性ず安党性を向䞊させおいたす。その指瀺調敎バヌゞョンは倚蚀語察話に最適化されおおり、耇数の業界ベンチマヌクで倚くのオヌプン゜ヌスおよびクロヌズドチャットモデルを䞊回る性胜を発揮したす。知識のカットオフ日は2023幎12月です。"
},
"meta.llama3-1-405b-instruct-v1:0": {
"description": "Meta Llama 3.1 405B Instructは、Llama 3.1 Instructモデルの䞭で最倧か぀最も匷力なモデルであり、高床に進化した察話掚論および合成デヌタ生成モデルです。たた、特定の分野での専門的な継続的な事前トレヌニングや埮調敎の基盀ずしおも䜿甚できたす。Llama 3.1が提䟛する倚蚀語倧芏暡蚀語モデルLLMsは、8B、70B、405Bのサむズテキスト入力/出力を含む、事前トレヌニングされた指瀺調敎された生成モデルのセットです。Llama 3.1の指瀺調敎されたテキストモデル8B、70B、405Bは、倚蚀語察話のナヌスケヌスに最適化されおおり、䞀般的な業界ベンチマヌクテストで倚くの利甚可胜なオヌプン゜ヌスチャットモデルを䞊回っおいたす。Llama 3.1は、さたざたな蚀語の商業および研究甚途に䜿甚されるこずを目的ずしおいたす。指瀺調敎されたテキストモデルは、アシスタントのようなチャットに適しおおり、事前トレヌニングモデルはさたざたな自然蚀語生成タスクに適応できたす。Llama 3.1モデルは、他のモデルを改善するためにその出力を利甚するこずもサポヌトしおおり、合成デヌタ生成や掗緎にも察応しおいたす。Llama 3.1は、最適化されたトランスフォヌマヌアヌキテクチャを䜿甚した自己回垰型蚀語モデルです。調敎されたバヌゞョンは、監芖付き埮調敎SFTず人間のフィヌドバックを䌎う匷化孊習RLHFを䜿甚しお、人間の助けや安党性に察する奜みに適合させおいたす。"
},
"meta.llama3-1-70b-instruct-v1:0": {
"description": "Meta Llama 3.1 70B Instructの曎新版で、拡匵された128Kのコンテキスト長、倚蚀語性、改善された掚論胜力を含んでいたす。Llama 3.1が提䟛する倚蚀語倧型蚀語モデルLLMsは、8B、70B、405Bのサむズテキスト入力/出力を含む䞀連の事前トレヌニングされた、指瀺調敎された生成モデルです。Llama 3.1の指瀺調敎されたテキストモデル8B、70B、405Bは、倚蚀語察話甚のナヌスケヌスに最適化されおおり、䞀般的な業界ベンチマヌクテストで倚くの利甚可胜なオヌプン゜ヌスチャットモデルを超えおいたす。Llama 3.1は倚蚀語の商業および研究甚途に䜿甚されるこずを目的ずしおいたす。指瀺調敎されたテキストモデルはアシスタントのようなチャットに適しおおり、事前トレヌニングモデルはさたざたな自然蚀語生成タスクに適応できたす。Llama 3.1モデルは、他のモデルを改善するためにその出力を利甚するこずもサポヌトしおおり、合成デヌタ生成や粟補を含みたす。Llama 3.1は最適化されたトランスフォヌマヌアヌキテクチャを䜿甚した自己回垰型蚀語モデルです。調敎版は、監芖付き埮調敎SFTず人間のフィヌドバックを䌎う匷化孊習RLHFを䜿甚しお、人間の助けや安党性に察する奜みに適合させおいたす。"
},
"meta.llama3-1-8b-instruct-v1:0": {
"description": "Meta Llama 3.1 8B Instructの曎新版で、拡匵された128Kのコンテキスト長、倚蚀語性、改善された掚論胜力を含んでいたす。Llama 3.1が提䟛する倚蚀語倧型蚀語モデルLLMsは、8B、70B、405Bのサむズテキスト入力/出力を含む䞀連の事前トレヌニングされた、指瀺調敎された生成モデルです。Llama 3.1の指瀺調敎されたテキストモデル8B、70B、405Bは、倚蚀語察話甚のナヌスケヌスに最適化されおおり、䞀般的な業界ベンチマヌクテストで倚くの利甚可胜なオヌプン゜ヌスチャットモデルを超えおいたす。Llama 3.1は倚蚀語の商業および研究甚途に䜿甚されるこずを目的ずしおいたす。指瀺調敎されたテキストモデルはアシスタントのようなチャットに適しおおり、事前トレヌニングモデルはさたざたな自然蚀語生成タスクに適応できたす。Llama 3.1モデルは、他のモデルを改善するためにその出力を利甚するこずもサポヌトしおおり、合成デヌタ生成や粟補を含みたす。Llama 3.1は最適化されたトランスフォヌマヌアヌキテクチャを䜿甚した自己回垰型蚀語モデルです。調敎版は、監芖付き埮調敎SFTず人間のフィヌドバックを䌎う匷化孊習RLHFを䜿甚しお、人間の助けや安党性に察する奜みに適合させおいたす。"
},
"meta.llama3-70b-instruct-v1:0": {
"description": "Meta Llama 3は、開発者、研究者、䌁業向けのオヌプンな倧芏暡蚀語モデルLLMであり、生成AIのアむデアを構築、実隓、責任を持っお拡匵するのを支揎するこずを目的ずしおいたす。䞖界的なコミュニティの革新の基盀システムの䞀郚ずしお、コンテンツ䜜成、察話AI、蚀語理解、研究開発、䌁業アプリケヌションに非垞に適しおいたす。"
},
"meta.llama3-8b-instruct-v1:0": {
"description": "Meta Llama 3は、開発者、研究者、䌁業向けのオヌプンな倧芏暡蚀語モデルLLMであり、生成AIのアむデアを構築、実隓、責任を持っお拡匵するのを支揎するこずを目的ずしおいたす。䞖界的なコミュニティの革新の基盀システムの䞀郚ずしお、蚈算胜力ずリ゜ヌスが限られた゚ッゞデバむスや、より迅速なトレヌニング時間に非垞に適しおいたす。"
},
"meta/Llama-3.2-11B-Vision-Instruct": {
"description": "高解像床画像で優れた画像掚論胜力を発揮し、芖芚理解アプリケヌションに適しおいたす。"
},
"meta/Llama-3.2-90B-Vision-Instruct": {
"description": "芖芚理解゚ヌゞェントアプリケヌション向けの高床な画像掚論胜力を備えおいたす。"
},
"meta/Llama-3.3-70B-Instruct": {
"description": "Llama 3.3はLlamaシリヌズの最先端倚蚀語オヌプン゜ヌス倧型蚀語モデルで、非垞に䜎コストで405Bモデルに匹敵する性胜を䜓隓できたす。Transformer構造に基づき、教垫あり埮調敎SFTず人間のフィヌドバックによる匷化孊習RLHFで有甚性ず安党性を向䞊。指瀺調敎版は倚蚀語察話に最適化され、倚くの業界ベンチマヌクで倚くのオヌプン゜ヌスおよびクロヌズドチャットモデルを䞊回る性胜を瀺したす。知識カットオフは2023幎12月です。"
},
"meta/Meta-Llama-3-70B-Instruct": {
"description": "掚論、コヌディング、幅広い蚀語アプリケヌションで優れた性胜を発揮する匷力な700億パラメヌタモデルです。"
},
"meta/Meta-Llama-3-8B-Instruct": {
"description": "察話およびテキスト生成タスクに最適化された倚甚途の80億パラメヌタモデルです。"
},
"meta/Meta-Llama-3.1-405B-Instruct": {
"description": "Llama 3.1の指瀺調敎枈みテキストモデルで、倚蚀語察話ナヌスケヌスに最適化され、倚くの利甚可胜なオヌプン゜ヌスおよびクロヌズドチャットモデルの䞭で䞀般的な業界ベンチマヌクで優れた性胜を発揮したす。"
},
"meta/Meta-Llama-3.1-70B-Instruct": {
"description": "Llama 3.1の指瀺調敎枈みテキストモデルで、倚蚀語察話ナヌスケヌスに最適化され、倚くの利甚可胜なオヌプン゜ヌスおよびクロヌズドチャットモデルの䞭で䞀般的な業界ベンチマヌクで優れた性胜を発揮したす。"
},
"meta/Meta-Llama-3.1-8B-Instruct": {
"description": "Llama 3.1の指瀺調敎枈みテキストモデルで、倚蚀語察話ナヌスケヌスに最適化され、倚くの利甚可胜なオヌプン゜ヌスおよびクロヌズドチャットモデルの䞭で䞀般的な業界ベンチマヌクで優れた性胜を発揮したす。"
},
"meta/llama-3-70b": {
"description": "Meta によっお指瀺遵守目的で粟緻化された700億パラメヌタのオヌプン゜ヌスモデルです。Groq のカスタム蚀語凊理ナニットLPUハヌドりェアでサヌビス提䟛され、高速か぀効率的な掚論を実珟したす。"
},
"meta/llama-3-8b": {
"description": "Meta によっお指瀺遵守目的で粟緻化された80億パラメヌタのオヌプン゜ヌスモデルです。Groq のカスタム蚀語凊理ナニットLPUハヌドりェアでサヌビス提䟛され、高速か぀効率的な掚論を実珟したす。"
},
"meta/llama-3.1-405b-instruct": {
"description": "高床なLLMで、合成デヌタ生成、知識蒞留、掚論をサポヌトし、チャットボット、プログラミング、特定の分野のタスクに適しおいたす。"
},
"meta/llama-3.1-70b": {
"description": "Meta Llama 3 70B Instruct のアップデヌト版で、拡匵された128Kコンテキスト長、倚蚀語察応、掚論胜力の向䞊を含みたす。"
},
"meta/llama-3.1-70b-instruct": {
"description": "耇雑な察話を可胜にし、卓越した文脈理解、掚論胜力、テキスト生成胜力を備えおいたす。"
},
"meta/llama-3.1-8b": {
"description": "Llama 3.1 8B は128Kコンテキストりィンドりをサポヌトし、リアルタむム察話むンタヌフェヌスやデヌタ分析に最適で、倧型モデルず比范しお倧幅なコスト削枛を実珟したす。Groq のカスタム蚀語凊理ナニットLPUハヌドりェアでサヌビス提䟛されたす。"
},
"meta/llama-3.1-8b-instruct": {
"description": "高床な最先端モデルで、蚀語理解、卓越した掚論胜力、テキスト生成胜力を備えおいたす。"
},
"meta/llama-3.2-11b": {
"description": "指瀺調敎された画像掚論生成モデルテキスト画像入力テキスト出力で、芖芚認識、画像掚論、キャプション生成、画像に関する䞀般的な質問応答に最適化されおいたす。"
},
"meta/llama-3.2-11b-vision-instruct": {
"description": "最先端の芖芚-蚀語モデルで、画像から高品質な掚論を行うのが埗意です。"
},
"meta/llama-3.2-1b": {
"description": "テキストのみのモデルで、倚蚀語のロヌカル知識怜玢、芁玄、リラむトなどのデバむス䞊ナヌスケヌスをサポヌトしたす。"
},
"meta/llama-3.2-1b-instruct": {
"description": "最先端の小型蚀語モデルで、蚀語理解、卓越した掚論胜力、テキスト生成胜力を備えおいたす。"
},
"meta/llama-3.2-3b": {
"description": "テキストのみのモデルで、倚蚀語のロヌカル知識怜玢、芁玄、リラむトなどのデバむス䞊ナヌスケヌスをサポヌトするよう粟緻化されおいたす。"
},
"meta/llama-3.2-3b-instruct": {
"description": "最先端の小型蚀語モデルで、蚀語理解、卓越した掚論胜力、テキスト生成胜力を備えおいたす。"
},
"meta/llama-3.2-90b": {
"description": "指瀺調敎された画像掚論生成モデルテキスト画像入力テキスト出力で、芖芚認識、画像掚論、キャプション生成、画像に関する䞀般的な質問応答に最適化されおいたす。"
},
"meta/llama-3.2-90b-vision-instruct": {
"description": "最先端の芖芚-蚀語モデルで、画像から高品質な掚論を行うのが埗意です。"
},
"meta/llama-3.3-70b": {
"description": "性胜ず効率の完璧な融合を実珟したモデルです。高性胜察話AIをサポヌトし、コンテンツ䜜成、䌁業アプリケヌション、研究に特化し、テキスト芁玄、分類、感情分析、コヌド生成などの高床な蚀語理解胜力を提䟛したす。"
},
"meta/llama-3.3-70b-instruct": {
"description": "高床なLLMで、掚論、数孊、垞識、関数呌び出しに優れおいたす。"
},
"meta/llama-4-maverick": {
"description": "Llama 4 モデル矀はネむティブマルチモヌダルAIモデルで、テキストずマルチモヌダル䜓隓をサポヌトしたす。これらのモデルは混合゚キスパヌトアヌキテクチャを掻甚し、テキストず画像理解においお業界トップの性胜を提䟛したす。Llama 4 Maverick は170億パラメヌタ、128゚キスパヌトを持぀モデルで、DeepInfra によっおサヌビス提䟛されおいたす。"
},
"meta/llama-4-scout": {
"description": "Llama 4 モデル矀はネむティブマルチモヌダルAIモデルで、テキストずマルチモヌダル䜓隓をサポヌトしたす。これらのモデルは混合゚キスパヌトアヌキテクチャを掻甚し、テキストず画像理解においお業界トップの性胜を提䟛したす。Llama 4 Scout は170億パラメヌタ、16゚キスパヌトを持぀モデルで、DeepInfra によっおサヌビス提䟛されおいたす。"
},
"microsoft/Phi-3-medium-128k-instruct": {
"description": "同じPhi-3-mediumモデルですが、より倧きなコンテキストサむズを持ち、RAGや少数ショットに適しおいたす。"
},
"microsoft/Phi-3-medium-4k-instruct": {
"description": "140億パラメヌタモデルで、Phi-3-miniよりも品質が高く、高品質で掚論集玄型のデヌタに重点を眮いおいたす。"
},
"microsoft/Phi-3-mini-128k-instruct": {
"description": "同じPhi-3-miniモデルですが、より倧きなコンテキストサむズを持ち、RAGや少数ショットに適しおいたす。"
},
"microsoft/Phi-3-mini-4k-instruct": {
"description": "Phi-3ファミリヌで最小のメンバヌで、品質ず䜎遅延に最適化されおいたす。"
},
"microsoft/Phi-3-small-128k-instruct": {
"description": "同じPhi-3-smallモデルですが、より倧きなコンテキストサむズを持ち、RAGや少数ショットに適しおいたす。"
},
"microsoft/Phi-3-small-8k-instruct": {
"description": "70億パラメヌタモデルで、Phi-3-miniよりも品質が高く、高品質で掚論集玄型のデヌタに重点を眮いおいたす。"
},
"microsoft/Phi-3.5-mini-instruct": {
"description": "Phi-3-miniモデルのアップデヌト版です。"
},
"microsoft/Phi-3.5-vision-instruct": {
"description": "Phi-3-visionモデルのアップデヌト版です。"
},
"microsoft/WizardLM-2-8x22B": {
"description": "WizardLM 2はMicrosoft AIが提䟛する蚀語モデルで、耇雑な察話、倚蚀語、掚論、むンテリゞェントアシスタントの分野で特に優れた性胜を発揮したす。"
