The Claude option for high-volume, latency-sensitive work such as classification, extraction, routing, and subagent tasks. Compared with Haiku 4.5, it expands the context window to 1M tokens and adds adaptive thinking; consider Sonnet or Opus for harder work.

A fast choice for image creation and conversational editing. Compared with Nano Banana 2, it improves visual quality, text and infographic layout, wide-format images, and character consistency across edits. It supports multiple reference images and 1K, 2K, or 4K output; consider Nano Banana Pro for the most demanding brand and precision work.

For complex coding, computer use, and professional document work. It improves on GPT-6 Sol in demanding tasks and approaches Astra at a lower cost; choose Astra when maximum quality is the priority.

A strong workhorse balancing speed and intelligence: a 1M-token context window, text and image input, text output, adaptive thinking, and tool use for project-level coding, multi-step tasks, and knowledge work. Its main advantage over Sonnet 5 is faster, more token-efficient execution; choose Opus 5.5 when maximum quality for harder tasks matters more.

Built for long-running agentic coding and knowledge work, especially cross-file refactors, codebase audits, and complex multi-step tasks. Its 1M-token context, always-on adaptive thinking, and text/image input favor high-quality long-horizon execution; compared with Sonnet 5, it prioritizes depth at higher cost and latency.

Built for complex coding and agentic workflows, including project-level programming, long-horizon planning, and multi-step tool use. Its 1.05M-token context, text/image input, reasoning, function calling, and structured outputs make it the workhorse choice; it costs more than GPT-6 Luna when quality and execution stability matter most.

Designed for focused, high-volume work such as batch summarization, classification, rewriting, and frequent agent calls. It still offers a 1.05M-token context, text/image input, reasoning, function calling, and structured outputs, but trades depth for much lower cost; prefer GPT-6 Sol for the hardest long-horizon tasks.

A strong high-throughput, lower-cost default for general and agentic work: it natively understands images and supports a 1M-token context, optional thinking and non-thinking modes, tool calls, and JSON output. Compared with the higher-tier V4 Pro, it is positioned around speed, throughput, and cost efficiency, making it practical for long documents, coding/agents, and image-text analysis; enable thinking when deeper reasoning is needed.

The discounted-price route for GPT Image 2.5 Sunburst, mapped by the current channel to Sunburst. Sale indicates a special-price route and does not change Sunbursts role in high-precision image generation and editing. Best for cost-sensitive professional visual work that still needs reference-image editing and detail control; use regular gpt-image-2.5-sunburst when you want the standard route.

Built for premium visual workflows where editing precision and finished-image quality matter most: a better fit for production campaign creative, polished product imagery, and multi-turn edits that need to preserve the subject, composition, and visual treatment. It accepts text and reference-image inputs and produces images, with longer generation times than Flare.

The discounted-price route for GPT Image 2.5 Flare, mapped by the current channel to Flare. Sale indicates a special-price route and does not change Flares role in fast, high-quality everyday image generation and editing. Best for cost-sensitive, frequent image tasks; use regular gpt-image-2.5-flare when you want the standard route.

A strong default for high-quality image generation and editing: optimized for faster iteration across creator and social content, product experiences, visual search, rapid prototyping, and high-volume generation. It accepts text and reference-image inputs and produces images; choose Sunburst when tighter editing control matters more than speed.

A flagship end-to-end model for complex reasoning, software engineering, computer use, deep research, and document work. It offers about a 1.05M-token context window, accepts text, images, and documents, returns text, and supports reasoning, search, function calling, structured outputs, code execution, and tool orchestration. Choose it over lower-tier models for long-horizon task quality and execution stability, with higher usage cost as the trade-off.

The flagship Flash model for long-horizon software engineering, autonomous agents, and complex enterprise workflows. It keeps the speed and cost profile of Flash while adding stronger reasoning and tool orchestration. It accepts text, images, video, audio, and PDF input, with about a 1.05M-token context window, search grounding, function calling, code execution, structured outputs, and tunable thinking. Prefer it over Flash-Lite for harder tasks, at higher usage cost.

A flagship long-context model for demanding, long-running knowledge work, coding projects, and multi-step agentic tasks. It accepts text, images, and PDFs, making it a strong fit for cross-file analysis, complex research, and sustained tool use. It prioritizes reasoning depth and long-horizon execution over speed and cost, so it is best reserved for tasks where reliable completion matters.

