多模态模型Microsoft稳定版
Phi-Ground-Any-4B
Phi-Ground-Any-4B 是 Microsoft 的 GUI grounding 模型，可将自然语言指令定位到图像界面中的目标区域，服务于电脑操作 Agent。
输入价格
公开资料未说明
输出价格
公开资料未说明
GUI 定位电脑操作Agent
官方模型目录与价格对比
找模型，不只看名字，还要看能力和价格
按模型类型、上下文、价格和厂商整理官方模型目录，方便你快速筛出适合写代码、做推理、跑视觉或搭 Agent 的那一批模型。
- 已收录模型
- 1,411
- 覆盖厂商
- 70
- 带价格信息
- 525
- 推理模型
- 438
查看 545 个模型
输入价格
公开资料未说明
输出价格
公开资料未说明
具身推理空间理解GUI Agent
输入价格
公开资料未说明
输出价格
公开资料未说明
视觉动作机器人电脑操作
输入价格
公开资料未说明
输出价格
公开资料未说明
电商理解多模态问答开放权重
输入价格
公开资料未说明
输出价格
公开资料未说明
视觉推理电商理解开放权重
输入价格
公开资料未说明
输出价格
公开资料未说明
电商理解多模态问答开放权重
输入价格
公开资料未说明
输出价格
公开资料未说明
视觉推理电商理解开放权重
多模态模型Google即将下线
Gemini 3.1 Flash-Lite
Gemini 3.1 Flash-Lite 是 Google 于 2026 年 5 月发布的低延迟、多模态模型，适合成本敏感和高吞吐工作流。
输入价格
$0.25 / 1M Tokens
输出价格
$1.50 / 1M Tokens
低延迟成本敏感批量处理
计费价格
公开资料未说明
生成形式
text_to_image / image_edit
图片生成图片编辑文字渲染
多模态模型NVIDIA预览版
Nemotron 3 Nano Omni Reasoning
Nemotron 3 Nano Omni Reasoning 是 NVIDIA 面向全模态推理的模型，支持图像、视频、语音和文本理解，适合多模态 Agent 与复杂场景分析。
输入价格
公开资料未说明
输出价格
公开资料未说明
多模态推理视频理解语音理解
计费价格
公开资料未说明
生成形式
text_to_video / image_to_video
图生视频音画视频视频生成
计费价格
公开资料未说明
生成形式
text_to_video / image_to_video / video_to_video
参考生视频角色一致性视频生成
计费价格
公开资料未说明
生成形式
text_to_video / image_to_video / video_to_video
视频编辑视频处理视频生成
图像生成Adobe稳定版
Adobe Firefly Image Model 5
Adobe Firefly Image Model 5 是 Adobe 于 2026 年 4 月公开的新一代图像生成模型，重点提升真实感和细节表现，并支持新版 Generate Image API。
计费价格
公开资料未说明
生成形式
text_to_image / image_to_image
真实感图像营销素材商业创意
输入价格
$5.00 / 1M Tokens
输出价格
$30.00 / 1M Tokens
深度推理代码开发Agent
输入价格
$30.00 / 1M Tokens
输出价格
$180.00 / 1M Tokens
深度推理复杂代码高难度 Agent
输入价格
公开资料未说明
输出价格
公开资料未说明
内容安全图像安全开放权重
输入价格
¥2.80 / 1M Tokens
输出价格
¥14.00 / 1M Tokens
多模态问答Agent内容理解
输入价格
公开资料未说明
输出价格
公开资料未说明
视觉理解代码开发Agent
输入价格
公开资料未说明
输出价格
公开资料未说明
复杂推理代码开发Agent