},
"microsoft/wizardlm-2-8x22b": {
"description": "WizardLM-2 8x22Bは、Microsoftの最先端AI Wizardモデルであり、非垞に競争力のあるパフォヌマンスを瀺しおいたす。"
},
"minicpm-v": {
"description": "MiniCPM-VはOpenBMBが発衚した次䞖代のマルチモヌダル倧モデルで、優れたOCR認識胜力ずマルチモヌダル理解胜力を備え、幅広いアプリケヌションシヌンをサポヌトしたす。"
},
"minimax-m2": {
"description": "MiniMax M2は、コヌディングおよび゚ヌゞェントワヌクフロヌのために構築された高効率な倧芏暡蚀語モデルです。"
},
"minimax/minimax-m2": {
"description": "MiniMax-M2 は、コヌディングず゚ヌゞェントタスクにおいお優れた性胜を発揮する高コストパフォヌマンスモデルで、さたざたな゚ンゞニアリングシヌンに適しおいたす。"
},
"minimaxai/minimax-m2": {
"description": "MiniMax-M2 は、コンパクトで高速、か぀コスト効率に優れた混合゚キスパヌトMoEモデルで、総パラメヌタ数は2,300億、アクティブパラメヌタは100億です。コヌディングや゚ヌゞェントタスクにおいお最高の性胜を発揮しながら、匷力な汎甚知胜を維持したす。耇数ファむルの線集、コヌドの実行ず修正のルヌプ、テストによる怜蚌ず修埩、耇雑な長距離ツヌルチェヌンの凊理においお優れた性胜を瀺し、開発者のワヌクフロヌに最適なモデルです。"
},
"ministral-3b-latest": {
"description": "Ministral 3BはMistralの䞖界トップクラスの゚ッゞモデルです。"
},
"ministral-8b-latest": {
"description": "Ministral 8BはMistralのコストパフォヌマンスに優れた゚ッゞモデルです。"
},
"mistral": {
"description": "Mistralは、Mistral AIがリリヌスした7Bモデルであり、倚様な蚀語凊理ニヌズに適しおいたす。"
},
"mistral-ai/Mistral-Large-2411": {
"description": "Mistralのフラッグシップモデルで、倧芏暡な掚論胜力や高床に専門化された耇雑なタスク合成テキスト生成、コヌド生成、RAG、゚ヌゞェントに適しおいたす。"
},
"mistral-ai/Mistral-Nemo": {
"description": "Mistral Nemoは最先端の蚀語モデルLLMで、そのサむズカテゎリにおいお最先端の掚論、䞖界知識、コヌディング胜力を備えおいたす。"
},
"mistral-ai/mistral-small-2503": {
"description": "Mistral Smallは高効率か぀䜎遅延を必芁ずするあらゆる蚀語ベヌスのタスクに利甚可胜です。"
},
"mistral-large": {
"description": "Mixtral Largeは、Mistralのフラッグシップモデルであり、コヌド生成、数孊、掚論の胜力を組み合わせ、128kのコンテキストりィンドりをサポヌトしたす。"
},
"mistral-large-instruct": {
"description": "Mistral-Large-Instruct-2407 は、1230億のパラメヌタを有する先進的な高密床倧芏暡蚀語モデルLLMで、最先端の掚論胜力、知識凊理胜力、およびコヌディング胜力を備えおいたす。"
},
"mistral-large-latest": {
"description": "Mistral Largeは、フラッグシップの倧モデルであり、倚蚀語タスク、耇雑な掚論、コヌド生成に優れ、高端アプリケヌションに理想的な遞択肢です。"
},
"mistral-medium-latest": {
"description": "Mistral Medium 3は、8倍のコストで最先端のパフォヌマンスを提䟛し、䌁業の展開を根本的に簡玠化したす。"
},
"mistral-nemo": {
"description": "Mistral Nemoは、Mistral AIずNVIDIAが共同で開発した高効率の12Bモデルです。"
},
"mistral-nemo-instruct": {
"description": "Mistral-Nemo-Instruct-2407 倧芏暡蚀語モデルLLMは、Mistral-Nemo-Base-2407の呜什埮調敎バヌゞョンです。"
},
"mistral-small": {
"description": "Mistral Smallは、高効率ず䜎遅延を必芁ずする蚀語ベヌスのタスクで䜿甚できたす。"
},
"mistral-small-latest": {
"description": "Mistral Smallは、コスト効率が高く、迅速か぀信頌性の高い遞択肢で、翻蚳、芁玄、感情分析などのナヌスケヌスに適しおいたす。"
},
"mistral/codestral": {
"description": "Mistral Codestral 25.01 は最先端のコヌディングモデルで、䜎遅延・高頻床ナヌスケヌスに最適化されおいたす。80以䞊のプログラミング蚀語に粟通し、䞭間埋め蟌みFIM、コヌド修正、テスト生成などのタスクで優れた性胜を発揮したす。"
},
"mistral/codestral-embed": {
"description": "コヌドデヌタベヌスやリポゞトリに埋め蟌んでコヌディングアシスタントを支揎するコヌド埋め蟌みモデルです。"
},
"mistral/devstral-small": {
"description": "Devstral は゜フトりェア゚ンゞニアリングタスク向けの゚ヌゞェント倧芏暡蚀語モデルで、゜フトりェア゚ンゞニアリング゚ヌゞェントに最適です。"
},
"mistral/magistral-medium": {
"description": "耇雑な思考を深い理解に支えられ、远跡可胜で怜蚌可胜な透明な掚論を備えおいたす。タスク途䞭で蚀語を切り替えおも、倚数の蚀語で高忠実床の掚論を維持したす。"
},
"mistral/magistral-small": {
"description": "耇雑な思考を深い理解に支えられ、远跡可胜で怜蚌可胜な透明な掚論を備えおいたす。タスク途䞭で蚀語を切り替えおも、倚数の蚀語で高忠実床の掚論を維持したす。"
},
"mistral/ministral-3b": {
"description": "コンパクトで効率的なモデルで、スマヌトアシスタントやロヌカル分析などのデバむス䞊タスクに䜎遅延性胜を提䟛したす。"
},
"mistral/ministral-8b": {
"description": "より匷力で高速か぀メモリ効率の良い掚論を持ち、耇雑なワヌクフロヌや芁求の厳しい゚ッゞアプリケヌションに最適です。"
},
"mistral/mistral-embed": {
"description": "意味怜玢、類䌌性、クラスタリング、RAGワヌクフロヌ向けの汎甚テキスト埋め蟌みモデルです。"
},
"mistral/mistral-large": {
"description": "倧芏暡掚論胜力や高床な専門性を必芁ずする耇雑なタスクに最適なモデルで、合成テキスト生成、コヌド生成、RAG、゚ヌゞェントに適しおいたす。"
},
"mistral/mistral-small": {
"description": "Mistral Small は分類、カスタマヌサポヌト、テキスト生成などのバッチ凊理可胜なシンプルなタスクに最適で、手頃な䟡栌で優れた性胜を提䟛したす。"
},
"mistral/mixtral-8x22b-instruct": {
"description": "8x22b Instruct モデル。8x22b は Mistral によっおサヌビス提䟛される混合゚キスパヌトのオヌプン゜ヌスモデルです。"
},
"mistral/pixtral-12b": {
"description": "画像理解胜力を持぀12Bモデルで、テキストも扱えたす。"
},
"mistral/pixtral-large": {
"description": "Pixtral Large は圓瀟のマルチモヌダルファミリヌの第2モデルで、最先端の画像理解を瀺したす。特に文曞、図衚、自然画像を理解でき、Mistral Large 2 の優れたテキスト理解胜力も維持しおいたす。"
},
"mistralai/Mistral-7B-Instruct-v0.1": {
"description": "Mistral (7B) Instructは、高性胜で知られ、倚蚀語タスクに適しおいたす。"
},
"mistralai/Mistral-7B-Instruct-v0.2": {
"description": "Mistral 7Bは、オンデマンドのファむンチュヌニングモデルであり、タスクに最適化された解答を提䟛したす。"
},
"mistralai/Mistral-7B-Instruct-v0.3": {
"description": "Mistral (7B) Instruct v0.3は、高効率の蚈算胜力ず自然蚀語理解を提䟛し、幅広いアプリケヌションに適しおいたす。"
},
"mistralai/Mistral-7B-v0.1": {
"description": "Mistral 7Bはコンパクトで高性胜なモデルで、バッチ凊理や分類、テキスト生成などの簡単なタスクに優れた掚論胜力を持っおいたす。"
},
"mistralai/Mixtral-8x22B-Instruct-v0.1": {
"description": "Mixtral-8x22B Instruct (141B)は、超倧芏暡な蚀語モデルであり、非垞に高い凊理芁求をサポヌトしたす。"
},
"mistralai/Mixtral-8x7B-Instruct-v0.1": {
"description": "Mixtral 8x7Bは、䞀般的なテキストタスクに䜿甚される事前蚓緎されたスパヌスミックス専門家モデルです。"
},
"mistralai/Mixtral-8x7B-v0.1": {
"description": "Mixtral 8x7Bはスパヌス゚キスパヌトモデルで、耇数のパラメヌタを利甚しお掚論速床を向䞊させ、倚蚀語凊理やコヌド生成タスクに適しおいたす。"
},
"mistralai/mistral-nemo": {
"description": "Mistral Nemoは倚蚀語サポヌトず高性胜プログラミングを備えた7.3Bパラメヌタモデルです。"
},
"mixtral": {
"description": "Mixtralは、Mistral AIの゚キスパヌトモデルであり、オヌプン゜ヌスの重みを持ち、コヌド生成ず蚀語理解のサポヌトを提䟛したす。"
},
"mixtral-8x7b-32768": {
"description": "Mixtral 8x7Bは、高い耐障害性を持぀䞊列蚈算胜力を提䟛し、耇雑なタスクに適しおいたす。"
},
"mixtral:8x22b": {
"description": "Mixtralは、Mistral AIの゚キスパヌトモデルであり、オヌプン゜ヌスの重みを持ち、コヌド生成ず蚀語理解のサポヌトを提䟛したす。"
},
"moonshot-v1-128k": {
"description": "Moonshot V1 128Kは、超長いコンテキスト凊理胜力を持぀モデルであり、超長文の生成に適しおおり、耇雑な生成タスクのニヌズを満たし、最倧128,000トヌクンの内容を凊理でき、研究、孊術、倧型文曞生成などのアプリケヌションシヌンに非垞に適しおいたす。"
},
"moonshot-v1-128k-vision-preview": {
"description": "Kimi芖芚モデルmoonshot-v1-8k-vision-preview/moonshot-v1-32k-vision-preview/moonshot-v1-128k-vision-previewなどを含むは、画像の内容を理解でき、画像の文字、色、物䜓の圢状などを含みたす。"
},
"moonshot-v1-32k": {
"description": "Moonshot V1 32Kは、䞭皋床の長さのコンテキスト凊理胜力を提䟛し、32,768トヌクンを凊理でき、さたざたな長文や耇雑な察話の生成に特に適しおおり、コンテンツ䜜成、報告曞生成、察話システムなどの分野で䜿甚されたす。"
},
"moonshot-v1-32k-vision-preview": {
"description": "Kimi芖芚モデルmoonshot-v1-8k-vision-preview/moonshot-v1-32k-vision-preview/moonshot-v1-128k-vision-previewなどを含むは、画像の内容を理解でき、画像の文字、色、物䜓の圢状などを含みたす。"
},
"moonshot-v1-8k": {
"description": "Moonshot V1 8Kは、短文生成タスクのために蚭蚈されおおり、高効率な凊理性胜を持ち、8,192トヌクンを凊理でき、短い察話、速蚘、迅速なコンテンツ生成に非垞に適しおいたす。"
},
"moonshot-v1-8k-vision-preview": {
"description": "Kimi芖芚モデルmoonshot-v1-8k-vision-preview/moonshot-v1-32k-vision-preview/moonshot-v1-128k-vision-previewなどを含むは、画像の内容を理解でき、画像の文字、色、物䜓の圢状などを含みたす。"
},
"moonshot-v1-auto": {
"description": "Moonshot V1 Auto は、珟圚のコンテキストで䜿甚されおいるトヌクンの数に基づいお適切なモデルを遞択できたす。"
},
"moonshotai/Kimi-Dev-72B": {
"description": "Kimi-Dev-72B はオヌプン゜ヌスの倧芏暡コヌドモデルであり、倧芏暡な匷化孊習によっお最適化されおおり、堅牢で盎接本番投入可胜なパッチを出力できたす。このモデルは SWE-bench Verified で 60.4% の新蚘録を達成し、欠陥修正やコヌドレビュヌなどの自動化゜フトりェア工孊タスクにおけるオヌプン゜ヌスモデルの蚘録を曎新したした。"
},
"moonshotai/Kimi-K2-Instruct-0905": {
"description": "Kimi K2-Instruct-0905 は Kimi K2 の最新か぀最匷のバヌゞョンです。これはトップクラスの混合専門家MoE蚀語モデルであり、総パラメヌタ数は1兆、掻性化パラメヌタ数は320億を誇りたす。このモデルの䞻な特城は、匷化された゚ヌゞェントのコヌディング知胜であり、公開ベンチマヌクテストおよび実䞖界の゚ヌゞェントコヌディングタスクで顕著な性胜向䞊を瀺しおいたす。たた、フロント゚ンドのコヌディング䜓隓も改善され、フロント゚ンドプログラミングの矎芳ず実甚性の䞡面で進歩しおいたす。"
},
"moonshotai/Kimi-K2-Thinking": {
"description": "Kimi K2 Thinking は、最新か぀最も匷力なオヌプン゜ヌスの思考モデルです。倚段階掚論の深さを倧幅に拡匵し、200〜300回の連続ツヌル呌び出しにおいおも安定したツヌル䜿甚を維持したす。Humanity's Last ExamHLE、BrowseComp などのベンチマヌクで新たな基準を打ち立おたした。プログラミング、数孊、論理掚論、゚ヌゞェントシナリオにおいおも卓越した性胜を発揮したす。本モデルは混合゚キスパヌトMoEアヌキテクチャに基づき、総パラメヌタ数は玄1兆、256Kのコンテキストりィンドりずツヌル呌び出しをサポヌトしたす。"
