Claude Fable 5.1
โมเดลที่ทรงพลังที่สุดของ Anthropic ที่เปิดให้ใช้งานทั่วไป สร้างมาเพื่อการใช้เหตุผลที่ซับซ้อนและงานเอเจนต์ที่ทำงานต่อเนื่องยาวนาน
- Context
- 1M
- อินพุต
- ข้อความ, รูปภาพ
Claude Opus 5.5
ค่าเริ่มต้นที่ Anthropic แนะนำสำหรับงานที่ต้องการความสามารถสูง: การเขียนโค้ดแบบเอเจนต์ที่ทำงานยาวนานและงานด้านความรู้ โดยเปิด adaptive thinking ไว้เสมอ
- Context
- 1M
- อินพุต
- ข้อความ, รูปภาพ
Claude Sonnet 5.5
สมดุลระหว่างความเร็วและความฉลาดของ Anthropic สำหรับงานเขียนโค้ด งานเอเจนต์ และงานองค์กรในชีวิตประจำวัน โดยเปิด adaptive thinking เป็นค่าเริ่มต้น
- Context
- 1M
- อินพุต
- ข้อความ, รูปภาพ
Claude Haiku 4.5
โมเดลปัจจุบันที่เร็วที่สุดและต้นทุนต่ำที่สุดของ Anthropic มี context window 200K และ extended thinking ให้เลือกใช้
- Context
- 200K
- อินพุต
- ข้อความ, รูปภาพ
GPT-6 (Astra, Sol, Luna)
ตระกูลโมเดลการใช้เหตุผลปัจจุบันของ OpenAI มีสามระดับ: Astra สำหรับงานที่ยากที่สุด, Sol ให้ผลใกล้ Astra ด้วยต้นทุนต่ำกว่า และ Luna สำหรับงานปริมาณมาก
- Context
- 1.05M
- อินพุต
- ข้อความ, รูปภาพ
GPT-5.6 (Sol, Terra, Luna)
รุ่นก่อนหน้าของ OpenAI ที่เปิดตัวระดับ Sol, Terra และ Luna: รุ่นเรือธง รุ่นสมดุล และรุ่นต้นทุนต่ำที่สุด
- Context
- 1.05M
- อินพุต
- ข้อความ, รูปภาพ
gpt-oss (120b, 20b)
โมเดลการใช้เหตุผลแบบ mixture-of-experts แบบ open-weight ของ OpenAI ภายใต้ Apache 2.0: รุ่น 120b ใส่ได้ใน GPU 80 GB ตัวเดียว รุ่น 20b รันบนอุปกรณ์ 16 GB
- Context
- 131K
- อินพุต
- ข้อความ
Gemini 3.8 Flash
โมเดล Flash ปัจจุบันของ Google ที่เปิดให้ใช้งานทั่วไป มุ่งเน้นงานวิศวกรรมระยะยาว เอเจนต์อัตโนมัติ และเวิร์กโฟลว์องค์กร ด้วยความเร็วและต้นทุนระดับ Flash
- Context
- 1.05M
- อินพุต
- ข้อความ, รูปภาพ, วิดีโอ, เสียง, PDF
Gemini 3.1 Pro
โมเดล Pro ปัจจุบันของ Google ในสถานะ preview บน Gemini API ปรับแต่งสำหรับการใช้เหตุผลที่ซับซ้อน วิศวกรรมซอฟต์แวร์ และการใช้เครื่องมือหลายขั้นตอนอย่างแม่นยำ
- Context
- 1.05M
- อินพุต
- ข้อความ, รูปภาพ, วิดีโอ, เสียง, PDF
Gemini 3.5 Flash-Lite
โมเดล 3.5 ของ Google ที่ต้นทุนและ latency ต่ำที่สุด สร้างมาเพื่องาน sub-agent ปริมาณสูง การแยกวิเคราะห์เอกสาร และการดึงข้อมูลแบบง่าย
- Context
- 1.05M
- อินพุต
- ข้อความ, รูปภาพ, วิดีโอ, เสียง, PDF
Gemma (Gemma 4, Gemma 3)
ตระกูลโมเดล open-weight ของ Google ตั้งแต่โมเดลขนาดสำหรับ edge ไปจนถึงโมเดล dense 31B และโมเดล mixture-of-experts 26B ใน Gemma 4
