Claude Fable 5.1
Anthropic 目前全面开放的最强模型，专为高要求的推理和长时间运行的代理工作而打造。
- 上下文
- 1M
- 输入
- 文本, 图像
Claude Opus 5.5
Anthropic 为高要求工作推荐的默认模型：长时间运行的代理式编码和知识工作，自适应思考始终开启。
- 上下文
- 1M
- 输入
- 文本, 图像
Claude Sonnet 5.5
Anthropic 兼顾速度与智能的模型，适用于日常编码、代理和企业工作，默认开启自适应思考。
- 上下文
- 1M
- 输入
- 文本, 图像
Claude Haiku 4.5
Anthropic 当前速度最快、成本最低的模型，拥有 200K 上下文窗口，可选扩展思考。
- 上下文
- 200K
- 输入
- 文本, 图像
GPT-6 (Astra, Sol, Luna)
OpenAI 当前的推理模型家族，分为三个层级：Astra 用于最困难的工作，Sol 以更低成本达到接近 Astra 的效果，Luna 用于大批量任务。
- 上下文
- 1.05M
- 输入
- 文本, 图像
GPT-5.6 (Sol, Terra, Luna)
OpenAI 的上一代模型，引入了 Sol、Terra 和 Luna 三个层级：旗舰、均衡和最低成本。
- 上下文
- 1.05M
- 输入
- 文本, 图像
gpt-oss (120b, 20b)
OpenAI 基于 Apache 2.0 的开放权重混合专家推理模型：120b 可装入一块 80 GB GPU，20b 可在 16 GB 设备上运行。
- 上下文
- 131K
- 输入
- 文本
Gemini 3.8 Flash
Google 当前全面开放的 Flash 模型，以 Flash 级的速度和成本面向长周期工程、自主代理和企业工作流。
- 上下文
- 1.05M
- 输入
- 文本, 图像, 视频, 音频, PDF
Gemini 3.1 Pro
Google 当前的 Pro 模型，在 Gemini API 上处于预览阶段，针对复杂推理、软件工程和精确的多步骤工具使用进行了优化。
- 上下文
- 1.05M
- 输入
- 文本, 图像, 视频, 音频, PDF
Gemini 3.5 Flash-Lite
Google 3.5 系列中成本最低、延迟最低的模型，专为高吞吐量的子代理工作、文档解析和简单抽取而打造。
- 上下文
- 1.05M
- 输入
- 文本, 图像, 视频, 音频, PDF
Gemma (Gemma 4, Gemma 3)
Google 的开放权重模型家族，从边缘设备规模的模型，到 Gemma 4 中的 31B 稠密模型和 26B 混合专家模型。
- 上下文
- –
- 输入
- 文本, 图像
Grok 4.7
xAI 面向编码、代理任务和知识工作的前沿模型，支持文本和图像输入，可选择推理强度。
- 上下文
- 500K
- 输入
- 文本, 图像
DeepSeek Flash (V4.1)
DeepSeek 当前的 Flash 模型，具备原生图像理解能力、1M 令牌上下文，默认开启思考；权重采用 MIT 许可证。
- 上下文
- 1M
- 输入
- 文本, 图像
DeepSeek V4 Pro
DeepSeek 的大型 V4 Pro 模型：通过 API 仅支持文本，拥有 1M 令牌上下文、工具调用和可选的思考强度；权重采用 MIT 许可证。
- 上下文
- 1M
- 输入
- 文本
DeepSeek-R1 Distill (8B)
一个小型开放推理模型：用 DeepSeek-R1 的思维链训练的 Qwen3-8B，适合本地使用。
- 上下文
- 128K
- 输入
- 文本
Kimi K3
Moonshot AI 的旗舰模型，拥有 1M 令牌上下文、原生图像和视频理解能力，思考始终开启；权重已公开。
- 上下文
- 1.05M
- 输入
- 文本, 图像, 视频
Kimi K2.7 Code
Moonshot AI 的专用编码模型，拥有 256K 上下文、始终开启的思考、工具调用，另有一个独立的高速版本。
- 上下文
- 256K
- 输入
- 文本, 图像, 视频
Qwen 3.8 (Max, Flash)
阿里巴巴的 Qwen 3.8 系列：Max 是旗舰，Max 和 Flash 都提供 1M 令牌上下文、图像和视频输入以及混合思考。
- 上下文
- 1M
- 输入
- 文本, 图像, 视频
Qwen 3.7 Plus
Qwen 3.7 Plus 和 Flash 提供 1M 令牌上下文、图像和视频输入、混合思考以及函数调用，适合多模态代理工作。
- 上下文
- 1M
- 输入
- 文本, 图像, 视频
GLM-5.3