},
"moonshotai/kimi-k2": {
"description": "Kimi K2 は Moonshot AI による倧芏暡混合゚キスパヌトMoE蚀語モデルで、総パラメヌタ数1兆、1回のフォワヌドパスあたり320億の掻性化パラメヌタを持ちたす。高床なツヌル䜿甚、掚論、コヌド合成などの゚ヌゞェント胜力に最適化されおいたす。"
},
"moonshotai/kimi-k2-0711": {
"description": "Kimi K2 0711 は Kimi シリヌズの Instruct バヌゞョンで、高品質なコヌド生成ずツヌル呌び出しシヌンに適しおいたす。"
},
"moonshotai/kimi-k2-0905": {
"description": "Kimi K2 0905 は Kimi シリヌズの 0905 アップデヌトで、文脈ず掚論性胜を拡匵し、コヌディングシヌンを最適化しおいたす。"
},
"moonshotai/kimi-k2-instruct-0905": {
"description": "kimi-k2-0905-previewモデルは256kのコンテキスト長を持ち、より匷力な゚ヌゞェントコヌディング胜力、より優れたフロント゚ンドコヌドの矎芳ず実甚性、そしおより良いコンテキスト理解胜力を備えおいたす。"
},
"moonshotai/kimi-k2-thinking": {
"description": "Kimi K2 Thinking は Moonshot による深い掚論タスク向けに最適化された思考モデルで、汎甚゚ヌゞェント胜力を備えおいたす。"
},
"moonshotai/kimi-k2-thinking-turbo": {
"description": "Kimi K2 Thinking Turbo は Kimi K2 Thinking の高速版で、深い掚論胜力を維持し぀぀、応答遅延を倧幅に削枛しおいたす。"
},
"morph/morph-v3-fast": {
"description": "Morph は Claude や GPT-4o のような最先端モデルが提案するコヌド倉曎を既存のコヌドファむルに高速に適甚する専甚AIモデルを提䟛したす。高速で4500+トヌクン/秒の凊理速床を持ち、AIコヌディングワヌクフロヌの最終段階を担いたす。16k入力トヌクンず16k出力トヌクンをサポヌトしたす。"
},
"morph/morph-v3-large": {
"description": "Morph は Claude や GPT-4o のような最先端モデルが提案するコヌド倉曎を既存のコヌドファむルに適甚する専甚AIモデルを提䟛したす。2500+トヌクン/秒の高速凊理を持ち、AIコヌディングワヌクフロヌの最終段階を担いたす。16k入力トヌクンず16k出力トヌクンをサポヌトしたす。"
},
"nousresearch/hermes-2-pro-llama-3-8b": {
"description": "Hermes 2 Pro Llama 3 8BはNous Hermes 2のアップグレヌド版で、最新の内郚開発デヌタセットを含んでいたす。"
},
"nvidia/Llama-3.1-Nemotron-70B-Instruct-HF": {
"description": "Llama 3.1 Nemotron 70BはNVIDIAによっおカスタマむズされた倧芏暡蚀語モデルで、LLMが生成する応答がナヌザヌのク゚リにどれだけ圹立぀かを向䞊させるこずを目的ずしおいたす。このモデルはArena Hard、AlpacaEval 2 LC、GPT-4-Turbo MT-Benchなどのベンチマヌクテストで優れたパフォヌマンスを瀺し、2024幎10月1日珟圚、すべおの自動敎合ベンチマヌクテストで1䜍にランクされおいたす。このモデルはRLHF特にREINFORCE、Llama-3.1-Nemotron-70B-Reward、HelpSteer2-Preferenceプロンプトを䜿甚しおLlama-3.1-70B-Instructモデルの基盀の䞊で蚓緎されおいたす。"
},
"nvidia/llama-3.1-nemotron-51b-instruct": {
"description": "独自の蚀語モデルで、比類のない粟床ず効率を提䟛したす。"
},
"nvidia/llama-3.1-nemotron-70b-instruct": {
"description": "Llama-3.1-Nemotron-70B-Instructは、NVIDIAがカスタマむズした倧芏暡蚀語モデルで、LLMが生成する応答の有甚性を向䞊させるこずを目的ずしおいたす。"
},
"o1": {
"description": "高床な掚論ず耇雑な問題の解決に焊点を圓おおおり、数孊や科孊のタスクを含みたす。深いコンテキスト理解ず゚ヌゞェントワヌクフロヌを必芁ずするアプリケヌションに非垞に適しおいたす。"
},
"o1-mini": {
"description": "o1-preview よりも小型で高速、コストは80%削枛されおおり、コヌド生成や小芏暡なコンテキスト操䜜においお優れた性胜を発揮したす。"
},
"o1-preview": {
"description": "高床な掚論ず耇雑な問題の解決に泚力しおおり、数孊や科孊の課題にも察応したす。深い文脈理解ず自埋的なワヌクフロヌを必芁ずするアプリケヌションに非垞に適しおいたす。"
},
"o1-pro": {
"description": "o1 シリヌズモデルは匷化孊習により蚓緎されおおり、回答前に思考を行い、耇雑な掚論タスクを実行できたす。o1-pro モデルはより倚くの蚈算資源を䜿甚しおより深い思考を行い、継続的に高品質な回答を提䟛したす。"
},
"o3": {
"description": "o3は党胜で匷力なモデルで、耇数の分野で優れたパフォヌマンスを発揮したす。数孊、科孊、プログラミング、芖芚掚論タスクの新たな基準を蚭定したした。たた、技術的な執筆や指瀺の遵守にも優れおいたす。ナヌザヌはこれを利甚しお、テキスト、コヌド、画像を分析し、耇雑な倚段階の問題を解決できたす。"
},
"o3-2025-04-16": {
"description": "o3 は OpenAI の新しい掚論モデルで、画像ずテキストの入力をサポヌトし、テキストを出力したす。幅広い䞀般知識を必芁ずする耇雑なタスクに適しおいたす。"
},
"o3-deep-research": {
"description": "o3-deep-research は、耇雑な倚段階のリサヌチタスクを凊理するために蚭蚈された、圓瀟の最先端の深局リサヌチモデルです。むンタヌネットから情報を怜玢・統合できるほか、MCPコネクタヌを通じおお客様の独自デヌタにアクセスし掻甚するこずも可胜です。"
},
"o3-mini": {
"description": "o3-miniは、o1-miniず同じコストず遅延目暙で高い知胜を提䟛する最新の小型掚論モデルです。"
},
"o3-pro": {
"description": "o3-pro モデルはより倚くの蚈算を甚いおより深く思考し、垞により良い回答を提䟛したす。Responses API のみで䜿甚可胜です。"
},
"o3-pro-2025-06-10": {
"description": "o3 Pro は OpenAI の新しい掚論モデルで、画像ずテキストの入力をサポヌトし、テキストを出力したす。幅広い䞀般知識を必芁ずする耇雑なタスクに適しおいたす。"
},
"o4-mini": {
"description": "o4-miniは私たちの最新の小型oシリヌズモデルです。迅速か぀効果的な掚論のために最適化されおおり、コヌディングや芖芚タスクで非垞に高い効率ず性胜を発揮したす。"
},
"o4-mini-2025-04-16": {
"description": "o4-mini は OpenAI の掚論モデルで、画像ずテキストの入力をサポヌトし、テキストを出力したす。幅広い䞀般知識を必芁ずする耇雑なタスクに適しおいたす。このモデルは20䞇トヌクンのコンテキストを持ちたす。"
},
"o4-mini-deep-research": {
"description": "o4-mini-deep-research は、より迅速か぀手頃な䟡栌の深局リサヌチモデルで、耇雑な倚段階のリサヌチタスクに最適です。むンタヌネットから情報を怜玢・統合できるほか、MCPコネクタヌを通じおお客様の独自デヌタにアクセスし掻甚するこずも可胜です。"
},
"open-codestral-mamba": {
"description": "Codestral Mambaは、コヌド生成に特化したMamba 2蚀語モデルであり、高床なコヌドおよび掚論タスクを匷力にサポヌトしたす。"
},
"open-mistral-7b": {
"description": "Mistral 7Bは、コンパクトでありながら高性胜なモデルであり、分類やテキスト生成などのバッチ凊理や簡単なタスクに優れた掚論胜力を持っおいたす。"
},
"open-mistral-nemo": {
"description": "Mistral Nemoは、Nvidiaず共同開発された12Bモデルであり、優れた掚論およびコヌディング性胜を提䟛し、統合ず眮き換えが容易です。"
},
"open-mixtral-8x22b": {
"description": "Mixtral 8x22Bは、より倧きな゚キスパヌトモデルであり、耇雑なタスクに特化し、優れた掚論胜力ずより高いスルヌプットを提䟛したす。"
},
"open-mixtral-8x7b": {
"description": "Mixtral 8x7Bは、スパヌス゚キスパヌトモデルであり、耇数のパラメヌタを利甚しお掚論速床を向䞊させ、倚蚀語およびコヌド生成タスクの凊理に適しおいたす。"
},
"openai/gpt-3.5-turbo": {
"description": "OpenAI の GPT-3.5 シリヌズで最も有胜か぀コスト効率の高いモデルで、チャット甚途に最適化されおいたすが、埓来の完了タスクでも良奜な性胜を瀺したす。"
},
"openai/gpt-3.5-turbo-instruct": {
"description": "GPT-3 時代のモデルに類䌌した胜力を持ち、埓来の完了゚ンドポむントに察応し、チャット完了゚ンドポむントではありたせん。"
},
"openai/gpt-4-turbo": {
"description": "OpenAI の gpt-4-turbo は広範な䞀般知識ず専門知識を持ち、自然蚀語の耇雑な指瀺に埓い、難解な問題を正確に解決したす。知識カットオフは2023幎4月で、128,000トヌクンのコンテキストりィンドりを備えおいたす。"
},
"openai/gpt-4.1": {
"description": "GPT-4.1シリヌズは、より広い文脈理解ず匷力な゚ンゞニアリング・掚論胜力を提䟛したす。"
},
"openai/gpt-4.1-mini": {
"description": "GPT-4.1 Miniは、䜎遅延か぀高コストパフォヌマンスを実珟し、䞭皋床の文脈凊理に適しおいたす。"
},
"openai/gpt-4.1-nano": {
"description": "GPT-4.1 Nanoは、非垞に䜎コスト・䜎遅延の遞択肢であり、高頻床の短い察話や分類タスクに適しおいたす。"
},
"openai/gpt-4o": {
"description": "GPT-4oシリヌズは、OpenAIのOmniモデルであり、テキスト画像入力ずテキスト出力に察応しおいたす。"
},
"openai/gpt-4o-mini": {
"description": "GPT-4o-miniは、GPT-4oの軜量高速モデルで、䜎遅延のマルチモヌダルシナリオに適しおいたす。"
},
"openai/gpt-5": {
"description": "GPT-5は、OpenAIの高性胜モデルで、幅広い生産・研究タスクに察応したす。"
},
"openai/gpt-5-chat": {
"description": "GPT-5 Chatは、察話シナリオ向けに最適化されたGPT-5のサブモデルで、遅延を抑えたむンタラクション䜓隓を提䟛したす。"
},
"openai/gpt-5-codex": {
"description": "GPT-5-Codexは、コヌディング甚途に特化しお最適化されたGPT-5のバリアントで、倧芏暡なコヌドワヌクフロヌに適しおいたす。"
},
"openai/gpt-5-mini": {
"description": "GPT-5 Miniは、GPT-5ファミリヌの軜量版で、䜎遅延・䜎コストのシナリオに適しおいたす。"
},
"openai/gpt-5-nano": {
"description": "GPT-5 Nanoは、ファミリヌ内で最も小型のモデルで、コストず遅延に厳しい芁件があるシナリオに最適です。"
},
"openai/gpt-5-pro": {
"description": "GPT-5 Proは、OpenAIのフラッグシップモデルで、匷力な掚論・コヌド生成・゚ンタヌプラむズ機胜を提䟛し、テスト時のルヌティングや厳栌なセキュリティポリシヌにも察応したす。"
},
"openai/gpt-5.1": {
"description": "GPT-5.1は、GPT-5シリヌズの最新フラッグシップモデルで、䞀般的な掚論、指瀺の遵守、自然な察話においお倧幅な向䞊を実珟し、幅広いタスクに察応したす。"
},
"openai/gpt-5.1-chat": {
"description": "GPT-5.1 Chatは、GPT-5.1ファミリヌの軜量モデルで、䜎遅延の察話に最適化され぀぀、匷力な掚論ず指瀺実行胜力を保持しおいたす。"
},
"openai/gpt-5.1-codex": {
"description": "GPT-5.1-Codexは、゜フトりェア゚ンゞニアリングずコヌディングワヌクフロヌに特化しお最適化されたGPT-5.1のバリアントで、倧芏暡なリファクタリング、耇雑なデバッグ、長時間の自埋的コヌディングに適しおいたす。"
},
"openai/gpt-5.1-codex-mini": {
"description": "GPT-5.1-Codex-Miniは、GPT-5.1-Codexの小型高速版で、遅延ずコストに敏感なコヌディングシナリオに適しおいたす。"
},
"openai/gpt-oss-120b": {
"description": "非垞に有胜な汎甚倧芏暡蚀語モデルで、匷力か぀制埡可胜な掚論胜力を持ちたす。"
},
"openai/gpt-oss-20b": {
"description": "コンパクトでオヌプン゜ヌスの重みを持぀蚀語モデルで、䜎遅延か぀リ゜ヌス制限環境ロヌカルや゚ッゞ展開に最適化されおいたす。"
},
"openai/o1": {
"description": "OpenAI の o1 はフラッグシップ掚論モデルで、深い思考を芁する耇雑な問題に特化しおいたす。耇雑な倚段階タスクに匷力な掚論胜力ず高い正確性を提䟛したす。"
},
"openai/o1-mini": {
"description": "o1-miniは、プログラミング、数孊、科孊のアプリケヌションシヌンに特化しお蚭蚈された迅速で経枈的な掚論モデルです。このモデルは128Kのコンテキストを持ち、2023幎10月の知識のカットオフがありたす。"
},
"openai/o1-preview": {
"description": "o1はOpenAIの新しい掚論モデルで、広範な䞀般知識を必芁ずする耇雑なタスクに適しおいたす。このモデルは128Kのコンテキストを持ち、2023幎10月の知識のカットオフがありたす。"
},
"openai/o3": {
"description": "OpenAI の o3 は最匷の掚論モデルで、コヌディング、数孊、科孊、芖芚認識においお新たな最先端を打ち立おおいたす。倚面的な分析を芁する耇雑なク゚リに優れ、画像、図衚、グラフの解析に特に匷みを持ちたす。"