- Context
- –
- อินพุต
- ข้อความ, รูปภาพ
Grok 4.7
โมเดลระดับแนวหน้าของ xAI สำหรับการเขียนโค้ด งานแบบเอเจนต์ และงานด้านความรู้ รองรับอินพุตข้อความและรูปภาพ พร้อมเลือก reasoning effort ได้
- Context
- 500K
- อินพุต
- ข้อความ, รูปภาพ
DeepSeek Flash (V4.1)
โมเดล Flash ปัจจุบันของ DeepSeek ที่เข้าใจรูปภาพได้ในตัว มี context 1M โทเค็น และเปิดการคิดเป็นค่าเริ่มต้น โดย weights อยู่ภายใต้สัญญาอนุญาต MIT
- Context
- 1M
- อินพุต
- ข้อความ, รูปภาพ
DeepSeek V4 Pro
โมเดล V4 Pro ขนาดใหญ่ของ DeepSeek: รองรับเฉพาะข้อความผ่าน API มี context 1M โทเค็น การเรียกเครื่องมือ และเลือกระดับการคิดได้ โดย weights อยู่ภายใต้สัญญาอนุญาต MIT
- Context
- 1M
- อินพุต
- ข้อความ
DeepSeek-R1 Distill (8B)
โมเดลการใช้เหตุผลแบบเปิดขนาดเล็ก: Qwen3-8B ที่ฝึกด้วย chain of thought ของ DeepSeek-R1 สำหรับใช้งานในเครื่อง
- Context
- 128K
- อินพุต
- ข้อความ
Kimi K3
โมเดลเรือธงของ Moonshot AI มี context 1M โทเค็น เข้าใจรูปภาพและวิดีโอได้ในตัว และเปิดการคิดไว้เสมอ โดยเผยแพร่ weights แล้ว
- Context
- 1.05M
- อินพุต
- ข้อความ, รูปภาพ, วิดีโอ
Kimi K2.7 Code
โมเดลเขียนโค้ดเฉพาะทางของ Moonshot AI มี context 256K เปิดการคิดไว้เสมอ รองรับการเรียกใช้เครื่องมือ และมีรุ่นความเร็วสูงแยกต่างหาก
- Context
- 256K
- อินพุต
- ข้อความ, รูปภาพ, วิดีโอ
Qwen 3.8 (Max, Flash)
สาย Qwen 3.8 ของ Alibaba: Max คือรุ่นเรือธง และทั้ง Max และ Flash มี context 1M โทเค็น อินพุตรูปภาพและวิดีโอ และการคิดแบบไฮบริด
- Context
- 1M
- อินพุต
- ข้อความ, รูปภาพ, วิดีโอ
Qwen 3.7 Plus
Qwen 3.7 Plus และ Flash มี context 1M โทเค็น อินพุตรูปภาพและวิดีโอ การคิดแบบไฮบริด และ function calling สำหรับงานเอเจนต์หลายรูปแบบ
- Context
- 1M
- อินพุต
- ข้อความ, รูปภาพ, วิดีโอ
GLM-5.3
โมเดลเรือธงของ Z.ai สำหรับวิศวกรรมซอฟต์แวร์และงานเอเจนต์ มี context 1M โทเค็น เอาต์พุตสูงสุด 128K และเผยแพร่ weights แล้ว โดยรุ่น Flash เพิ่มอินพุตรูปภาพและวิดีโอ
- Context
- 1M
- อินพุต
- ข้อความ
MiniMax M3
โมเดลเขียนโค้ดและเอเจนต์แบบหลายรูปแบบในตัวของ MiniMax มี context สูงสุด 1M โทเค็น และการคิดสลับระหว่างการเรียกเครื่องมือ โดยเผยแพร่ weights แล้ว
- Context
- 1M
- อินพุต
- ข้อความ, รูปภาพ, วิดีโอ
Mistral Large 3
โมเดลเรือธงแบบ open-weight และ mixture-of-experts ของ Mistral (พารามิเตอร์ทำงาน 41B จากทั้งหมด 675B) เข้าใจรูปภาพได้ ภายใต้ Apache 2.0
- Context
- 256K
- อินพุต
- ข้อความ, รูปภาพ
Mistral Medium 3.5
