模型索引

Google DeepMind 于 2026 年 9 月 30 日公布的前沿模型，支持长流程软件工程、专业知识工作和网络安全防御，以及图表和长视频理解。官方公布输出上限为 100 万 token；未据此推断输入上下文长度。

GPT-6.1 Sol 更新 GPT-6 Sol，面向编程、计算机操作与专业知识工作；官方 API 支持文本和图像输入、文本输出，提供 105 万 token 上下文。

Eleven v4 Turbo 与 Eleven v4 同期发布，以低延迟语音合成为重点，适合交互式语音智能体；保留自然语音表达并支持 90 多种语言。

Eleven v4 是面向富有表现力语音生成的文本转语音模型，增强语境相关的语调、节奏与情感表达，以及多说话人对话和发音控制，支持 90 多种语言。

Claude Sonnet 5.5 是 Sonnet 5 的更新，支持文本与图像理解，侧重编程、文档和办公任务。Anthropic 报告输出速度提升超过 30%；API 基础价格仍为每百万输入 token 2 美元、输出 token 10 美元。

MiniMax-M3.1-Flash-Preview 支持文本、图像和视频输入，提供 100 万 token 上下文，面向编程、工具调用与智能体任务；思考深度可从 low 调整至 max，不能关闭思考。

LongCat-2.5-Preview 在官方 API 更新日志中上线，新增图像理解，支持跨模态问答、摘要和视觉推理，并强化代码生成与理解及开发环境兼容性。

Ember-1 是 Fireworks Research 基于 Kimi K3 训练的专用模型，针对编程和智能体任务减少冗长推理。Fireworks 的评测报告显示，在保持相近任务质量的同时降低 token 消耗。

OpenAI 于 2026 年 9 月 22 日发布的闭源推理模型，面向复杂编程与智能体工作流，支持文本与图像输入、文本输出及工具调用。首日风评（并非长期项目实测）：Artificial Analysis 在 Codex harness、max 档测得 Coding Agent Index 57 分，较 GPT-5.6 Sol 的 55 分小幅上升，平均任务成本约减半；GDPval-AA v2.1 约下降 100 Elo，部分成品更短且遗漏评分要求。总体是性价比明显提升、编码小幅进步，综合知识工作尚未证明全面升级。

OpenAI 于 2026 年 9 月 22 日发布的高效率模型，面向聚焦型和高吞吐量任务，支持文本与图像输入、文本输出及工具调用。首日风评（并非长期项目实测）：Artificial Analysis 在 Codex harness、max 档测得 Coding Agent Index 41 分，低于 GPT-5.6 Luna 的 43 分；其 Intelligence Index 平均任务成本从约 0.18 美元降到 0.07 美元，GDPval-AA v2.1 约下降 75 Elo。价格和并行任务价值受到肯定，纯性能升级尚未得到证明；高难编码和完整知识工作交付仍宜复核。

Google 的文本转语音模型，重点改善语音保真度、表演控制、地区口音及长篇声音稳定性。支持单人和多人语音，并与声音设计、经同意验证的声音复刻功能共用。输入上限为 8,192 token，输出上限为 16,384 token。

Google 的文本转语音模型，重点改善低延迟、高吞吐量与成本效率。支持单人和多人语音，并与声音设计、经同意验证的声音复刻功能共用。输入上限为 8,192 token，输出上限为 16,384 token。

Claude Opus 5.5 是 Anthropic 于 2026 年 9 月 22 日发布的 Claude 5.5 系列首款模型，面向长时编程代理和知识工作。支持文本与图像输入、文本输出，提供 100 万 token 上下文与最高 12.8 万 token 输出。采用始终开启的自适应思考，默认 medium effort。标准 API 输入和输出价格分别为每百万 token 4 美元和 20 美元，缓存读取为 0.20 美元。Anthropic 报告其典型工作负载成本较 Opus 5 降低约 40%；该比例为厂商测试结果。

xAI 面向编码、智能体与知识工作发布的通用模型，支持文本和图像输入、文本输出，并提供 50 万 token 上下文。官方称其加强了长时任务、自检和长上下文管理能力。

Qwen 的图像生成与编辑模型，支持透明图层和最多 10 张参考图。7B 参数指视觉生成组件。

Grok 的语音转文字模型，支持录音与流式转写、多语言识别、说话人区分和词级时间戳。

Google 面向复杂多步实时语音任务发布的高推理音频到音频模型，可在持续音频响应期间执行后台推理和异步工具调用，支持文本、图像、音频和视频输入以及文本、音频输出。

Google 面向实时语音代理发布的低延迟音频到音频模型，支持文本、图像、音频和视频输入以及文本、音频输出，并支持交错推理、异步函数调用和完整会话内容更新。

DeepSeek 于 2026 年 9 月 10 日正式发布的多模态 MoE 模型，可原生处理文本和图像并自回归生成文本。

OpenAI 的 GPT-6 Astra，面向复杂推理、编程、计算机操作、研究与文档创作；支持文本和图像输入、文本输出，拥有 1,050,000 token 上下文窗口与 128,000 token 最大输出。