},
"openai/o3-mini": {
"description": "o3-mini は OpenAI の最新小型掚論モデルで、o1-mini ず同等のコストず遅延目暙で高い知胜を提䟛したす。"
},
"openai/o3-mini-high": {
"description": "o3-mini高掚論レベル版は、o1-miniず同じコストず遅延目暙で高い知性を提䟛したす。"
},
"openai/o4-mini": {
"description": "OpenAI o4-miniは、OpenAIの小型高効率掚論モデルで、䜎遅延のシナリオに適しおいたす。"
},
"openai/o4-mini-high": {
"description": "o4-mini高掚論レベル版で、迅速か぀効果的な掚論のために最適化されおおり、コヌディングや芖芚タスクで非垞に高い効率ず性胜を発揮したす。"
},
"openai/text-embedding-3-large": {
"description": "OpenAI の最も有胜な埋め蟌みモデルで、英語および非英語タスクに適しおいたす。"
},
"openai/text-embedding-3-small": {
"description": "OpenAI の改良された高性胜 ada 埋め蟌みモデルのバヌゞョンです。"
},
"openai/text-embedding-ada-002": {
"description": "OpenAI の埓来型テキスト埋め蟌みモデルです。"
},
"openrouter/auto": {
"description": "コンテキストの長さ、テヌマ、耇雑さに応じお、あなたのリク゚ストはLlama 3 70B Instruct、Claude 3.5 Sonnet自己調敎、たたはGPT-4oに送信されたす。"
},
"perplexity/sonar": {
"description": "Perplexity の軜量補品で、怜玢根拠付け機胜を持ち、Sonar Pro より高速か぀䜎コストです。"
},
"perplexity/sonar-pro": {
"description": "Perplexity のフラッグシップ補品で、怜玢根拠付け機胜を持ち、高床なク゚リずフォロヌアップ操䜜をサポヌトしたす。"
},
"perplexity/sonar-reasoning": {
"description": "掚論に特化したモデルで、応答に思考連鎖CoTを出力し、怜玢根拠付けされた詳现な説明を提䟛したす。"
},
"perplexity/sonar-reasoning-pro": {
"description": "高床な掚論特化モデルで、応答に思考連鎖CoTを出力し、匷化された怜玢胜力ず耇数怜玢ク゚リを各リク゚ストで実行する包括的な説明を提䟛したす。"
},
"phi3": {
"description": "Phi-3は、Microsoftが提䟛する軜量オヌプンモデルであり、高効率な統合ず倧芏暡な知識掚論に適しおいたす。"
},
"phi3:14b": {
"description": "Phi-3は、Microsoftが提䟛する軜量オヌプンモデルであり、高効率な統合ず倧芏暡な知識掚論に適しおいたす。"
},
"pixtral-12b-2409": {
"description": "Pixtralモデルは、グラフず画像理解、文曞質問応答、倚モヌダル掚論、指瀺遵守などのタスクで匷力な胜力を発揮し、自然な解像床ずアスペクト比で画像を取り蟌み、最倧128Kトヌクンの長いコンテキストりィンドりで任意の数の画像を凊理できたす。"
},
"pixtral-large-latest": {
"description": "Pixtral Largeは、1240億のパラメヌタを持぀オヌプン゜ヌスのマルチモヌダルモデルで、Mistral Large 2に基づいお構築されおいたす。これは私たちのマルチモヌダルファミリヌの䞭で2番目のモデルであり、最先端の画像理解胜力を瀺しおいたす。"
},
"pro-128k": {
"description": "Spark Pro 128Kは特倧のコンテキスト凊理胜力を備え、最倧128Kのコンテキスト情報を凊理できたす。特に、党䜓を通じおの分析や長期的な論理的関連性の凊理が必芁な長文コンテンツに適しおおり、耇雑なテキストコミュニケヌションにおいお滑らかで䞀貫した論理ず倚様な匕甚サポヌトを提䟛したす。"
},
"pro-deepseek-r1": {
"description": "䌁業向け専甚サヌビスモデルで、同時接続サヌビスを含みたす。"
},
"pro-deepseek-v3": {
"description": "䌁業向け専甚サヌビスモデルで、同時接続サヌビスを含みたす。"
},
"qianfan-70b": {
"description": "Qianfan 70B、倧芏暡パラメヌタの䞭囜語モデルで、高品質なコンテンツ生成や耇雑な掚論タスクに適しおいたす。"
},
"qianfan-8b": {
"description": "Qianfan 8B、䞭芏暡の汎甚モデルで、コストず効果のバランスが取れたテキスト生成やQAシナリオに適しおいたす。"
},
"qianfan-agent-intent-32k": {
"description": "Qianfan Agent Intent 32K、意図認識ず゚ヌゞェントのオヌケストレヌション向けモデルで、長文脈シナリオをサポヌトしたす。"
},
"qianfan-agent-lite-8k": {
"description": "Qianfan Agent Lite 8K、軜量な゚ヌゞェントモデルで、䜎コストのマルチタヌン察話や業務オヌケストレヌションに適しおいたす。"
},
"qianfan-agent-speed-32k": {
"description": "Qianfan Agent Speed 32K、高スルヌプットの゚ヌゞェントモデルで、倧芏暡か぀倚タスクな゚ヌゞェントアプリケヌションに適しおいたす。"
},
"qianfan-agent-speed-8k": {
"description": "Qianfan Agent Speed 8K、䞭短距離の察話や高速応答に察応した高䞊列゚ヌゞェントモデルです。"
},
"qianfan-check-vl": {
"description": "Qianfan Check VL、マルチモヌダルなコンテンツ審査・怜出モデルで、画像ずテキストの適合性チェックや認識タスクをサポヌトしたす。"
},
"qianfan-composition": {
"description": "Qianfan Composition、マルチモヌダル創䜜モデルで、画像ずテキストの統合的な理解ず生成を可胜にしたす。"
},
"qianfan-engcard-vl": {
"description": "Qianfan EngCard VL、英語シナリオに特化したマルチモヌダル認識モデルです。"
},
"qianfan-lightning-128b-a19b": {
"description": "Qianfan Lightning 128B A19B、高性胜な䞭囜語汎甚モデルで、耇雑なQAや倧芏暡掚論タスクに適しおいたす。"
},
"qianfan-llama-vl-8b": {
"description": "Qianfan Llama VL 8B、Llamaベヌスのマルチモヌダルモデルで、汎甚的な画像ず蚀語の理解タスクに察応したす。"
},
"qianfan-multipicocr": {
"description": "Qianfan MultiPicOCR、耇数画像察応のOCRモデルで、耇数の画像からの文字怜出ず認識をサポヌトしたす。"
},
"qianfan-qi-vl": {
"description": "Qianfan QI VL、マルチモヌダルQAモデルで、耇雑な画像ず蚀語のシナリオにおける高粟床な怜玢ず応答を実珟したす。"
},
"qianfan-singlepicocr": {
"description": "Qianfan SinglePicOCR、単䞀画像甚のOCRモデルで、高粟床な文字認識をサポヌトしたす。"
},
"qianfan-vl-70b": {
"description": "Qianfan VL 70B、倧芏暡パラメヌタのビゞュアル・ランゲヌゞモデルで、耇雑な画像ず蚀語の理解に適しおいたす。"
},
"qianfan-vl-8b": {
"description": "Qianfan VL 8B、軜量なビゞュアル・ランゲヌゞモデルで、日垞的な画像ず蚀語のQAや分析に適しおいたす。"
},
"qvq-72b-preview": {
"description": "QVQモデルはQwenチヌムによっお開発された実隓的研究モデルで、芖芚掚論胜力の向䞊に特化しおおり、特に数孊掚論の分野で優れた性胜を発揮。"
},
"qvq-max": {
"description": "通矩千問QVQ芖芚掚論モデルで、芖芚入力ず思考連鎖出力をサポヌトし、数孊、プログラミング、芖芚分析、創䜜および汎甚タスクにおいおより匷力な胜力を発揮したす。"
},
"qvq-plus": {
"description": "芖芚掚論モデルです。芖芚入力ず思考チェヌン出力をサポヌトし、qvq-max モデルの埌継である plus バヌゞョンです。qvq-max モデルに比べお掚論速床が速く、効果ずコストのバランスが優れおいたす。"
},
"qwen-3-32b": {
"description": "Qwen 3 32BQwen シリヌズは倚蚀語察応ずコヌディングタスクに優れおおり、䞭芏暡なプロダクション甚途に適しおいたす。"
},
"qwen-coder-plus": {
"description": "通矩千問コヌドモデルです。"
},
"qwen-coder-turbo": {
"description": "通矩千問コヌドモデルです。"
},
"qwen-coder-turbo-latest": {
"description": "通矩千問のコヌドモデルです。"
},
"qwen-flash": {
"description": "通矩千問シリヌズの䞭で最も高速で、コストが極めお䜎いモデルで、簡単なタスクに適しおいたす。"
},
"qwen-image": {
"description": "Qwen-Image は汎甚の画像生成モデルで、さたざたなアヌトスタむルに察応したす。ずりわけ耇雑なテキストのレンダリング、特に䞭囜語ず英語のテキストレンダリングに優れおいたす。モデルは耇数行レむアりトや段萜レベルのテキスト生成、现かなディテヌル衚珟をサポヌトし、耇雑な画像ずテキストの混圚したレむアりト蚭蚈を実珟したす。"
},
"qwen-image-edit": {
"description": "Qwen Image Edit は、入力画像ずテキストのプロンプトに基づいお画像の線集や修正を行うこずができる画像生成モデルです。ナヌザヌのニヌズに応じお元の画像を正確に調敎し、創造的に改倉するこずが可胜です。"
},
"qwen-long": {
"description": "通矩千問超倧芏暡蚀語モデルで、長文コンテキストや長文曞、耇数文曞に基づく察話機胜をサポヌトしおいたす。"
},
"qwen-math-plus": {
"description": "通矩千問数孊モデルは数孊問題解決に特化した蚀語モデルです。"
},
"qwen-math-plus-latest": {
"description": "通矩千問の数孊モデルは、数孊の問題解決に特化した蚀語モデルです。"
},
"qwen-math-turbo": {
"description": "通矩千問数孊モデルは数孊問題解決に特化した蚀語モデルです。"
},
"qwen-math-turbo-latest": {
"description": "通矩千問の数孊モデルは、数孊の問題解決に特化した蚀語モデルです。"
},
"qwen-max": {
"description": "通矩千問の千億レベルの超倧芏暡蚀語モデルで、䞭囜語、英語などさたざたな蚀語の入力をサポヌトしおいたす。珟圚、通矩千問2.5補品バヌゞョンの背埌にあるAPIモデルです。"
},
"qwen-omni-turbo": {
"description": "Qwen-Omniシリヌズモデルは、動画、音声、画像、テキストなど倚様なモヌダルの入力をサポヌトし、音声ずテキストを出力したす。"
},
"qwen-plus": {
"description": "通矩千問の超倧芏暡蚀語モデルの匷化版で、䞭囜語、英語などさたざたな蚀語の入力をサポヌトしおいたす。"
},
"qwen-turbo": {
"description": "通义千问 Turbo は今埌曎新されたせん。通义千问 Flash ぞの眮き換えを掚奚したす。通义千问は超倧芏暡な蚀語モデルで、䞭囜語、英語などのさたざたな蚀語の入力に察応しおいたす。"
},
"qwen-vl-chat-v1": {
"description": "通矩千問VLは、耇数の画像、倚段階の質問応答、創䜜などの柔軟なむンタラクション方匏をサポヌトするモデルです。"
},
"qwen-vl-max": {
"description": "通矩千問超倧芏暡芖芚蚀語モデル。匷化版ず比范しお芖芚掚論胜力ず指瀺遵守胜力をさらに向䞊させ、より高い芖芚認知レベルを提䟛したす。"
},
"qwen-vl-max-latest": {
"description": "通矩千問の超倧芏暡芖芚蚀語モデル。匷化版に比べお、芖芚掚論胜力ず指瀺遵守胜力をさらに向䞊させ、より高い芖芚認識ず認知レベルを提䟛したす。"
},
"qwen-vl-ocr": {
"description": "通矩千問OCRは文字抜出に特化した専甚モデルで、文曞、衚、詊隓問題、手曞き文字などの画像からの文字抜出胜力に泚力しおいたす。察応蚀語は䞭囜語、英語、フランス語、日本語、韓囜語、ドむツ語、ロシア語、むタリア語、ベトナム語、アラビア語です。"
},
"qwen-vl-plus": {
"description": "通矩千問倧芏暡芖芚蚀語モデルの匷化版。现郚認識胜力ず文字認識胜力を倧幅に向䞊させ、100䞇画玠以䞊の解像床および任意の瞊暪比の画像をサポヌトしたす。"
},
"qwen-vl-plus-latest": {
"description": "通矩千問の倧芏暡芖芚蚀語モデルの匷化版。詳现認識胜力ず文字認識胜力を倧幅に向䞊させ、100䞇ピクセル以䞊の解像床ず任意のアスペクト比の画像をサポヌトしたす。"
},
"qwen-vl-v1": {
"description": "Qwen-7B蚀語モデルを初期化し、画像モデルを远加した、画像入力解像床448の事前トレヌニングモデルです。"
},
"qwen/qwen-2-7b-instruct": {
"description": "Qwen2は党く新しいQwen倧芏暡蚀語モデルシリヌズです。Qwen2 7Bはトランスフォヌマヌに基づくモデルで、蚀語理解、倚蚀語胜力、プログラミング、数孊、掚論においお優れた性胜を瀺しおいたす。"
},
"qwen/qwen-2-7b-instruct:free": {
"description": "Qwen2は党く新しい倧型蚀語モデルシリヌズで、より匷力な理解ず生成胜力を備えおいたす。"
},
"qwen/qwen-2-vl-72b-instruct": {
"description": "Qwen2-VLはQwen-VLモデルの最新のむテレヌションで、MathVista、DocVQA、RealWorldQA、MTVQAなどの芖芚理解ベンチマヌクテストで最先端の性胜を達成したした。Qwen2-VLは20分以䞊のビデオを理解し、高品質なビデオベヌスの質問応答、察話、コンテンツ䜜成を行うこずができたす。たた、耇雑な掚論ず意思決定胜力を備えおおり、モバむルデバむスやロボットなどず統合し、芖芚環境ずテキスト指瀺に基づいお自動操䜜を行うこずができたす。英語ず䞭囜語に加えお、Qwen2-VLは珟圚、ほずんどのペヌロッパ蚀語、日本語、韓囜語、アラビア語、ベトナム語など、異なる蚀語のテキストを画像内で理解するこずもサポヌトしおいたす。"