โมเดล dense หลายรูปแบบขนาด 128B ที่รวมการทำตามคำสั่ง การใช้เหตุผล และการเขียนโค้ดไว้ด้วยกัน โดยกำหนด reasoning effort ได้ต่อคำขอ
- Context
- 256K
- อินพุต
- ข้อความ, รูปภาพ
Mistral Small 4
โมเดล open-weight แบบ mixture-of-experts (พารามิเตอร์ทำงานราว 6B) ที่รวม instruct, การใช้เหตุผล และการเขียนโค้ด พร้อมอินพุตรูปภาพ
- Context
- 256K
- อินพุต
- ข้อความ, รูปภาพ
Ministral 3 (3B, 8B, 14B)
โมเดล open-weight ขนาดเล็กสามขนาด แต่ละขนาดมีรุ่น base, instruct และ reasoning พร้อมเข้าใจรูปภาพ สำหรับใช้งานในเครื่องและบน edge
- Context
- 256K
- อินพุต
- ข้อความ, รูปภาพ
Codestral
โมเดลเขียนโค้ดของ Mistral สำหรับงาน latency ต่ำที่เกิดขึ้นถี่ เช่น fill-in-the-middle และการสร้างโค้ด
- Context
- 128K
- อินพุต
- ข้อความ
Llama 4 (Scout, Maverick)
โมเดล mixture-of-experts แบบหลายรูปแบบในตัวของ Meta ที่มีพารามิเตอร์ทำงาน 17B: Scout (รวม 109B) และ Maverick (รวม 400B)
- Context
- 1M
- อินพุต
- ข้อความ, รูปภาพ
Llama 3.3 70B
โมเดลข้อความ 70B ของ Meta สำหรับบทสนทนาหลายภาษาในแปดภาษา พร้อมการใช้เครื่องมือ
- Context
- 128K
- อินพุต
- ข้อความ
Llama 3.2 1B
โมเดลหลายภาษาขนาด 1.2B พารามิเตอร์ สำหรับสภาพแวดล้อมที่มีทรัพยากรจำกัดและบนอุปกรณ์ มีขนาดเล็กพอที่จะรันภายใน JVM ของ EDDI
- Context
- 128K
- อินพุต
- ข้อความ
Amazon Nova (Pro, Lite)
โมเดลหลายรูปแบบของ Amazon บน Bedrock ที่รับข้อความ รูปภาพ และวิดีโอ: Pro คือระดับสมดุล ส่วน Lite คือระดับต้นทุนต่ำ
- Context
- 300K
- อินพุต
- ข้อความ, รูปภาพ, วิดีโอ
Cohere Command A
โมเดลองค์กรขนาด 111B ของ Cohere ที่เน้นการใช้เครื่องมือ การดึงข้อมูล และ 23 ภาษา โดย Oracle มีรุ่น reasoning และ vision ด้วย
- Context
- 256K
- อินพุต
- ข้อความ
Phi-4-mini
โมเดลแบบเปิดขนาด 3.8B ของ Microsoft สำหรับงานที่หน่วยความจำจำกัดและอ่อนไหวต่อ latency รวมถึงการใช้เหตุผลด้านคณิตศาสตร์และตรรกะ
- Context
- 128K
- อินพุต
- ข้อความ
ไม่มีโมเดลที่ตรงกับตัวกรองนี้
โมเดลรันที่ไหน
โมเดลเดียวกันมักมีให้ใช้จากหลายแหล่ง เลือกตามว่าข้อมูลของคุณไปได้ที่ไหน ทีมของคุณใช้อะไรอยู่แล้ว และคุณยืนยันตัวตนอย่างไร
Amazon Bedrock
การเข้าถึงแบบจัดการบน AWS ไปยังโมเดลจาก Anthropic, Meta, Amazon, OpenAI, Mistral และอื่นๆ
- ผู้ให้บริการไม่เห็น prompt หรือคำตอบของลูกค้า
- เครือข่ายส่วนตัวผ่าน VPC และ PrivateLink
- inference ภายใน region และข้าม region เพื่อการเก็บข้อมูลตามพื้นที่
Google Vertex AI
