多模态模型阶跃稳定版
step-1o-turbo-vision
典型应用场景有社媒发帖文案创作、AI问答助手、图片与视频理解等。单次请求限制输入最多50张，总大小控制在20M以内的图片，输入视频为小于128MB的MP4文件。
输入价格
¥2.50 / 1M Tokens
输出价格
¥8.00 / 1M Tokens
图片理解视频理解文本生成
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
输入价格
¥2.50 / 1M Tokens
输出价格
¥8.00 / 1M Tokens
推理图片理解代码
多模态模型阶跃稳定版
step-1o-vision-32k
典型应用场景有管家机器人、智慧座舱助手、医学影像分析助手、食物识别、图片信息判断、图片内容描述等。单次请求限制最多50张图片，总大小控制在20M以内。
输入价格
¥15.00 / 1M Tokens
输出价格
¥70.00 / 1M Tokens
图片理解文本生成视觉理解
输入价格
¥5.00 / 1M Tokens
输出价格
¥20.00 / 1M Tokens
图片理解短上下文视觉理解
输入价格
¥15.00 / 1M Tokens
输出价格
¥70.00 / 1M Tokens
图片理解长上下文视觉理解
图像生成阶跃稳定版
step-1x-medium
适用于需要高质量图像生成的场景，如艺术创作、游戏开发等。输入文本最大长度为1024个字符；输入图片需在10Mb以内，像素不大于2048x2048，格式为png或jpeg。单次可请求生成1张图像。
计费价格
¥0.1 / image
生成形式
text_to_image / image_edit
图片生成中文支持图像生成
图像生成阶跃稳定版
step-2x-large
新模型生成图片质感更真实，中英文文字生成能力更强。输入文本最大长度为1024个字符；输入图片需在10Mb以内，像素不大于2048x2048，格式为png或jpeg。单次可请求生成1张图像。
计费价格
限时免费
生成形式
text_to_image / image_edit
图片生成中文提示词图像生成
图像生成阶跃稳定版
step-1x-edit
模型能够理解用户的意图，并生成符合要求的图像编辑结果，适合应用于图像编辑、人像美化、艺术创作等场景。输入文本最大长度为512个字符；输入图片需在10Mb以内，像素不大于1024x1024，格式为png或jpeg。单次可请求生成1张图像。
计费价格
限时免费
生成形式
text_to_image / image_edit
图片编辑图像增强图像生成
多模态模型Cohere稳定版
Command A Vision
Command A Vision is a powerful visual language model capable of interacting with image inputs. This document contains information about its capabilities.
输入价格
公开资料未说明
输出价格
公开资料未说明
视觉理解图文问答多语言任务
语言模型Cohere稳定版
Embed v4.0
A model that allows for text and images to be classified or turned into embeddings
输入价格
公开资料未说明
输出价格
公开资料未说明
语义检索RAG向量搜索
多模态模型Cohere稳定版
Aya Vision 32B
Aya Vision is a state-of-the-art multimodal model excelling at a variety of critical benchmarks for language, text, and image capabilities. Serves 23 languages. This 32 billion parameter variant is focused on state-of-art multilingual performance.
输入价格
公开资料未说明
输出价格
公开资料未说明
视觉理解图文问答多语言任务
多模态模型Cohere即将下线
Aya Vision 8B
Aya Vision is a state-of-the-art multimodal model excelling at a variety of critical benchmarks for language, text, and image capabilities. Serves 23 languages. This 32 billion parameter variant is focused on state-of-art multilingual performance.
输入价格
公开资料未说明
输出价格
公开资料未说明
视觉理解图文问答多语言任务
多模态模型Cohere稳定版
North Micro Vision Instruct
North Micro Vision Instruct 是 Cohere 于 2026 年 8 月公开的轻量多语视觉模型，适合图像理解、视觉问答和本地部署。
输入价格
公开资料未说明
输出价格
公开资料未说明
视觉理解多语问答轻量部署
计费价格
公开资料未说明
生成形式
text_to_video / image_to_video / video_edit / multi_shot
多镜头视频4K 视频视频叙事
计费价格
公开资料未说明
生成形式
text_to_image / image_edit
4K 图像图像编辑系列图像
计费价格
公开资料未说明
生成形式
text_to_image / image_edit
新视角生成图像生成3D 视觉
计费价格
公开资料未说明
生成形式
text_to_video / image_to_video / video_edit / multi_shot
广告素材多元素视频角色一致性
计费价格
公开资料未说明
生成形式
text_to_video / image_to_video
历史兼容旧版能力对照版本迁移
计费价格
公开资料未说明
生成形式
text_to_image / image_to_image / image_edit
商品图品牌素材图片编辑
计费价格
公开资料未说明
生成形式
text_to_image / image_to_image
高清海报品牌素材电商视觉