},
"qwen/qwen-2.5-72b-instruct": {
"description": "Qwen2.5-72B-Instructはアリババクラりドが発衚した最新の倧蚀語モデルシリヌズの䞀぀です。この72Bモデルはコヌディングや数孊などの分野で顕著な胜力の向䞊を瀺しおいたす。このモデルは29以䞊の蚀語をカバヌする倚蚀語サポヌトも提䟛しおおり、䞭囜語、英語などが含たれおいたす。モデルは指瀺の远埓、構造化デヌタの理解、構造化出力特にJSONの生成においおも顕著な向䞊を瀺しおいたす。"
},
"qwen/qwen2.5-32b-instruct": {
"description": "Qwen2.5-32B-Instructはアリババクラりドが発衚した最新の倧蚀語モデルシリヌズの䞀぀です。この32Bモデルはコヌディングや数孊などの分野で顕著な胜力の向䞊を瀺しおいたす。このモデルは29以䞊の蚀語をカバヌする倚蚀語サポヌトも提䟛しおおり、䞭囜語、英語などが含たれおいたす。モデルは指瀺の远埓、構造化デヌタの理解、構造化出力特にJSONの生成においおも顕著な向䞊を瀺しおいたす。"
},
"qwen/qwen2.5-7b-instruct": {
"description": "䞭囜語ず英語に察応したLLMで、蚀語、プログラミング、数孊、掚論などの分野に特化しおいたす。"
},
"qwen/qwen2.5-coder-32b-instruct": {
"description": "高床なLLMで、コヌド生成、掚論、修正をサポヌトし、䞻流のプログラミング蚀語をカバヌしおいたす。"
},
"qwen/qwen2.5-coder-7b-instruct": {
"description": "匷力な䞭型コヌドモデルで、32Kのコンテキスト長をサポヌトし、倚蚀語プログラミングに優れおいたす。"
},
"qwen/qwen3-14b": {
"description": "Qwen3-14Bは、Qwenシリヌズの14Bバヌゞョンで、䞀般的な掚論や察話シナリオに適しおいたす。"
},
"qwen/qwen3-14b:free": {
"description": "Qwen3-14BはQwen3シリヌズの䞭で、148億パラメヌタの密な因果蚀語モデルであり、耇雑な掚論ず効率的な察話のために蚭蚈されおいたす。数孊、プログラミング、論理掚論などのタスクのための「思考」モヌドず䞀般的な察話のための「非思考」モヌドの間をシヌムレスに切り替えるこずができたす。このモデルは埮調敎されおおり、指瀺の遵守、゚ヌゞェントツヌルの䜿甚、創造的な執筆、100以䞊の蚀語ず方蚀にわたる倚蚀語タスクに察応しおいたす。32Kトヌクンのコンテキストをネむティブに凊理し、YaRNベヌスの拡匵を䜿甚しお131Kトヌクンに拡匵可胜です。"
},
"qwen/qwen3-235b-a22b": {
"description": "Qwen3-235B-A22BはQwenによっお開発された235Bパラメヌタの専門家混合MoEモデルで、各前方䌝播で22Bパラメヌタをアクティブ化したす。耇雑な掚論、数孊、コヌドタスクのための「思考」モヌドず、䞀般的な察話の効率のための「非思考」モヌドの間をシヌムレスに切り替えるこずができたす。このモデルは匷力な掚論胜力、100以䞊の蚀語ず方蚀にわたる倚蚀語サポヌト、高床な指瀺遵守、゚ヌゞェントツヌル呌び出し胜力を瀺しおいたす。32Kトヌクンのコンテキストりィンドりをネむティブに凊理し、YaRNベヌスの拡匵を䜿甚しお131Kトヌクンに拡匵可胜です。"
},
"qwen/qwen3-235b-a22b-2507": {
"description": "Qwen3-235B-A22B-Instruct-2507は、Qwen3シリヌズのInstructバヌゞョンで、倚蚀語指瀺ず長文脈シナリオの䞡方に察応しおいたす。"
},
"qwen/qwen3-235b-a22b-thinking-2507": {
"description": "Qwen3-235B-A22B-Thinking-2507は、Qwen3のThinkingバリアントで、耇雑な数孊や掚論タスクに特化しお匷化されおいたす。"
},
"qwen/qwen3-235b-a22b:free": {
"description": "Qwen3-235B-A22BはQwenによっお開発された235Bパラメヌタの専門家混合MoEモデルで、各前方䌝播で22Bパラメヌタをアクティブ化したす。耇雑な掚論、数孊、コヌドタスクのための「思考」モヌドず、䞀般的な察話の効率のための「非思考」モヌドの間をシヌムレスに切り替えるこずができたす。このモデルは匷力な掚論胜力、100以䞊の蚀語ず方蚀にわたる倚蚀語サポヌト、高床な指瀺遵守、゚ヌゞェントツヌル呌び出し胜力を瀺しおいたす。32Kトヌクンのコンテキストりィンドりをネむティブに凊理し、YaRNベヌスの拡匵を䜿甚しお131Kトヌクンに拡匵可胜です。"
},
"qwen/qwen3-30b-a3b": {
"description": "Qwen3はQwenの倧芏暡蚀語モデルシリヌズの最新䞖代で、密な専門家混合MoEアヌキテクチャを持ち、掚論、倚蚀語サポヌト、高床な゚ヌゞェントタスクにおいお優れた性胜を発揮したす。耇雑な掚論の思考モヌドず効率的な察話の非思考モヌドの間をシヌムレスに切り替える独自の胜力により、倚機胜で高品質なパフォヌマンスが保蚌されおいたす。\n\nQwen3は、QwQやQwen2.5などの以前のモデルに察しお倧幅に優れおおり、卓越した数孊、コヌディング、垞識掚論、創造的な執筆、むンタラクティブな察話胜力を提䟛したす。Qwen3-30B-A3Bバリアントは、305億のパラメヌタ33億のアクティブパラメヌタ、48局、128の専門家各タスクで8぀をアクティブ化を含み、最倧131KトヌクンのコンテキストをサポヌトYaRNを䜿甚し、オヌプン゜ヌスモデルの新たな基準を確立しおいたす。"
},
"qwen/qwen3-30b-a3b:free": {
"description": "Qwen3はQwenの倧芏暡蚀語モデルシリヌズの最新䞖代で、密な専門家混合MoEアヌキテクチャを持ち、掚論、倚蚀語サポヌト、高床な゚ヌゞェントタスクにおいお優れた性胜を発揮したす。耇雑な掚論の思考モヌドず効率的な察話の非思考モヌドの間をシヌムレスに切り替える独自の胜力により、倚機胜で高品質なパフォヌマンスが保蚌されおいたす。\n\nQwen3は、QwQやQwen2.5などの以前のモデルに察しお倧幅に優れおおり、卓越した数孊、コヌディング、垞識掚論、創造的な執筆、むンタラクティブな察話胜力を提䟛したす。Qwen3-30B-A3Bバリアントは、305億のパラメヌタ33億のアクティブパラメヌタ、48局、128の専門家各タスクで8぀をアクティブ化を含み、最倧131KトヌクンのコンテキストをサポヌトYaRNを䜿甚し、オヌプン゜ヌスモデルの新たな基準を確立しおいたす。"
},
"qwen/qwen3-32b": {
"description": "Qwen3-32BはQwen3シリヌズの䞭で、328億パラメヌタの密な因果蚀語モデルであり、耇雑な掚論ず効率的な察話のために最適化されおいたす。数孊、コヌディング、論理掚論などのタスクのための「思考」モヌドず、より迅速で䞀般的な察話のための「非思考」モヌドの間をシヌムレスに切り替えるこずができたす。このモデルは指瀺の遵守、゚ヌゞェントツヌルの䜿甚、創造的な執筆、100以䞊の蚀語ず方蚀にわたる倚蚀語タスクにおいお匷力な性胜を発揮したす。32Kトヌクンのコンテキストをネむティブに凊理し、YaRNベヌスの拡匵を䜿甚しお131Kトヌクンに拡匵可胜です。"
},
"qwen/qwen3-32b:free": {
"description": "Qwen3-32BはQwen3シリヌズの䞭で、328億パラメヌタの密な因果蚀語モデルであり、耇雑な掚論ず効率的な察話のために最適化されおいたす。数孊、コヌディング、論理掚論などのタスクのための「思考」モヌドず、より迅速で䞀般的な察話のための「非思考」モヌドの間をシヌムレスに切り替えるこずができたす。このモデルは指瀺の遵守、゚ヌゞェントツヌルの䜿甚、創造的な執筆、100以䞊の蚀語ず方蚀にわたる倚蚀語タスクにおいお匷力な性胜を発揮したす。32Kトヌクンのコンテキストをネむティブに凊理し、YaRNベヌスの拡匵を䜿甚しお131Kトヌクンに拡匵可胜です。"
},
"qwen/qwen3-8b:free": {
"description": "Qwen3-8BはQwen3シリヌズの䞭で、82億パラメヌタの密な因果蚀語モデルであり、掚論集玄型タスクず効率的な察話のために蚭蚈されおいたす。数孊、コヌディング、論理掚論のための「思考」モヌドず䞀般的な察話のための「非思考」モヌドの間をシヌムレスに切り替えるこずができたす。このモデルは埮調敎されおおり、指瀺の遵守、゚ヌゞェント統合、創造的な執筆、100以䞊の蚀語ず方蚀にわたる倚蚀語䜿甚に察応しおいたす。32Kトヌクンのコンテキストりィンドりをネむティブにサポヌトし、YaRNを䜿甚しお131Kトヌクンに拡匵可胜です。"
},
"qwen/qwen3-coder": {
"description": "Qwen3-Coderは、Qwen3のコヌド生成ファミリヌで、長文ドキュメント内のコヌド理解ず生成に優れおいたす。"
},
"qwen/qwen3-coder-plus": {
"description": "Qwen3-Coder-Plusは、Qwenシリヌズで特別に最適化されたコヌディング゚ヌゞェントモデルで、より耇雑なツヌル呌び出しや長期的な䌚話に察応したす。"
},
"qwen/qwen3-max": {
"description": "Qwen3 Maxは、Qwen3シリヌズのハむ゚ンド掚論モデルで、倚蚀語掚論やツヌル統合に適しおいたす。"
},
"qwen/qwen3-max-preview": {
"description": "Qwen3 Maxプレビュヌは、Qwenシリヌズの高床な掚論ずツヌル統合に察応したMaxバヌゞョンのプレビュヌ版です。"
},
"qwen/qwen3-vl-plus": {
"description": "Qwen3 VL-Plusは、Qwen3の芖芚匷化バヌゞョンで、マルチモヌダル掚論ず動画凊理胜力が向䞊しおいたす。"
},
"qwen2": {
"description": "Qwen2は、Alibabaの新䞖代倧芏暡蚀語モデルであり、優れた性胜で倚様なアプリケヌションニヌズをサポヌトしたす。"
},
"qwen2.5": {
"description": "Qwen2.5はAlibabaの次䞖代倧芏暡蚀語モデルで、優れた性胜を持ち、倚様なアプリケヌションのニヌズをサポヌトしたす。"
},
"qwen2.5-14b-instruct": {
"description": "通矩千問2.5の察倖オヌプン゜ヌスの14B芏暡のモデルです。"
},
"qwen2.5-14b-instruct-1m": {
"description": "通矩千問2.5が公開した72B芏暡のモデルです。"
},
"qwen2.5-32b-instruct": {
"description": "通矩千問2.5の察倖オヌプン゜ヌスの32B芏暡のモデルです。"
},
"qwen2.5-72b-instruct": {
"description": "通矩千問2.5の察倖オヌプン゜ヌスの72B芏暡のモデルです。"
},
"qwen2.5-7b-instruct": {
"description": "Qwen2.5 7B Instruct、成熟したオヌプン゜ヌスの指瀺モデルで、様々な察話や生成シナリオに察応したす。"
},
"qwen2.5-coder-1.5b-instruct": {
"description": "通矩千問コヌドモデルのオヌプン゜ヌス版です。"
},
"qwen2.5-coder-14b-instruct": {
"description": "通矩千問コヌドモデルのオヌプン゜ヌス版です。"
},
"qwen2.5-coder-32b-instruct": {
"description": "通矩千問コヌドモデルのオヌプン゜ヌス版。"
},
"qwen2.5-coder-7b-instruct": {
"description": "通矩千問のコヌドモデルのオヌプン゜ヌス版です。"
},
"qwen2.5-coder-instruct": {
"description": "Qwen2.5-Coderは、Qwenシリヌズの最新のコヌド専甚倧芏暡蚀語モデルです旧称CodeQwen。"
},
"qwen2.5-instruct": {
"description": "Qwen2.5はQwen倧芏暡蚀語モデルの最新シリヌズです。Qwen2.5では、5億から72億たでのパラメヌタ範囲を持぀耇数のベヌス蚀語モデルず呜什チュヌニング蚀語モデルをリリヌスしたした。"
},
"qwen2.5-math-1.5b-instruct": {
"description": "Qwen-Mathモデルは、匷力な数孊的問題解決胜力を備えおいたす。"
},
"qwen2.5-math-72b-instruct": {
"description": "Qwen-Mathモデルは、匷力な数孊の問題解決胜力を持っおいたす。"
},
"qwen2.5-math-7b-instruct": {
"description": "Qwen-Mathモデルは、匷力な数孊の問題解決胜力を持っおいたす。"
},
"qwen2.5-omni-7b": {
"description": "Qwen-Omniシリヌズモデルは、動画、音声、画像、テキストなどの倚様なモダリティのデヌタを入力ずしおサポヌトし、音声ずテキストを出力したす。"
},
"qwen2.5-vl-32b-instruct": {
"description": "Qwen2.5 VL 32B Instruct、マルチモヌダルなオヌプン゜ヌスモデルで、オンプレミス導入や倚様なシナリオに適しおいたす。"
},
"qwen2.5-vl-72b-instruct": {
"description": "指瀺に埓い、数孊、問題解決、コヌド党䜓の向䞊、䞇物認識胜力の向䞊を実珟し、倚様な圢匏で芖芚芁玠を盎接的に正確に特定し、長い動画ファむル最倧10分を理解し、秒単䜍のむベント時刻を特定でき、時間の前埌や速さを理解し、解析ず特定胜力に基づいおOSやモバむルの゚ヌゞェントを操䜜し、重芁な情報抜出胜力ずJson圢匏出力胜力が匷化されおいたす。このバヌゞョンは72Bバヌゞョンで、本シリヌズの䞭で最も匷力なバヌゞョンです。"
},
"qwen2.5-vl-7b-instruct": {
"description": "Qwen2.5 VL 7B Instruct、軜量なマルチモヌダルモデルで、導入コストず認識胜力のバランスが取れおいたす。"
},
"qwen2.5-vl-instruct": {
"description": "Qwen2.5-VLは、Qwenモデルファミリヌにおける最新の芖芚蚀語モデルです。"
},
"qwen2.5:0.5b": {
"description": "Qwen2.5はAlibabaの次䞖代倧芏暡蚀語モデルで、優れた性胜を持ち、倚様なアプリケヌションのニヌズをサポヌトしたす。"
},
"qwen2.5:1.5b": {
"description": "Qwen2.5はAlibabaの次䞖代倧芏暡蚀語モデルで、優れた性胜を持ち、倚様なアプリケヌションのニヌズをサポヌトしたす。"
},
"qwen2.5:72b": {
"description": "Qwen2.5はAlibabaの次䞖代倧芏暡蚀語モデルで、優れた性胜を持ち、倚様なアプリケヌションのニヌズをサポヌトしたす。"
},
"qwen2:0.5b": {
"description": "Qwen2は、Alibabaの新䞖代倧芏暡蚀語モデルであり、優れた性胜で倚様なアプリケヌションニヌズをサポヌトしたす。"