แพลตฟอร์ม AI ของ Google Cloud ซึ่งปัจจุบันเรียกอีกชื่อว่า Gemini Enterprise Agent Platform ให้บริการโมเดล Gemini และ Model Garden
- endpoint ระดับภูมิภาคทำให้การประมวลผลอยู่ในเขตอำนาจเดียว
- VPC Service Controls สำหรับแยกเครือข่าย
- ยืนยันตัวตนผ่าน credential ของ Google Cloud
Azure OpenAI
โมเดล OpenAI ที่โฮสต์ใน subscription Azure ของคุณ ปัจจุบันเป็นส่วนหนึ่งของ Microsoft Foundry และเรียกใช้ด้วยชื่อ deployment
- deployment แบบ Data Zone ทำให้การประมวลผลอยู่ใน EU, US หรือ APAC
- private endpoint บนเครือข่ายหลักของ Azure
- provisioned throughput สำหรับความจุที่จองไว้
Oracle OCI Generative AI
บริการแบบจัดการบน Oracle Cloud สำหรับโมเดล Cohere, Meta Llama และอื่นๆ ทั้งแบบตามความต้องการหรือบนคลัสเตอร์เฉพาะ
- คลัสเตอร์ AI เฉพาะ
- private endpoint และการแยกข้อมูล
- กำกับดูแลด้วยนโยบาย OCI IAM
Groq
คลาวด์สำหรับ inference ที่รันโมเดลแบบเปิดบนชิป LPU ของ Groq เอง ผ่าน API ที่เข้ากันได้กับ OpenAI
- latency ต่ำมาก
- โมเดลแบบเปิดอย่าง gpt-oss และ Qwen
- คีย์เดียว ไม่ต้องมีโครงสร้างพื้นฐาน
OpenRouter
API เดียวสู่โมเดลหลายร้อยตัวจากผู้ให้บริการจำนวนมาก พร้อม auto router ที่เลือกโมเดลให้ในแต่ละคำขอ
- คีย์เดียวสำหรับผู้ผลิตหลายราย
- สลับไปยังผู้ให้บริการอื่นอัตโนมัติเมื่อเกิดปัญหา
- openrouter/auto เลือกโมเดลให้แต่ละงาน
Ollama
รันโมเดลแบบเปิดบนฮาร์ดแวร์ของคุณเองผ่าน API ในเครื่อง และจะให้อยู่บนเครือข่าย Docker เดียวกับ EDDI ก็ได้
- ไม่ต้องเชื่อมต่อคลาวด์
- ข้อมูลไม่ออกจากเครื่องของคุณเลย
- ดึงโมเดลได้ด้วยคำสั่งเดียว
Hugging Face
inference แบบโฮสต์สำหรับโมเดลแบบเปิดตาม repository id กระจายไปยังผู้ให้บริการพันธมิตรภายใต้ token เดียว
- โมเดลแบบเปิดตาม repository id
- token เดียวใช้ได้กับทุกผู้ให้บริการ
- ไม่มีโครงสร้างพื้นฐานให้ดูแล
Jlama
เอนจิน inference ที่เขียนด้วย Java ล้วน รันโมเดลขนาดเล็กภายใน JVM ของ EDDI โดยไม่ต้องมี model server เลย
- ไม่ต้องติดตั้งอะไรเพิ่ม
- โมเดลแบบ quantized เพื่อใช้ทรัพยากรน้อย
- ทำงานแบบ air-gapped ได้เมื่อแคช weights แล้ว
ไม่มีในแคตตาล็อก?
endpoint ใดก็ตามที่เข้ากันได้กับ OpenAI ใช้งานได้ผ่าน type: openai และ baseUrl รวมถึง Cohere, Together, vLLM, llama-server และเกตเวย์ขององค์กร ส่วน OpenRouter เข้าถึงโมเดลอีกหลายร้อยตัวด้วยคีย์เดียว
ใช้มากกว่าหนึ่งโมเดล
EDDI เชื่อมโมเดลเป็น cascade ได้: โมเดลที่เร็วและราคาไม่แพงตอบก่อน และจะเรียกโมเดลที่แข็งแกร่งกว่าเฉพาะเมื่อความเชื่อมั่นต่ำ ดู การเรียงซ้อนโมเดล