An efficient multimodal workhorse in the Qwen family, with a native million-token context window and strong support for coding assistance, agentic workflows, and visual understanding such as charts. It fits long documents, codebases, high-concurrency applications, and tool-assisted tasks.

The efficiency-focused Flash model in the GLM-5 family, with native multimodal support and a design aimed at long-context, high-frequency execution. It is a strong fit for coding, agentic workflows, and complex tasks that require image-and-text understanding, especially when production cost matters.

An experimental multimodal variant of DeepSeek-V4-Flash for image understanding alongside text. A practical choice for visual Q&A, screenshot and document analysis, while its experimental status makes it better suited to evaluation and flexible workflows than strict production-critical paths.

The speed-first variant of Alibaba's Wan 3.0 line (early access). It shortens generation latency while retaining high-quality video output, making it a good fit for low-latency previews, batch drafts and fast-iterating short-video workflows. If ultimate visual control matters more than speed, the standard version is a better choice.

A flagship workhorse for complex software engineering and long-horizon agent tasks. It uses the same base model as GLM-5.2, with improvements driven by post-training, delivering a 50% gain on Z.ai Code Bench alongside stronger terminal-operation and vulnerability-discovery capabilities. It offers a 1M-token context window, up to 128K output, always-on reasoning with low, high, and max effort levels, function calling, and structured outputs. It currently accepts text only and is not intended for tasks requiring visual understanding.

Free models are for learning and trial purposes only and may be removed at any time. Premium models have limited quotas with 5 requests per minute, and their availability is not guaranteed.

A new fast multimodal model in the Gemini 3 family, released in August 2026, built for low-cost, high-throughput multimodal understanding. It accepts text, image, video, audio and document inputs with a 1M-token context, suited to large-scale processing, batch workloads and real-time interactions.

A flagship general-purpose model for high-quality coding, agentic execution, and knowledge work. It fits tasks that need sustained planning, tool collaboration, and complex problem solving; for simple calls where latency or cost matters most, choose a lighter model.

The standard video generation model of Alibaba's Wan 3.0 line (early access). It supports text-to-video, image-to-video and multi-modal reference inputs, generating clips up to roughly 30 seconds with synchronized audio in a single pass — suitable for ads, short drama and narrative content. Official release date not yet announced.

Qwen's most capable flagship multimodal reasoning model, built for long-horizon coding, professional work, and multi-stage agent tasks. It accepts text, images, and video, offers a 1M-token context window with up to 128K output, and supports function calling, structured outputs, web search, and a code interpreter. It is best used as a high-quality workhorse for complex tasks rather than for the lowest-cost, lowest-latency batch workloads.

A better fit for moving from a single clip toward a complete audiovisual story: it can generate up to 30 seconds in one pass, supports multiple extensions, accepts image, video, and audio references, and adds timestamp-level editing, green-screen, and camera control. It suits ads and short films that need continuity, while complex multi-subject motion still deserves human review.

An omni-modal video generation model that can combine text with image, video, and audio references to create video assets with synchronized audio. It is suited to short-form video, advertising, and reference-driven character or camera work; it is not a general chat model, so prioritize visual consistency, motion, and audio-visual quality.

A route variant of Seedance 2.5; evaluate it by the underlying model rather than the route suffix. It is suited to ads, branded content, and narrative shorts, with up to 30-second audio-video generation, multi-round extension, text/image/audio/video references, R2V control, and timestamp-level editing. Complex motion and multi-subject physical consistency still benefit from human review.

A premium model for complex agentic coding and enterprise knowledge work, emphasizing long-horizon planning, sustained execution, self-checking, and reliable delivery. With a million-token context window, it is suited to large codebases, complex documents, and multi-step projects that need limited human oversight.

The fastest and most cost-effective model in the Gemini 3.5 line, built for high-throughput, low-latency work such as translation, classification, document processing, and lightweight agentic workflows. It supports multimodal inputs and up to a 1M-token context, while demanding reasoning, long-horizon planning, or high-quality code changes are better handled by a higher-tier Flash model.

A quality-first image generation and editing model: it supports text-to-image and edits from 1–3 reference images, accepts prompts of up to about 4.5K tokens, and is aimed at dense layouts, fine 10px-scale text, 12 languages, and multiple fonts. Choose it over the standard variant when complex composition and detail fidelity matter more than speed or cost; use the standard variant for a faster, more economical workflow.