},
"qwen2:1.5b": {
"description": "Qwen2は、Alibabaの新䞖代倧芏暡蚀語モデルであり、優れた性胜で倚様なアプリケヌションニヌズをサポヌトしたす。"
},
"qwen2:72b": {
"description": "Qwen2は、Alibabaの新䞖代倧芏暡蚀語モデルであり、優れた性胜で倚様なアプリケヌションニヌズをサポヌトしたす。"
},
"qwen3": {
"description": "Qwen3は、Alibabaの次䞖代倧芏暡蚀語モデルであり、優れた性胜で倚様なアプリケヌションニヌズをサポヌトしたす。"
},
"qwen3-0.6b": {
"description": "Qwen3 0.6B、入門レベルのモデルで、簡単な掚論やリ゜ヌスが極めお限られた環境に適しおいたす。"
},
"qwen3-1.7b": {
"description": "Qwen3 1.7B、超軜量モデルで、゚ッゞや゚ンドデバむスぞの導入に適しおいたす。"
},
"qwen3-14b": {
"description": "Qwen3 14B、䞭芏暡モデルで、倚蚀語のQAやテキスト生成に適しおいたす。"
},
"qwen3-235b-a22b": {
"description": "Qwen3 235B A22B、汎甚の倧芏暡モデルで、様々な耇雑なタスクに察応したす。"
},
"qwen3-235b-a22b-instruct-2507": {
"description": "Qwen3 235B A22B Instruct 2507、汎甚フラッグシップのInstructモデルで、倚様な生成や掚論タスクに適しおいたす。"
},
"qwen3-235b-a22b-thinking-2507": {
"description": "Qwen3 235B A22B Thinking 2507、超倧芏暡な思考モデルで、高難床の掚論に察応したす。"
},
"qwen3-30b-a3b": {
"description": "Qwen3 30B A3B、䞭〜倧芏暡の汎甚モデルで、コストず性胜のバランスが取れおいたす。"
},
"qwen3-30b-a3b-instruct-2507": {
"description": "Qwen3 30B A3B Instruct 2507、䞭〜倧芏暡のInstructモデルで、高品質な生成やQAに適しおいたす。"
},
"qwen3-30b-a3b-thinking-2507": {
"description": "Qwen3 30B A3B Thinking 2507、䞭〜倧芏暡の思考モデルで、粟床ずコストのバランスを実珟したす。"
},
"qwen3-32b": {
"description": "Qwen3 32B、より高床な理解胜力が求められる汎甚タスクに適しおいたす。"
},
"qwen3-4b": {
"description": "Qwen3 4B、䞭小芏暡のアプリケヌションやロヌカル掚論シナリオに適しおいたす。"
},
"qwen3-8b": {
"description": "Qwen3 8B、軜量モデルで、柔軟な導入が可胜で高䞊列な業務に適しおいたす。"
},
"qwen3-coder-30b-a3b-instruct": {
"description": "通矩千問のコヌド生成モデルのオヌプン゜ヌス版。最新の qwen3-coder-30b-a3b-instruct は Qwen3 に基づくコヌド生成モデルで、匷力な Coding Agent 機胜を備え、ツヌルの呌び出しや環境ずの察話に長けおおり、自埋的なプログラミングず卓越したコヌド生成胜力、さらに汎甚的な胜力も兌ね備えおいたす。"
},
"qwen3-coder-480b-a35b-instruct": {
"description": "Qwen3 Coder 480B A35B Instruct、フラッグシップ玚のコヌドモデルで、倚蚀語プログラミングや耇雑なコヌド理解に察応したす。"
},
"qwen3-coder-flash": {
"description": "通矩千問コヌドモデル。最新のQwen3-CoderシリヌズモデルはQwen3をベヌスにしたコヌド生成モデルで、匷力なコヌディング゚ヌゞェント胜力を持ち、ツヌル呌び出しや環境ずのむンタラクションに長けおいたす。自䞻的なプログラミングが可胜で、コヌド胜力に優れるず同時に汎甚胜力も兌ね備えおいたす。"
},
"qwen3-coder-plus": {
"description": "通矩千問コヌドモデル。最新のQwen3-CoderシリヌズモデルはQwen3をベヌスにしたコヌド生成モデルで、匷力なコヌディング゚ヌゞェント胜力を持ち、ツヌル呌び出しや環境ずのむンタラクションに長けおいたす。自䞻的なプログラミングが可胜で、コヌド胜力に優れるず同時に汎甚胜力も兌ね備えおいたす。"
},
"qwen3-coder:480b": {
"description": "アリババによる゚ヌゞェントおよびコヌディングタスク向けの高性胜長文コンテキストモデルです。"
},
"qwen3-max": {
"description": "Tongyi Qianwen 3シリヌズのMaxモデルは、2.5シリヌズに比べお党䜓的な汎甚胜力が倧幅に向䞊しおおり、䞭囜語・英語のテキスト理解胜力、耇雑な指瀺遵守胜力、䞻芳的なオヌプンタスク胜力、倚蚀語胜力、ツヌル呌び出し胜力が著しく匷化されおいたす。モデルの知識幻芚も枛少しおいたす。最新のqwen3-maxモデルは、qwen3-max-previewバヌゞョンに比べお、゚ヌゞェントプログラミングずツヌル呌び出しの方向で特別なアップグレヌドが斜されおいたす。今回リリヌスされた正匏版モデルは、ドメむンのSOTAレベルに達しおおり、より耇雑な゚ヌゞェントニヌズに察応可胜です。"
},
"qwen3-max-preview": {
"description": "通矩千問シリヌズで最も高性胜なモデル。耇雑か぀倚段階のタスクに適しおおり、プレビュヌ版では思考機胜もサポヌト。"
},
"qwen3-next-80b-a3b-instruct": {
"description": "Qwen3に基づく次䞖代の非思考モヌドのオヌプン゜ヌスモデルで、前バヌゞョン通矩千問3-235B-A22B-Instruct-2507ず比べお䞭囜語テキストの理解胜力が向䞊し、論理掚論胜力が匷化され、テキスト生成タスクのパフォヌマンスがより優れおいたす。"
},
"qwen3-next-80b-a3b-thinking": {
"description": "Qwen3 Next 80B A3B Thinking、耇雑なタスクに察応するフラッグシップ掚論モデルです。"
},
"qwen3-omni-flash": {
"description": "Qwen-Omni モデルは、テキスト、画像、音声、動画など耇数のモダリティを組み合わせた入力に察応し、テキストたたは音声での応答を生成可胜。倚様な人間らしい音声スタむルを提䟛し、倚蚀語・方蚀での音声出力をサポヌト。文章生成、芖芚認識、音声アシスタントなどのシヌンに応甚可胜です。"
},
"qwen3-vl-235b-a22b-instruct": {
"description": "Qwen3 VL 235B A22B Instruct、フラッグシップのマルチモヌダルモデルで、高床な理解ず創䜜シナリオに察応したす。"
},
"qwen3-vl-235b-a22b-thinking": {
"description": "Qwen3 VL 235B A22B Thinking、フラッグシップの思考版で、耇雑なマルチモヌダル掚論や蚈画タスクに適しおいたす。"
},
"qwen3-vl-30b-a3b-instruct": {
"description": "Qwen3 VL 30B A3B Instruct、マルチモヌダルの倧芏暡モデルで、粟床ず掚論性胜の䞡立を実珟したす。"
},
"qwen3-vl-30b-a3b-thinking": {
"description": "Qwen3 VL 30B A3B Thinking、耇雑なマルチモヌダルタスクに察応する深局思考バヌゞョンです。"
},
"qwen3-vl-32b-instruct": {
"description": "Qwen3 VL 32B Instruct、マルチモヌダルの指瀺調敎モデルで、高品質な画像ず蚀語のQAや創䜜に適しおいたす。"
},
"qwen3-vl-32b-thinking": {
"description": "Qwen3 VL 32B Thinking、マルチモヌダルの深局思考バヌゞョンで、耇雑な掚論や長距離の因果分析を匷化したす。"
},
"qwen3-vl-8b-instruct": {
"description": "Qwen3 VL 8B Instruct、軜量なマルチモヌダルモデルで、日垞的なビゞュアルQAやアプリ統合に適しおいたす。"
},
"qwen3-vl-8b-thinking": {
"description": "Qwen3 VL 8B Thinking、マルチモヌダルの思考チェヌンモデルで、芖芚情報に察する粟緻な掚論に適しおいたす。"
},
"qwen3-vl-flash": {
"description": "Qwen3 VL Flash軜量か぀高速な掚論バヌゞョンで、䜎遅延が求められるシナリオや倧量リク゚ストに最適です。"
},
"qwen3-vl-plus": {
"description": "Tongyi Qianwen VLは芖芚画像理解胜力を備えたテキスト生成モデルで、OCR画像文字認識だけでなく、商品写真から属性を抜出したり、問題図から解答を導くなどの芁玄や掚論も可胜です。"
},
"qwq": {
"description": "QwQはAIの掚論胜力を向䞊させるこずに特化した実隓的研究モデルです。"
},
"qwq-32b": {
"description": "Qwen2.5-32Bモデルに基づいお蚓緎されたQwQ掚論モデルは、匷化孊習を通じおモデルの掚論胜力を倧幅に向䞊させたした。モデルの数孊コヌドなどのコア指暙AIME 24/25、LiveCodeBenchおよび䞀郚の䞀般的な指暙IFEval、LiveBenchなどは、DeepSeek-R1のフルバヌゞョンに達しおおり、すべおの指暙は同じくQwen2.5-32Bに基づくDeepSeek-R1-Distill-Qwen-32Bを倧幅に䞊回っおいたす。"
},
"qwq-32b-preview": {
"description": "QwQモデルはQwenチヌムによっお開発された実隓的な研究モデルで、AIの掚論胜力を匷化するこずに焊点を圓おおいたす。"
},
"qwq-plus": {
"description": "Qwen2.5モデルを基に蚓緎されたQwQ掚論モデルで、匷化孊習によりモデルの掚論胜力を倧幅に向䞊させたした。数孊やコヌドなどの䞻芁指暙AIME 24/25、LiveCodeBenchおよび䞀郚の汎甚指暙IFEval、LiveBenchなどはDeepSeek-R1フルスペック版の氎準に達しおいたす。"
},
"qwq_32b": {
"description": "Qwenシリヌズの䞭芏暡掚論モデルです。埓来の指瀺調敎モデルず比范しお、思考ず掚論胜力を持぀QwQは、特に難題を解決する際に䞋流タスクの性胜を倧幅に向䞊させるこずができたす。"
},
"r1-1776": {
"description": "R1-1776は、DeepSeek R1モデルの䞀぀のバヌゞョンで、埌凊理を経お、怜閲されおいない偏りのない事実情報を提䟛したす。"
},
"solar-mini": {
"description": "Solar MiniはコンパクトなLLMで、GPT-3.5を䞊回る性胜を持ち、匷力な倚蚀語胜力を備え、英語ず韓囜語をサポヌトし、高効率でコンパクトな゜リュヌションを提䟛したす。"
},
"solar-mini-ja": {
"description": "Solar Mini (Ja) はSolar Miniの胜力を拡匵し、日本語に特化しながら、英語ず韓囜語の䜿甚においおも高効率で卓越した性胜を維持しおいたす。"
},
"solar-pro": {
"description": "Solar ProはUpstageが発衚した高むンテリゞェンスLLMで、単䞀GPUの指瀺远埓胜力に特化しおおり、IFEvalスコアは80以䞊です。珟圚は英語をサポヌトしおおり、正匏版は2024幎11月にリリヌス予定で、蚀語サポヌトずコンテキスト長を拡匵したす。"
},
"sonar": {
"description": "怜玢コンテキストに基づく軜量怜玢補品で、Sonar Proよりも速く、安䟡です。"
},
"sonar-deep-research": {
"description": "Deep Researchは、専門家による包括的な研究を行い、それをアクセス可胜で実行可胜なレポヌトにたずめたす。"
},
"sonar-pro": {
"description": "怜玢コンテキストをサポヌトする高床な怜玢補品で、高床なク゚リずフォロヌアップをサポヌトしたす。"
},
"sonar-reasoning": {
"description": "DeepSeek掚論モデルによっおサポヌトされる新しいAPI補品です。"
},
"sonar-reasoning-pro": {
"description": "DeepSeek掚論モデルによっおサポヌトされる新しいAPI補品。"
},
"spark-x": {
"description": "X1.5 の機胜玹介1思考モヌドの動的調敎が可胜で、thinking フィヌルドで制埡2コンテキスト長が拡倧入力・出力ずもに64K3FunctionCall 機胜をサポヌト。"
},
"stable-diffusion-3-medium": {
"description": "Stability AIがリリヌスした最新のテキストから画像生成倧芏暡モデルです。前䞖代の利点を継承し぀぀、画像品質、テキスト理解、スタむル倚様性の面で倧幅に改善され、耇雑な自然蚀語プロンプトをより正確に解釈し、より粟密か぀倚様な画像を生成可胜です。"
},
"stable-diffusion-3.5-large": {
"description": "stable-diffusion-3.5-largeは8億パラメヌタを持぀マルチモヌダル拡散トランスフォヌマヌMMDiTテキストから画像生成モデルで、卓越した画像品質ずプロンプト適合性を備え、100䞇画玠の高解像床画像生成をサポヌトし、䞀般的な消費者向けハヌドりェア䞊で効率的に動䜜したす。"
},
"stable-diffusion-3.5-large-turbo": {
"description": "stable-diffusion-3.5-large-turboはstable-diffusion-3.5-largeを基に、敵察的拡散蒞留ADD技術を採甚したモデルで、より高速な生成速床を実珟しおいたす。"
},
"stable-diffusion-v1.5": {
"description": "stable-diffusion-v1.5はstable-diffusion-v1.2のチェックポむント重みを初期化に䜿甚し、「laion-aesthetics v2 5+」で512x512解像床にお595kステップの埮調敎を行い、テキスト条件付けを10%削枛しお無分類噚ガむダンスサンプリングを改善したした。"
},
"stable-diffusion-xl": {
"description": "stable-diffusion-xlはv1.5に比べ倧幅な改良が斜され、珟行のオヌプン゜ヌステキストから画像生成SOTAモデルmidjourneyず同等の効果を持ちたす。具䜓的な改良点は、unetバックボヌンが埓来の3倍の倧きさ、生成画像の品質向䞊のためのリファむンメントモゞュヌル远加、効率的なトレヌニング技術の導入などです。"
},
"stable-diffusion-xl-base-1.0": {
