Alibaba Cloud

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:

—

DeepSeek V4.1 Flash 是 DeepSeek 的稀疏专家混合模型，也是第一个基于该公司因果编码器-解码器 (CED) 架构构建的模型。它激活 552B 参数主干的输入上的 8B 参数和输出上的 16B 参数，这是一种不对称的分割，可以使每个令牌的计算量相对于模型的总大小而言较低。图像理解是该架构的原生功能，视觉和文本嵌入从预训练开始就联合训练，而不是像早期实验性 V4 Flash Vision Exp（在新选项卡中打开）那样事后添加。

输入类型:

输出类型:

输入:

$0.15$0.105/百万

输出:

$0.6$0.42/百万

上下文长度:

1M

最大输出:

384K

DeepSeek V4 Pro是DeepSeek推出的大规模Mixture-of-Experts模型，总参数1.6T，激活参数49B，支持1M-token上下文窗口。它专为高级推理、编码和长期代理工作流程而设计，在知识、数学和软件工程基准方面具有强大的性能。

输入类型:

输出类型:

输入:

$0.66$0.462/百万

输出:

$1.98$1.386/百万

上下文长度:

1M

最大输出:

393K

MoonshotAI: Kimi K3 是 Kimi 迄今为止能力最强的模型，拥有 2.8 万亿参数。它基于混合线性注意力机制 Kimi Delta Attention 和注意力残差技术构建，具备原生视觉理解能力，并拥有 100 万 token 的上下文窗口，适用于软件工程、知识工作和深度推理等前沿智能场景。

输入类型:

输出类型:

输入:

$3$0.9/百万

输出:

$15$4.5/百万

上下文长度:

1.05M

最大输出:

1.05M

Qwen3.8-Flash 是 Qwen 系列的最新多模态模型，兼具强大的推理、生成能力与惊人的速度。它原生支持百万级 Token 的上下文窗口，能够一次性处理长文档、完整代码库及复杂对话。该模型在代码辅助、智能体工作流和视觉理解方面表现出色，无论是自主修复代码、操作桌面应用程序，还是分析图表与长视频，皆能应对自如。Qwen3.8-Flash 完全兼容 OpenAI 和 Anthropic API 协议，可与 Claude Code 和 Codex 等流行开发工具无缝集成，助力开发者轻松构建高并发应用与智能工作流。凭借卓越的性能和极具竞争力的推理成本，Qwen3.8-Flash 是寻求 AI 应用性能与成本平衡的开发者及企业的理想之选。

输入类型:

输出类型:

输入:

$0.16$0.144/百万

输出:

$0.47$0.423/百万

上下文长度:

1M

最大输出:

1M

Qwen: Qwen3.8-Max 是拥有 2.4 万亿参数的 MoE 旗舰模型，在编程和专业工作领域实现了全面飞跃。它能自主编码并交付跨越 10 天以上的完整项目，处理法律、金融、设计及其他专业领域的数百项专门任务，在单次对话中端到端地生成生产级成果。原生视觉理解贯穿规划、执行和验证的全周期，支持对超长文档和扩展视频内容进行深度语义分析。在长时程任务中，它能自主规划、通过闭环反馈进行迭代并持续进化。

输入类型:

输出类型:

输入:

$2$1.8/百万

输出:

$6$5.4/百万

上下文长度:

1M

最大输出:

64K

Qwen3.8-Max-0902 是 Qwen3.8-Max 的快照版本，具备更强的编码性能，适用于复杂的工程任务和长程自主开发。它同时提升了智能体工具使用能力以及针对图表推理、文档解析和多模态感知的视觉理解能力，并保留了 100 万 token 的上下文窗口、推理模式以及完整的工具生态系统。

输入类型:

输出类型:

输入:

$2/百万

输出:

$6/百万

上下文长度:

1M

最大输出:

128K

Qwen Image 3 是 Qwen 的统一图像生成和编辑模型。它支持小至10px的文本和细节的精确渲染，以及比前几代更丰富的世界知识库。

输入类型:

输出类型:

输入:

$0.0024/张

输出:

$0.024/张

上下文长度:

1K

最大输出:

—

Qwen Image 3 Pro 是 Qwen 的图像生成和编辑模型。它支持小至10px的文本和细节的精确渲染，以及与前几代相比更丰富的世界知识。

输入类型:

输出类型:

输入:

$0.0024/张

输出:

$0.032-0.06/张

上下文长度:

1K

最大输出:

—

GLM 5.2是Z.ai的大规模推理模型。它支持使用 1M 令牌上下文窗口进行文本输入和输出，适用于长期代理工作流程、项目级软件工程和复杂的多步骤自动化。

输入类型:

输出类型:

输入:

$1.4$0.42/百万

输出:

$4.4$1.32/百万

上下文长度:

1M

最大输出:

128K

GLM-5.3 是 Z.ai 的大规模推理模型，专为复杂的软件工程和长期代理任务而构建。它支持具有 1M-token 上下文窗口的文本输入和输出，并在编码以及性能和令牌效率之间的平衡方面改进了 GLM-5.2。

输入类型:

输出类型:

输入:

$1.4$0.42/百万

输出:

$4.4$1.32/百万

上下文长度:

1M

最大输出:

128K