The balanced standard tier of Qwen-Image 3.0 for image generation and editing: it supports text-to-image and edits from 1–3 reference images, prompts of up to about 4.5K tokens, up to six outputs, and 2K-class resolution. It fits everyday posters, interfaces, infographics, and repeated creative work; move to Pro when complex layouts and fine text fidelity matter more, and use this tier when speed and cost efficiency are the priority.

ネイティブ ビジョンと最大 1M トークンのコンテキスト ウィンドウを備えた Moonshot フラッグシップ モデル。現在、最大の推論労力で実行され、長期的なコーディング、知識作業、ターミナル ツールを調整する複雑なタスクに適しています。安定して使用するには、完全な推論履歴を保存し、互換性のあるエージェント ハーネスで新しいセッションを開始します。

The balanced workhorse tier of GPT-5.6, combining capability and cost. Well suited to production work involving image understanding, tool use, and large source material; choose Sol for the hardest quality-first work or Luna for cost-controlled high volume.

The flagship GPT-5.6 tier for complex professional work and quality-first delivery. It supports image input, function calling, structured outputs, and an exceptionally large context window; consider Terra or Luna when latency or unit cost is the primary constraint.

The cost-sensitive, high-volume tier of GPT-5.6. A good fit for summarization, classification, rewriting, and batch automation; choose the Sol sibling for complex professional judgment or quality-first multi-step work.

プロフェッショナルなビジュアル制作のためのマルチモーダル画像生成モデル。テキストから画像を生成し、参照画像や空間注釈を使用して正確な編集を実行でき、高密度のインフォグラフィック、タイポグラフィ、リアルな照明、多言語テキストのレンダリングに強みを持ちます。

コーディング、ナレッジワーク、STEM タスクのためのフロンティア推論モデル。画像入力、関数呼び出し、構造化出力をサポートします。その 500K トークンのコンテキストは、ファイル間の分析や長いソース素材に適しています。最先端の推論が必要ない場合は、低コストのモデルを選択します。

Anthropic の最も有能で広くリリースされているモデルで、最も要求の厳しい推論と長期的なエージェント作業向けに構築されています。最大 128,000 の出力と常時オンの適応的思考を備えた 1M トークンのコンテキスト ウィンドウを提供し、人間の入力が必要になる前に、指定されていないタスクを自律的に探索、計画し、長時間実行されるコーディングとマルチエージェント オーケストレーションを実行することに優れています。

デイリードライバーのソネット層モデルは、より低い運用コストでニアフロンティアのエージェント、コーディング、ナレッジワーク機能を実現することを目的としています。デフォルトの 1M トークンのコンテキストと適応的思考は、長いドキュメント、コードベース、および複数ステップのツールのワークフローに適合します。最も深い推論や制限された高リスクのセキュリティ作業については、より上位のモデルまたは特殊なモデルを評価します。

コーディング、エージェント、複雑な生産性タスク向けに構築されており、長いコンテキスト、長い出力、ツール指向のワークフローにおいて Doubao Seed 2.0 を超えています。 Qwen、GLM、DeepSeek の同等の製品と比較して、中国の事務作業、コーディング、および複数ステップの自動化にとってコスト効率の高いオプションです。

HappyHorse 1.0 よりも強力なオーディオネイティブのワークフローを備え、テキストからビデオへの変換用に構築されており、ダイアログ、サウンドエフェクト、バックグラウンドミュージックを 1 つのパスで生成します。 Veo、Kling、Runway と比較した場合、その差別化要因は、同期されたオーディオビジュアル生成と、短編ドラマ、広告、電子商取引、およびブランド マーケティング向けのキャラクター一貫性のあるワークフローです。

HappyHorse 1.0 よりも強力なオーディオ ネイティブ ワークフローを備えたビデオ参照用に構築されており、ダイアログ、サウンド効果、バックグラウンド ミュージックを 1 つのパスで生成します。 Veo、Kling、Runway と比較した場合、その差別化要因は、同期されたオーディオビジュアル生成と、短編ドラマ、広告、電子商取引、およびブランド マーケティング向けのキャラクター一貫性のあるワークフローです。

HappyHorse 1.0 よりも強力なオーディオネイティブのワークフローを備え、ダイアログ、サウンドエフェクト、BGM を 1 つのパスで生成する、画像からビデオへの変換用に構築されています。 Veo、Kling、Runway と比較した場合、その差別化要因は、同期されたオーディオビジュアル生成と、短編ドラマ、広告、電子商取引、およびブランド マーケティング向けのキャラクター一貫性のあるワークフローです。