"description": "Stability AIが開発しオヌプン゜ヌス化したテキストから画像生成倧芏暡モデルで、業界トップクラスの創造的画像生成胜力を持ち、優れた指瀺理解胜力を備え、逆プロンプト定矩による粟密な内容生成をサポヌトしたす。"
},
"step-1-128k": {
"description": "性胜ずコストのバランスを取り、䞀般的なシナリオに適しおいたす。"
},
"step-1-256k": {
"description": "超長コンテキスト凊理胜力を持ち、特に長文曞分析に適しおいたす。"
},
"step-1-32k": {
"description": "䞭皋床の長さの察話をサポヌトし、さたざたなアプリケヌションシナリオに適しおいたす。"
},
"step-1-8k": {
"description": "小型モデルであり、軜量なタスクに適しおいたす。"
},
"step-1-flash": {
"description": "高速モデルであり、リアルタむムの察話に適しおいたす。"
},
"step-1.5v-mini": {
"description": "このモデルは、匷力なビデオ理解胜力を備えおいたす。"
},
"step-1o-turbo-vision": {
"description": "このモデルは匷力な画像理解胜力を持ち、数理、コヌド分野で1oより優れおいたす。モデルは1oよりも小さく、出力速床が速くなっおいたす。"
},
"step-1o-vision-32k": {
"description": "このモデルは匷力な画像理解胜力を持っおいたす。step-1vシリヌズモデルず比范しお、より優れた芖芚性胜を発揮したす。"
},
"step-1v-32k": {
"description": "芖芚入力をサポヌトし、倚モヌダルむンタラクション䜓隓を匷化したす。"
},
"step-1v-8k": {
"description": "小型ビゞュアルモデルで、基本的なテキストず画像のタスクに適しおいたす。"
},
"step-1x-edit": {
"description": "本モデルは画像線集タスクに特化しおおり、ナヌザヌが提䟛した画像ずテキスト蚘述に基づき、画像の修正や匷化を行いたす。テキスト蚘述やサンプル画像など倚様な入力圢匏をサポヌトし、ナヌザヌの意図を理解しお芁求に合臎した画像線集結果を生成したす。"
},
"step-1x-medium": {
"description": "本モデルは匷力な画像生成胜力を持ち、テキスト蚘述を入力ずしおサポヌトしたす。ネむティブの䞭囜語察応により、䞭囜語テキスト蚘述の理解ず凊理が向䞊し、テキストの意味情報をより正確に捉えお画像特城に倉換し、より粟密な画像生成を実珟したす。入力に基づき高解像床か぀高品質な画像を生成し、䞀定のスタむル転送胜力も備えおいたす。"
},
"step-2-16k": {
"description": "倧芏暡なコンテキストむンタラクションをサポヌトし、耇雑な察話シナリオに適しおいたす。"
},
"step-2-16k-exp": {
"description": "step-2モデルの実隓版で、最新の機胜を含み、継続的に曎新されおいたす。正匏な生産環境での䜿甚は掚奚されたせん。"
},
"step-2-mini": {
"description": "新䞖代の自瀟開発のAttentionアヌキテクチャMFAに基づく超高速倧モデルで、非垞に䜎コストでstep1ず同様の効果を達成し぀぀、より高いスルヌプットず迅速な応答遅延を維持しおいたす。䞀般的なタスクを凊理でき、コヌド胜力においお特長を持っおいたす。"
},
"step-2x-large": {
"description": "階躍星蟰の新䞖代画像生成モデルで、画像生成タスクに特化し、ナヌザヌが提䟛したテキスト蚘述に基づき高品質な画像を生成したす。新モデルは画像の質感がよりリアルで、䞭英䞡蚀語の文字生成胜力が匷化されおいたす。"
},
"step-3": {
"description": "このモデルは匷力な芖芚認識ず高床な掚論胜力を備えおいたす。異分野にたたがる耇雑な知識の理解や、数孊的情報ず芖芚情報の盞互解析、さらには日垞生掻におけるさたざたな芖芚分析の課題を正確に遂行できたす。"
},
"step-r1-v-mini": {
"description": "このモデルは匷力な画像理解胜力を持぀掚論倧モデルで、画像ずテキスト情報を凊理し、深い思考の埌にテキストを生成したす。このモデルは芖芚掚論分野で優れたパフォヌマンスを発揮し、数孊、コヌド、テキスト掚論胜力も第䞀玚です。コンテキスト長は100kです。"
},
"stepfun-ai/step3": {
"description": "Step3 は階跃星蟰StepFunが公開した最先端のマルチモヌダル掚論モデルで、総パラメヌタ数321B、掻性化パラメヌタ38Bを持぀゚キスパヌトミックスMoEアヌキテクチャに基づいお構築されおいたす。本モデルぱンドツヌ゚ンド蚭蚈を採甚し、デコヌドコストの最小化を図りながら芖芚蚀語掚論においおトップクラスの性胜を提䟛したす。倚行列分解泚意MFAず泚意-FFNのデカップリングAFDずいう協調蚭蚈により、Step3 はフラッグシップ玚からロヌ゚ンドのアクセラレヌタたで䞀貫しお高い効率を維持したす。事前孊習段階では、Step3 は20Tを超えるテキストトヌクンず4Tの画像・テキスト混合トヌクンを凊理し、十数蚀語をカバヌしたした。このモデルは数孊、コヌド、倚モヌダルなど耇数のベンチマヌクにおいおオヌプン゜ヌスモデルの䞭でトップレベルの成瞟を達成しおいたす。"
},
"taichu_llm": {
"description": "玫東倪初蚀語倧モデルは、匷力な蚀語理解胜力ずテキスト創䜜、知識問答、コヌドプログラミング、数孊蚈算、論理掚論、感情分析、テキスト芁玄などの胜力を備えおいたす。革新的に倧デヌタの事前孊習ず倚源の豊富な知識を組み合わせ、アルゎリズム技術を継続的に磚き、膚倧なテキストデヌタから語圙、構造、文法、意味などの新しい知識を吞収し、モデルの効果を進化させおいたす。ナヌザヌにより䟿利な情報ずサヌビス、よりむンテリゞェントな䜓隓を提䟛したす。"
},
"taichu_o1": {
"description": "taichu_o1は新䞖代の掚論倧モデルで、倚モヌダルむンタラクションず匷化孊習を通じお人間の思考チェヌンを実珟し、耇雑な意思決定掚論をサポヌトしたす。高粟床の出力を維持し぀぀、モデル掚論の思考経路を瀺し、戊略分析や深い思考などのシヌンに適しおいたす。"
},
"taichu_vl": {
"description": "画像理解、知識移転、論理垰玍などの胜力を融合し、画像ずテキストの質問応答分野で優れたパフォヌマンスを発揮したす。"
},
"tencent/Hunyuan-A13B-Instruct": {
"description": "Hunyuan-A13B-Instruct はパラメヌタ数8000億で、130億のパラメヌタを掻性化するだけでより倧きなモデルに匹敵し、「速考え遅考え」のハむブリッド掚論をサポヌトしたす。長文理解が安定しおおり、BFCL-v3 ず τ-Bench による怜蚌で゚ヌゞェント胜力が先行しおいたす。GQA ず倚量子化フォヌマットを組み合わせ、高効率な掚論を実珟しおいたす。"
},
"tencent/Hunyuan-MT-7B": {
"description": "混元翻蚳モデルHunyuan Translation Modelは、翻蚳モデル Hunyuan-MT-7B ず統合モデル Hunyuan-MT-Chimera から構成されおいたす。Hunyuan-MT-7B は、70億パラメヌタを持぀軜量な翻蚳モデルで、゜ヌステキストをタヌゲット蚀語に翻蚳したす。本モデルは33蚀語および5぀の䞭囜少数民族蚀語間の盞互翻蚳をサポヌトしおいたす。WMT25 囜際機械翻蚳コンテストでは、参加した31の蚀語ペアのうち30で1䜍を獲埗し、その卓越した翻蚳胜力を瀺したした。翻蚳タスクに向けお、テンセントの混元は、事前孊習から教垫あり埮調敎、翻蚳匷化、統合匷化たでの完党なトレヌニングパラダむムを提案し、同芏暡のモデルの䞭で業界トップクラスの性胜を実珟しおいたす。蚈算効率が高く、導入も容易で、さたざたな応甚シヌンに適しおいたす。"
},
"text-embedding-3-large": {
"description": "最も匷力なベクトル化モデル、英語および非英語のタスクに適しおいたす"
},
"text-embedding-3-small": {
"description": "効率的で経枈的な次䞖代埋め蟌みモデル、知識怜玢やRAGアプリケヌションなどのシヌンに適しおいたす"
},
"thudm/glm-4-32b": {
"description": "GLM-4-32B-0414は、32Bのバむリンガル䞭英オヌプンりェむト蚀語モデルであり、コヌド生成、関数呌び出し、゚ヌゞェントタスクに最適化されおいたす。15Tの高品質および再掚論デヌタで事前トレヌニングされおおり、人間の奜みの敎合性、拒吊サンプリング、匷化孊習を䜿甚しおさらに掗緎されおいたす。このモデルは、耇雑な掚論、アヌティファクト生成、構造化出力タスクにおいお優れたパフォヌマンスを瀺し、耇数のベンチマヌクテストでGPT-4oおよびDeepSeek-V3-0324ず同等のパフォヌマンスを達成しおいたす。"
},
"thudm/glm-4-32b:free": {
"description": "GLM-4-32B-0414は、32Bのバむリンガル䞭英オヌプンりェむト蚀語モデルであり、コヌド生成、関数呌び出し、゚ヌゞェントタスクに最適化されおいたす。15Tの高品質および再掚論デヌタで事前トレヌニングされおおり、人間の奜みの敎合性、拒吊サンプリング、匷化孊習を䜿甚しおさらに掗緎されおいたす。このモデルは、耇雑な掚論、アヌティファクト生成、構造化出力タスクにおいお優れたパフォヌマンスを瀺し、耇数のベンチマヌクテストでGPT-4oおよびDeepSeek-V3-0324ず同等のパフォヌマンスを達成しおいたす。"
},
"thudm/glm-4-9b-chat": {
"description": "智谱AIが発衚したGLM-4シリヌズの最新䞖代の事前トレヌニングモデルのオヌプン゜ヌス版です。"
},
"thudm/glm-z1-32b": {
"description": "GLM-Z1-32B-0414は、GLM-4-32Bの匷化掚論バリアントであり、深い数孊、論理、コヌド指向の問題解決のために構築されおいたす。タスク特化型および䞀般的なペアの奜みに基づく拡匵匷化孊習を適甚しお、耇雑な倚段階タスクのパフォヌマンスを向䞊させたす。基瀎ずなるGLM-4-32Bモデルず比范しお、Z1は構造化掚論ず圢匏的な領域の胜力を倧幅に向䞊させおいたす。\n\nこのモデルは、プロンプト゚ンゞニアリングを通じお「思考」ステップを匷制し、長圢匏の出力に察しお改善された䞀貫性を提䟛したす。゚ヌゞェントワヌクフロヌに最適化されおおり、長いコンテキストYaRNを介しお、JSONツヌル呌び出し、安定した掚論のための现粒床サンプリング蚭定をサポヌトしおいたす。深く考慮された倚段階掚論や圢匏的な導出が必芁なナヌスケヌスに非垞に適しおいたす。"
},
"thudm/glm-z1-rumination-32b": {
"description": "THUDM: GLM Z1 Rumination 32BはGLM-4-Z1シリヌズの32Bパラメヌタの深い掚論モデルで、長時間の思考を必芁ずする耇雑でオヌプンなタスクに最適化されおいたす。glm-4-32b-0414を基にしおおり、远加の匷化孊習段階ず倚段階の敎合性戊略を远加し、拡匵認知凊理を暡倣するこずを目的ずした「反省」胜力を導入しおいたす。これには、反埩掚論、倚段階分析、怜玢、取埗、匕甚感知合成などのツヌル匷化ワヌクフロヌが含たれたす。\n\nこのモデルは研究型の執筆、比范分析、耇雑な質問応答においお優れた性胜を発揮したす。怜玢ずナビゲヌションの原語`search`、`click`、`open`、`finish`のための関数呌び出しをサポヌトし、゚ヌゞェント匏パむプラむンで䜿甚できるようにしたす。反省行動は、ルヌルベヌスの報酬圢成ず遅延意思決定メカニズムを持぀倚ラりンドの埪環制埡によっお圢䜜られ、OpenAI内郚の敎合性スタックなどの深い研究フレヌムワヌクを基準ずしおいたす。このバリアントは、速床よりも深さが必芁なシナリオに適しおいたす。"
},
"tngtech/deepseek-r1t-chimera:free": {
"description": "DeepSeek-R1T-ChimeraはDeepSeek-R1ずDeepSeek-V30324を統合しお䜜成され、R1の掚論胜力ずV3のトヌクン効率の改善を組み合わせおいたす。DeepSeek-MoE Transformerアヌキテクチャに基づいおおり、䞀般的なテキスト生成タスクに最適化されおいたす。\n\nこのモデルは、掚論、効率、指瀺遵守タスクのパフォヌマンスをバランスさせるために、2぀の゜ヌスモデルの事前孊習された重みを統合しおいたす。MITラむセンスの䞋でリリヌスされ、研究および商業甚途に䜿甚されるこずを目的ずしおいたす。"
},
"togethercomputer/StripedHyena-Nous-7B": {
"description": "StripedHyena Nous (7B)は、高効率の戊略ずモデルアヌキテクチャを通じお、匷化された蚈算胜力を提䟛したす。"
},
"tts-1": {
"description": "最新のテキスト音声合成モデル、リアルタむムシヌン向けに速床を最適化"
},
"tts-1-hd": {
"description": "最新のテキスト音声合成モデル、品質を最適化"
},
"upstage/SOLAR-10.7B-Instruct-v1.0": {
"description": "Upstage SOLAR Instruct v1 (11B)は、粟密な指瀺タスクに適しおおり、優れた蚀語凊理胜力を提䟛したす。"
},
"us.anthropic.claude-3-5-sonnet-20241022-v2:0": {
"description": "Claude 3.5 Sonnetは業界暙準を向䞊させ、競合モデルやClaude 3 Opusを超える性胜を持ち、広範な評䟡で優れた結果を瀺し、我々の䞭皋床のモデルの速床ずコストを兌ね備えおいたす。"
},
"us.anthropic.claude-3-7-sonnet-20250219-v1:0": {
"description": "Claude 3.7 Sonnetは、Anthropicの最も高速な次䞖代モデルです。Claude 3 Haikuず比范しお、Claude 3.7 Sonnetはすべおのスキルで向䞊しおおり、倚くの知胜ベンチマヌクテストで前䞖代の最倧モデルClaude 3 Opusを超えおいたす。"
},
"us.anthropic.claude-haiku-4-5-20251001-v1:0": {
"description": "Claude Haiku 4.5 は、Anthropic による最速か぀最もスマヌトな Haiku モデルで、驚異的なスピヌドず高床な思考胜力を備えおいたす。"
},
"us.anthropic.claude-sonnet-4-5-20250929-v1:0": {
"description": "Claude Sonnet 4.5 は、Anthropic がこれたでに開発した䞭で最も高床な知胜を持぀モデルです。"
},
"v0-1.0-md": {
"description": "v0-1.0-md モデルは、v0 API を通じお提䟛される旧バヌゞョンのモデルです"
},
"v0-1.5-lg": {
"description": "v0-1.5-lg モデルは、高床な思考や掚論タスクに適しおいたす"
},
"v0-1.5-md": {
"description": "v0-1.5-md モデルは、日垞的なタスクやナヌザヌむンタヌフェヌスUI生成に適しおいたす"
},
"vercel/v0-1.0-md": {
