Alibaba

Alibaba: HappyHorse 1.0 被描述为一款开源的最先进 AI 视频生成器，具有原生音视频联合生成功能——这意味着 alibaba: HappyHorse 1.0 视频模型可以在单次前向传递中同时生成视频帧和相应的音轨（对话、环境音、拟音），而不是先生成静音视频再进行后期配音。 根据社区整理的架构说明，该模型围绕一个 150 亿参数的统一自注意力 Transformer 构建，可在单个标记序列内处理文本、图像、视频和音频标记。据报道，它在构建时没有采用专用的交叉注意力分支，也没有单独的音频模块。结合 DMD-2 蒸馏技术，据称其蒸馏版本在 NVIDIA H100 上仅需 8 个去噪步骤，且无需无分类器引导（classifier-free guidance），即可在大约 38 秒内生成 1080p 视频。

输入类型:

输出类型:

输入:

—

输出:

$0.112-0.192/秒

上下文长度:

—

最大输出:

—

Alibaba: HappyHorse 1.1是阿里巴巴的视频生成模型。它根据文本提示、单个起始图像或一组参考图像生成短视频，输出分辨率高达 1080p，持续时间为 3 到 15 秒。它适用于创意内容、社交媒体剪辑和图像驱动的动画，并在先前版本的基础上进行了改进，具有更强的提示依从性、更流畅的运动以及跨帧的更一致的角色。

输入类型:

输出类型:

输入:

—

输出:

$0.049-0.126/秒

上下文长度:

—

最大输出:

—

Qwen: Qwen3.7-Flash 是来自阿里巴巴的视觉语言推理模型。它适用于多模态智能体、视觉编码、搜索和计算机交互，在物体识别、空间理解和现实世界视觉感知方面具有优势。

输入类型:

输出类型:

输入:

$0.03$0.0195/百万

输出:

$0.13$0.0845/百万

上下文长度:

1M

最大输出:

64K

Qwen3.7-Max 是阿里巴巴 Qwen3.7 系列的旗舰模型。它支持文本输入和输出，专为以智能体为中心的工作负载而设计，在编码、办公与生产力任务以及长周期自主执行方面具有显著优势。与之前的 Qwen 版本相比，该模型在编码和智能体性能方面有显著提升，并支持显式提示词缓存，以实现高效的重复上下文使用。

输入类型:

输出类型:

输入:

$2.5$1.625/百万

输出:

$7.5$4.875/百万

上下文长度:

1M

最大输出:

64K

Qwen3.7-Plus 是 Qwen3.7 系列中的多模态生成模型，支持文本、图像和视频输入及文本输出。它专为智能体工作负载设计，在编程、办公生产力和长程自主执行方面表现强劲。

输入类型:

输出类型:

输入:

$0.4$0.26/百万

输出:

$1.6$1.04/百万

上下文长度:

1M

最大输出:

64K

Alibaba: Wan3.0-Video 是一款多功能参考视频生成模型，支持文本转视频、图像转视频（首帧/首尾帧）以及基于参考的视频生成。它能够生成长达 30 秒、30fps 的视频。

输入类型:

输出类型:

输入:

—

输出:

$0.03-0.12/秒

上下文长度:

20K

最大输出:

—

Alibaba: Wan3.0-Video-Prime 是 Wan3.0 视频生成模型的高速版本。它具备与标准 Wan3.0-Video 模型同等的强大能力，支持四种模态的综合参考输入，可生成长达 30 秒的视频，并在提供沉浸式视听体验的同时，显著提升了端到端的生成速度。

输入类型:

输出类型:

输入:

—

输出:

$0.0578-0.238/秒

上下文长度:

20K

最大输出:

—