ビデオ生成とマルチアセットビデオ作成用に構築されており、より完全なモーション安定性、オーディオビジュアル生成、リファレンス入力により Seedance 1.x が改良されています。 Veo、Kling、Runway と比較して、テキスト、画像、オーディオ、ビデオの混合入力によって駆動される中国のクリエイティブ ワークフローに適しています。このフィルターオフのバリアントは、標準の Seedance 2.0 と同じ層の生成機能を維持しながら、より緩やかなコンテンツ フィルターを適用します。短編ドラマ、広告、電子商取引、ソーシャル アセットに役立ちます。

推論、コーディング、および長いコンテキストのエージェント タスク向けに構築されており、コンテキストの長さ、ツールの使用、および複雑な複数ステップのワークフローにおいて GLM-5.1 よりも改善されています。 Qwen、DeepSeek、Kimi などの中国の主力製品と比較すると、エンタープライズ自動化、プロジェクト レベルのコード分析、中国語でのナレッジ ワークに適しています。

長いコンテキスト、複数ステップのツールの使用、およびコード/ドキュメントのワークフロー向けに構築されており、Kimi K2.6 よりも強力なエンジニアリング タスクの安定性とコンテキスト容量が備わっています。 Qwen、GLM、DeepSeek と比較すると、中国語の長い文書の分析、プロジェクトの Q&A、日常的なエージェント プログラミングに適しています。

長いコンテキスト、複数ステップのツールの使用、およびコード/ドキュメントのワークフロー向けに構築されており、Kimi K2.6 よりも強力なエンジニアリング タスクの安定性とコンテキスト容量が備わっています。 Qwen、GLM、DeepSeek と比較すると、中国語の長い文書の分析、プロジェクトの Q&A、日常的なエージェント プログラミングに適しています。

Grok Imagine 1.0 よりも強力なモーションの一貫性と高速なソーシャル コンテンツ制作を備えた、画像/ビデオ主導の生成、編集、拡張用に構築されています。 Veo、Kling、Runway と比較すると、xAI エコシステムの短編ビデオ、広告コンセプト、トレンド主導のアセットに適合します。

エージェントのワークロード、コーディング、オフィスの生産性向けに設計されており、Qwen3.6 よりも長いコンテキスト、ツールの呼び出し、構造化された出力に重点を置いています。 GPT、Claude、Gemini などの主力モデルと比較して、中国語、コーディング、およびマルチステップ ツールのワークフローにとってコスト効率の高い代替品です。

Free models are for learning and trial purposes only and may be removed at any time. Premium models have limited quotas with 5 requests per minute, and their availability is not guaranteed.

長期にわたるコーディング、ツールの使用、マルチターンの制作コラボレーション向けに構築されており、1M トークンのコンテキスト ウィンドウを維持しながら、マルチモーダル入力で MiniMax M2.7 を超えて拡張されています。 Claude、Gemini、GLM-5.2 のロングコンテキスト エージェント モデルと比較して、テキスト、画像、ビデオ素材を 1 つのワークフローに入れるのに適しています。

主要な推論と複雑なエージェント タスクに関しては、長いコンテキスト、コード、ツールの使用法、および複雑な計画の点で、Claude Opus 4.7 よりもさらに進んでいます。 GPT、Gemini、Qwen などの主力モデルと比較して、信頼性の高いエージェント、コード ベースのメンテナンス、詳細な調査ワークフローに適しています。

あらゆる入力からビデオへのマルチモーダル作成用に構築されており、以前の Gemini ビデオ ワークフローよりもテキスト、画像、オーディオ、ビデオ素材の統合されたオーケストレーションに重点が置かれています。 Veo、Kling、Runway と比較して、複雑なマルチモーダル アセットを 1 つのクリエイティブ ワークフローに統合するのに適しています。

エージェントのワークロード、コーディング、オフィスの生産性向けに設計されており、Qwen3.6 よりも長いコンテキスト、ツールの呼び出し、構造化された出力に重点を置いています。 GPT、Claude、Gemini などの主力モデルと比較して、中国語、コーディング、およびマルチステップ ツールのワークフローにとってコスト効率の高い代替品です。

ビデオ編集に関しては、初期のビデオ モデルと比較して、ネイティブ オーディオの生成により重点が置かれており、ダイアログ、効果音、BGM を一度に完成させることができます。 Veo、Kling、Runway と比較して、その差別化された利点は、サウンドとビジュアルの同期とキャラクターの一貫性のあるワークフローにあります。短編ドラマ、広告、電子商取引、ブランドマーケティングビデオなどに適しています。