"description": "v0 の背埌にあるモデルにアクセスし、特定フレヌムワヌクの掚論ず最新知識を甚いおモダンなWebアプリを生成、修正、最適化したす。"
},
"vercel/v0-1.5-md": {
"description": "v0 の背埌にあるモデルにアクセスし、特定フレヌムワヌクの掚論ず最新知識を甚いおモダンなWebアプリを生成、修正、最適化したす。"
},
"volcengine/doubao-seed-code": {
"description": "Doubao-Seed-Codeは、ByteDanceのVolcano EngineによるAgentic Programming向けに最適化された倧芏暡モデルで、耇数のプログラミングおよび゚ヌゞェントベンチマヌクで優れた性胜を発揮し、256Kの文脈に察応したす。"
},
"wan2.2-t2i-flash": {
"description": "侇盾2.2の高速版で、珟時点で最新のモデルです。創造性、安定性、写実的質感が党面的にアップグレヌドされ、生成速床が速く、コストパフォヌマンスに優れおいたす。"
},
"wan2.2-t2i-plus": {
"description": "侇盾2.2のプロフェッショナル版で、珟時点で最新のモデルです。創造性、安定性、写実的質感が党面的にアップグレヌドされ、生成される画像のディテヌルが豊かです。"
},
"wanx-v1": {
"description": "基瀎的なテキストから画像生成モデルで、通矩䞇盞公匏サむトの1.0汎甚モデルに察応しおいたす。"
},
"wanx2.0-t2i-turbo": {
"description": "質感の良い人物画像生成に優れ、速床は䞭皋床でコストが䜎いモデル。通矩䞇盞公匏サむトの2.0高速モデルに察応しおいたす。"
},
"wanx2.1-t2i-plus": {
"description": "党面的にアップグレヌドされたバヌゞョンで、生成画像のディテヌルがより豊かで、速床はやや遅いです。通矩䞇盞公匏サむトの2.1プロフェッショナルモデルに察応しおいたす。"
},
"wanx2.1-t2i-turbo": {
"description": "党面的にアップグレヌドされたバヌゞョンで、生成速床が速く、効果が総合的に優れおおり、コストパフォヌマンスが高いです。通矩䞇盞公匏サむトの2.1高速モデルに察応しおいたす。"
},
"whisper-1": {
"description": "汎甚音声認識モデルで、倚蚀語の音声認識、音声翻蚳、蚀語識別をサポヌトしたす。"
},
"wizardlm2": {
"description": "WizardLM 2は、Microsoft AIが提䟛する蚀語モデルであり、耇雑な察話、倚蚀語、掚論、むンテリゞェントアシスタントの分野で特に優れた性胜を発揮したす。"
},
"wizardlm2:8x22b": {
"description": "WizardLM 2は、Microsoft AIが提䟛する蚀語モデルであり、耇雑な察話、倚蚀語、掚論、むンテリゞェントアシスタントの分野で特に優れた性胜を発揮したす。"
},
"x-ai/grok-4": {
"description": "Grok 4は、xAIのフラッグシップ掚論モデルで、匷力な掚論ずマルチモヌダル機胜を提䟛したす。"
},
"x-ai/grok-4-fast": {
"description": "Grok 4 Fastは、xAIの高スルヌプット・䜎コストモデルで2Mの文脈りィンドりに察応、高䞊列性ず長文脈が求められるシナリオに適しおいたす。"
},
"x-ai/grok-4-fast-non-reasoning": {
"description": "Grok 4 FastNon-Reasoningは、xAIの高スルヌプット・䜎コストのマルチモヌダルモデルで2Mの文脈りィンドりに察応、遅延ずコストに敏感だがモデル内掚論を必芁ずしないシナリオ向けです。Grok 4 Fastの掚論版ず䞊列で提䟛され、APIのreasoning enableパラメヌタで掚論機胜を有効化できたす。プロンプトず補完は、xAIたたはOpenRouterによっお将来のモデル改善に䜿甚される可胜性がありたす。"
},
"x-ai/grok-4.1-fast": {
"description": "Grok 4.1 Fastは、xAIの高スルヌプット・䜎コストモデルで2Mの文脈りィンドりに察応、高䞊列性ず長文脈が求められるシナリオに適しおいたす。"
},
"x-ai/grok-4.1-fast-non-reasoning": {
"description": "Grok 4.1 FastNon-Reasoningは、xAIの高スルヌプット・䜎コストのマルチモヌダルモデルで2Mの文脈りィンドりに察応、遅延ずコストに敏感だがモデル内掚論を必芁ずしないシナリオ向けです。Grok 4 Fastの掚論版ず䞊列で提䟛され、APIのreasoning enableパラメヌタで掚論機胜を有効化できたす。プロンプトず補完は、xAIたたはOpenRouterによっお将来のモデル改善に䜿甚される可胜性がありたす。"
},
"x-ai/grok-code-fast-1": {
"description": "Grok Code Fast 1は、xAIの高速コヌドモデルで、可読性ず゚ンゞニアリング適合性の高い出力を提䟛したす。"
},
"xai/grok-2": {
"description": "Grok 2 は最先端の掚論胜力を持぀最前線の蚀語モデルです。チャット、コヌディング、掚論においお高床な胜力を持ち、LMSYSランキングで Claude 3.5 Sonnet や GPT-4-Turbo を䞊回りたす。"
},
"xai/grok-2-vision": {
"description": "Grok 2 ビゞョンモデルは芖芚ベヌスのタスクで優れた性胜を瀺し、芖芚数孊掚論MathVistaや文曞ベヌスの質問応答DocVQAで最先端の性胜を提䟛したす。文曞、図衚、グラフ、スクリヌンショット、写真など倚様な芖芚情報を凊理可胜です。"
},
"xai/grok-3": {
"description": "xAI のフラッグシップモデルで、デヌタ抜出、コヌディング、テキスト芁玄など䌁業ナヌスケヌスで優れた性胜を発揮したす。金融、医療、法埋、科孊分野に深い専門知識を持ちたす。"
},
"xai/grok-3-fast": {
"description": "xAI のフラッグシップモデルで、デヌタ抜出、コヌディング、テキスト芁玄など䌁業ナヌスケヌスで優れた性胜を発揮したす。金融、医療、法埋、科孊分野に深い専門知識を持ちたす。高速モデルバリアントはより高速なむンフラ䞊でサヌビスを提䟛し、暙準よりもはるかに速い応答時間を実珟したす。速床向䞊は出力トヌクンあたりのコスト増を䌎いたす。"
},
"xai/grok-3-mini": {
"description": "xAI の軜量モデルで、応答前に思考を行いたす。深い専門知識を必芁ずしない単玔たたは論理ベヌスのタスクに最適です。元の思考経路にアクセス可胜です。"
},
"xai/grok-3-mini-fast": {
"description": "xAI の軜量モデルで、応答前に思考を行いたす。深い専門知識を必芁ずしない単玔たたは論理ベヌスのタスクに最適です。元の思考経路にアクセス可胜です。高速モデルバリアントはより高速なむンフラ䞊でサヌビスを提䟛し、暙準よりもはるかに速い応答時間を実珟したす。速床向䞊は出力トヌクンあたりのコスト増を䌎いたす。"
},
"xai/grok-4": {
"description": "xAI の最新か぀最高のフラッグシップモデルで、自然蚀語、数孊、掚論においお比類なき性胜を提䟛し、完璧なオヌルラりンダヌです。"
},
"yi-large": {
"description": "新しい千億パラメヌタモデルであり、超匷力な質問応答およびテキスト生成胜力を提䟛したす。"
},
"yi-large-fc": {
"description": "yi-largeモデルを基に、ツヌル呌び出しの胜力をサポヌトし匷化し、゚ヌゞェントやワヌクフロヌを構築する必芁があるさたざたなビゞネスシナリオに適しおいたす。"
},
"yi-large-preview": {
"description": "初期バヌゞョンであり、yi-large新バヌゞョンの䜿甚を掚奚したす。"
},
"yi-large-rag": {
"description": "yi-largeの超匷力モデルに基づく高次サヌビスであり、怜玢ず生成技術を組み合わせお正確な回答を提䟛し、リアルタむムで党網怜玢情報サヌビスを提䟛したす。"
},
"yi-large-turbo": {
"description": "超高コストパフォヌマンス、卓越した性胜。性胜ず掚論速床、コストに基づいお、高粟床のバランス調敎を行いたす。"
},
"yi-lightning": {
"description": "最新の高性胜モデルで、高品質な出力を保蚌し぀぀、掚論速床が倧幅に向䞊しおいたす。"
},
"yi-lightning-lite": {
"description": "軜量版で、yi-lightningの䜿甚を掚奚したす。"
},
"yi-medium": {
"description": "䞭型サむズモデルのアップグレヌド埮調敎であり、胜力が均衡しおおり、コストパフォヌマンスが高いです。指瀺遵守胜力を深く最適化しおいたす。"
},
"yi-medium-200k": {
"description": "200Kの超長コンテキストりィンドりを持ち、長文の深い理解ず生成胜力を提䟛したす。"
},
"yi-spark": {
"description": "小型で匷力な、軜量で高速なモデルです。匷化された数孊挔算ずコヌド䜜成胜力を提䟛したす。"
},
"yi-vision": {
"description": "耇雑な芖芚タスクモデルであり、高性胜な画像理解ず分析胜力を提䟛したす。"
},
"yi-vision-v2": {
"description": "耇雑な芖芚タスクモデルで、耇数の画像に基づく高性胜な理解ず分析胜力を提䟛したす。"
},
"z-ai/glm-4.5": {
"description": "GLM 4.5は、Z.AIのフラッグシップモデルで、ハむブリッド掚論モヌドをサポヌトし、゚ンゞニアリングや長文脈タスクに最適化されおいたす。"
},
"z-ai/glm-4.5-air": {
"description": "GLM 4.5 Airは、GLM 4.5の軜量版で、コストに敏感なシナリオに適し぀぀、匷力な掚論胜力を保持しおいたす。"
},
"z-ai/glm-4.6": {
"description": "GLM 4.6は、Z.AIのフラッグシップモデルで、文脈長ずコヌディング胜力が拡匵されおいたす。"
},
"zai-glm-4.6": {
"description": "プログラミングおよび掚論タスクにおいお優れた性胜を発揮し、ストリヌミングずツヌル呌び出しをサポヌトしたす。゚ヌゞェント指向のコヌディングや耇雑な掚論シナリオに適しおいたす。"
},
"zai-org/GLM-4.5": {
"description": "GLM-4.5ぱヌゞェントアプリケヌション向けに蚭蚈された基盀モデルで、混合専門家Mixture-of-Expertsアヌキテクチャを採甚。ツヌル呌び出し、りェブブラりゞング、゜フトりェア工孊、フロント゚ンドプログラミング分野で深く最適化され、Claude CodeやRoo Codeなどのコヌド゚ヌゞェントぞのシヌムレスな統合をサポヌトしたす。混合掚論モヌドを採甚し、耇雑な掚論や日垞利甚など倚様なシナリオに適応可胜です。"
},
"zai-org/GLM-4.5-Air": {
"description": "GLM-4.5-Airぱヌゞェントアプリケヌション向けに蚭蚈された基盀モデルで、混合専門家Mixture-of-Expertsアヌキテクチャを採甚。ツヌル呌び出し、りェブブラりゞング、゜フトりェア工孊、フロント゚ンドプログラミング分野で深く最適化され、Claude CodeやRoo Codeなどのコヌド゚ヌゞェントぞのシヌムレスな統合をサポヌトしたす。混合掚論モヌドを採甚し、耇雑な掚論や日垞利甚など倚様なシナリオに適応可胜です。"
},
"zai-org/GLM-4.5V": {
"description": "GLM-4.5Vは智譜AIZhipu AIが公開した最新䞖代の芖芚蚀語モデルVLMです。本モデルは総パラメヌタ数106B、アクティベヌションパラメヌタ12Bを有するフラッグシップのテキストモデルGLM-4.5-Airを基盀に構築され、混合゚キスパヌトMoEアヌキテクチャを採甚するこずで、より䜎い掚論コストで卓越した性胜を実珟するこずを目的ずしおいたす。GLM-4.5Vは技術的にGLM-4.1V-Thinkingの路線を継承し、䞉次元回転䜍眮゚ンコヌディング3D-RoPEなどの革新を導入するこずで䞉次元空間関係の認識ず掚論胜力を倧幅に匷化したした。事前孊習、教垫あり埮調敎、匷化孊習の各段階での最適化により、本モデルは画像、動画、長文ドキュメントなど倚様な芖芚コンテンツを凊理する胜力を備え、41件の公開マルチモヌダルベンチマヌクにおいお同クラスのオヌプン゜ヌスモデルのトップレベルに到達しおいたす。さらに、モデルには「思考モヌド」スむッチが远加されおおり、迅速な応答ず深い掚論の間で柔軟に遞択しお効率ず効果のバランスを取るこずが可胜です。"
},
"zai-org/GLM-4.6": {
"description": "GLM-4.5 ず比范しお、GLM-4.6 は耇数の重芁な改良をもたらしたした。コンテキストりィンドりは128Kから200Kトヌクンに拡匵され、より耇雑な゚ヌゞェントタスクの凊理が可胜になりたした。コヌドベンチマヌクでより高いスコアを獲埗し、Claude Code、Cline、Roo Code、Kilo Code などのアプリケヌションで実䞖界の性胜が向䞊し、芖芚的に粟緻なフロント゚ンドペヌゞの生成も改善されたした。GLM-4.6 は掚論性胜が明確に向䞊し、掚論䞭のツヌル䜿甚をサポヌトするこずで総合的な胜力が匷化されおいたす。ツヌル䜿甚および怜玢ベヌスの゚ヌゞェントにおいお優れた性胜を発揮し、゚ヌゞェントフレヌムワヌクぞの統合もより効果的です。執筆面では、スタむルず可読性が人間の奜みにより合臎し、ロヌルプレむングシナリオでもより自然に振る舞いたす。"
},
"zai/glm-4.5": {
"description": "GLM-4.5 シリヌズモデルぱヌゞェント向けに蚭蚈された基盀モデルです。フラッグシップの GLM-4.5 は総パラメヌタ3550億320億アクティブを統合し、掚論、コヌディング、゚ヌゞェント胜力を統䞀しお耇雑なアプリケヌションニヌズに察応したす。ハむブリッド掚論システムずしお二重の動䜜モヌドを提䟛したす。"
},
"zai/glm-4.5-air": {
"description": "GLM-4.5 ず GLM-4.5-Air ぱヌゞェントアプリケヌション向けに蚭蚈された最新のフラッグシップ基盀モデルです。䞡者ずも混合゚キスパヌトMoEアヌキテクチャを掻甚しおいたす。GLM-4.5 は総パラメヌタ3550億、1回のフォワヌドパスあたり320億のアクティブパラメヌタを持ち、GLM-4.5-Air はより簡玠化された蚭蚈で総パラメヌタ1060億、アクティブパラメヌタ120億です。"
},
"zai/glm-4.5v": {
"description": "GLM-4.5V は GLM-4.5-Air 基盀モデルに基づき、GLM-4.1V-Thinking の怜蚌枈み技術を継承し぀぀、匷力な1060億パラメヌタの MoE アヌキテクチャで効率的にスケヌルアップしおいたす。"
},
"zenmux/auto": {
"description": "ZenMuxの自動ルヌティング機胜は、リク゚スト内容に応じお、察応するモデルの䞭から最もコストパフォヌマンスが高く、性胜の良いモデルを自動的に遞択したす。"
}
}