多模态模型Google预览版
Gemini Robotics-ER 1.5
Gemini Robotics-ER 1.5 是 Google 的 Gemini 多模态模型，适合具身推理、机器人控制等通用生产工作流。 当前仍是预览版。
输入价格
$0.30 / 1M Tokens
输出价格
$2.50 / 1M Tokens
具身推理机器人控制视觉理解
官方模型目录与价格对比
找模型，不只看名字，还要看 能力和价格
按模型类型、上下文、价格和厂商整理官方模型目录，方便你快速筛出适合写代码、做推理、跑视觉或搭 Agent 的那一批模型。
先缩小候选，再进详情页看接口、计费和能力边界。
已收录模型
1,303
覆盖厂商
63
带价格信息
355
多模态模型Google预览版
Gemini Robotics-ER 1.6
Gemini Robotics-ER 1.6 是 Google 的 Gemini 多模态模型，适合具身推理、机器人控制等通用生产工作流。 当前仍是预览版。
输入价格
$1.00 / 1M Tokens
输出价格
$5.00 / 1M Tokens
具身推理机器人控制视觉理解
多模态模型火山预览版
SeedRealtime
SeedRealtime 是字节跳动 Seed 团队于 2026 年 8 月发布的音画全双工大模型，面向实时视觉理解、语音交互和主动式多模态协作。官方页面暂未公开稳定 API 模型 ID。
输入价格
公开资料未说明
输出价格
公开资料未说明
实时语音视觉理解全双工交互
多模态模型美团 LongCat即将下线
LongCat Flash Omni 2603
LongCat 官方更新日志显示该旧模型已于 2026 年 5 月 29 日停止调用，正式接入应迁移到 LongCat 2.0。
输入价格
公开资料未说明
输出价格
公开资料未说明
视觉理解语音交互多模态助手
多模态模型Black Forest Labs预览版
FLUX 3
FLUX 3 是 Black Forest Labs 的多模态基础模型，统一学习图像、视频和音频，并支持图像生成编辑、视频生成与原生音频。
输入价格
公开资料未说明
输出价格
公开资料未说明
视频生成图片生成原生音频
多模态模型NVIDIA预览版
Nemotron 3 Nano Omni Reasoning
Nemotron 3 Nano Omni Reasoning 是 NVIDIA 面向全模态推理的模型，支持图像、视频、语音和文本理解，适合多模态 Agent 与复杂场景分析。
输入价格
公开资料未说明
输出价格
公开资料未说明
多模态推理视频理解语音理解
输入价格
¥2.80 / 1M Tokens
输出价格
¥14.00 / 1M Tokens
多模态问答Agent内容理解
输入价格
¥2.80 / 1M Tokens
输出价格
¥14.00 / 1M Tokens
视觉理解语音理解多模态助手
输入价格
公开资料未说明
输出价格
公开资料未说明
视觉理解音频理解多模态 Agent
输入价格
公开资料未说明
输出价格
公开资料未说明
低延迟多模态理解成本敏感
输入价格
公开资料未说明
输出价格
公开资料未说明
复杂任务多模态问答视频理解
输入价格
公开资料未说明
输出价格
公开资料未说明
通用助手多模态聊天成本敏感