Z.ai 面向软件工程和代理工作的旗舰模型，拥有 1M 令牌上下文、最多 128K 输出，权重已公开；Flash 版本增加了图像和视频输入。
- 上下文
- 1M
- 输入
- 文本
MiniMax M3
MiniMax 的原生多模态编码与代理模型，上下文最多 1M 令牌，思考穿插在工具调用之间；权重已公开。
- 上下文
- 1M
- 输入
- 文本, 图像, 视频
Mistral Large 3
Mistral 基于 Apache 2.0 的开放权重混合专家旗舰模型（41B 激活参数，675B 总参数），具备图像理解能力。
- 上下文
- 256K
- 输入
- 文本, 图像
Mistral Medium 3.5
一个 128B 稠密多模态模型，融合了指令遵循、推理和编码能力，可按请求设置推理强度。
- 上下文
- 256K
- 输入
- 文本, 图像
Mistral Small 4
一个开放权重混合专家模型（约 6B 激活参数），融合了指令、推理和编码能力，支持图像输入。
- 上下文
- 256K
- 输入
- 文本, 图像
Ministral 3 (3B, 8B, 14B)
三种尺寸的小型开放权重模型，每种都有基础、指令和推理版本，并具备图像理解能力，适合本地和边缘使用。
- 上下文
- 256K
- 输入
- 文本, 图像
Codestral
Mistral 的编码模型，面向低延迟、高频率的任务，例如中间填充（fill-in-the-middle）和代码生成。
- 上下文
- 128K
- 输入
- 文本
Llama 4 (Scout, Maverick)
Meta 的原生多模态混合专家模型，激活参数为 17B：Scout（总参数 109B）和 Maverick（总参数 400B）。
- 上下文
- 1M
- 输入
- 文本, 图像
Llama 3.3 70B
Meta 的 70B 文本模型，面向八种语言的多语言对话，支持工具使用。
- 上下文
- 128K
- 输入
- 文本
Llama 3.2 1B
一个 1.2B 参数的多语言模型，面向资源受限和设备端环境，小到可以在 EDDI JVM 内运行。
- 上下文
- 128K
- 输入
- 文本
Amazon Nova (Pro, Lite)
Amazon 在 Bedrock 上的多模态模型，接受文本、图像和视频：Pro 是均衡层级，Lite 是低成本层级。
- 上下文
- 300K
- 输入
- 文本, 图像, 视频
Cohere Command A
Cohere 的 111B 企业模型，专注于工具使用、检索和 23 种语言；Oracle 还提供推理和视觉版本。
- 上下文
- 256K
- 输入
- 文本
Phi-4-mini
Microsoft 的 3.8B 开放模型，面向内存受限、对延迟敏感的工作，以及数学和逻辑推理。
- 上下文
- 128K
- 输入
- 文本
没有符合此筛选条件的模型。
模型运行在哪里
同一个模型通常可以从多个地方获取。请根据您的数据可以流向何处、团队已在使用哪些平台以及您的身份验证方式来选择。
Amazon Bedrock
通过 AWS 托管访问 Anthropic、Meta、Amazon、OpenAI、Mistral 等厂商的模型。
- 模型提供商看不到客户的提示词和补全内容
- 通过 VPC 和 PrivateLink 进行私有网络连接
- 区域内和跨区域推理，满足数据驻留要求
Google Vertex AI
Google Cloud 的 AI 平台，现也称为 Gemini Enterprise Agent Platform，提供 Gemini 和 Model Garden 中的模型。
- 区域端点将处理限定在一个司法管辖区内
- VPC Service Controls 实现网络隔离
- 通过 Google Cloud 凭据进行身份验证
Azure OpenAI
托管在您的 Azure 订阅中的 OpenAI 模型，现为 Microsoft Foundry 的一部分，按部署名称调用。
- Data Zone 部署将处理限定在欧盟、美国或亚太地区
- Azure 骨干网上的专用端点
- 预配吞吐量，预留容量
Oracle OCI Generative AI
Oracle Cloud 的托管服务，提供 Cohere、Meta Llama 等模型，可按需使用或运行在专用集群上。
- 专用 AI 集群
- 专用端点和数据隔离
- 受 OCI IAM 策略管控
目录中没有？
任何OpenAI兼容端点都可以通过type: openai和baseUrl接入，包括Cohere、Together、vLLM、llama-server和企业网关。OpenRouter只需一个密钥即可访问数百个其他模型。
组合使用多个模型
EDDI可以将模型串联成级联：先由快速、低成本的模型作答，只有在置信度较低时才调用更强的模型。请参阅模型级联。