Wensheng ビデオでは、初期のビデオ モデルと比較して、ネイティブ オーディオの生成に重点が置かれており、ダイアログ、効果音、BGM が一度に完成します。 Veo、Kling、Runway と比較して、その差別化された利点は、サウンドとビジュアルの同期とキャラクターの一貫性のあるワークフローにあります。短編ドラマ、広告、電子商取引、ブランドマーケティングビデオなどに適しています。

初期のビデオ モデルと比較して、参照用ビデオの生成はネイティブ オーディオ生成においてより顕著であり、ダイアログ、サウンド効果、BGM を一度に完成させます。 Veo、Kling、Runway と比較して、その差別化された利点はサウンドとビジュアルの同期とキャラクターの一貫性ワークフローにあります。短編ドラマ、広告、電子商取引、ブランドマーケティングビデオなどに適しています。

Tusheng ビデオでは、初期のビデオ モデルと比較して、ネイティブ オーディオの生成に重点が置かれており、ダイアログ、効果音、BGM が一度に完成します。 Veo、Kling、Runway と比較して、その差別化された利点は、サウンドとビジュアルの同期とキャラクターの一貫性のあるワークフローにあります。短編ドラマ、広告、電子商取引、ブランドマーケティングビデオなどに適しています。

DeepSeek V3.2 よりも強力なロングコンテキスト、思考モード、および複雑なタスクの実行を備えた、推論、コーディング、およびエージェント ツールの使用のために構築されています。 Qwen、GLM、Kimi などの中国の同業他社と比較して、特に数学、プログラミング、論理的推論のタスクで競争力があります。

DeepSeek V3.2 よりも強力なロングコンテキスト、思考モード、および複雑なタスクの実行を備えた、推論、コーディング、およびエージェント ツールの使用のために構築されています。 Qwen、GLM、Kimi などの中国の同業他社と比較して、特に数学、プログラミング、論理的推論のタスクで競争力があります。

GPT-5.4 よりも強力な長いコンテキスト、ツールの使用、およびスケーラブルで信頼性の高い出力を備えた、推論、コーディング、視覚的理解、エージェント タスク向けに構築されています。 Claude、Gemini、Qwen のフラッグシップ モデルと比較して、信頼性の高い自動化と複雑なナレッジ ワークフローのための強力な汎用ベースです。

MiMo V2 TTS よりも強力な V2.5 シリーズの自然言語音声作成、きめ細かいペース/感情/トーン コントロール、低摩擦の音声生成を備えた一文音声デザインとテキスト読み上げ用に構築されています。イレブンラボ、OpenAI TTS、Azure Speech と比較すると、リファレンスフリーのキャラクター音声デザイン、広告ナレーション、短いビデオのナレーション、マルチスタイルの音声探索に役立ちます。

MiMo V2 TTS よりも強力な V2.5 シリーズの高忠実度の音色再現、音声キャラクターの一貫性、クロステキスト汎用化を備えた、少数サンプルの音声クローン作成用に構築されています。イレブンラボ、OpenAI TTS、Azure Speech と比較すると、中国語の吹き替え、ショートビデオのナレーション、ポッドキャスト音声の複製、ターゲットの音声を保存する必要がある多言語音声制作に適しています。

MiMo V2 TTS よりも強力な V2.5 シリーズの自然な音声合成、きめ細かいペース/感情/トーン コントロール、低摩擦の音声作成を備えたテキスト読み上げ、音声デザイン、音声クローン作成用に構築されています。イレブンラボ、OpenAI TTS、Azure Speech と比較すると、中国語のナレーション、キャラクターの吹き替え、ショートビデオの音声、多言語の音声制作に適しています。

エージェント、コーディング、および長いコンテキストのタスク向けに構築されており、MiMo V2 よりも完全なマルチモーダルの理解、100 万トークンのコンテキスト ウィンドウ、および長期的な推論を提供します。 Qwen、GLM、DeepSeek などの中国の同業他社と比較すると、Xiaomi のエコシステムへの適合性とエンジニアリング自動化シナリオが強みです。

エージェント、コーディング、および長いコンテキストのタスク向けに構築されており、MiMo V2 よりも完全なマルチモーダルの理解、100 万トークンのコンテキスト ウィンドウ、および長期的な推論を提供します。 Qwen、GLM、DeepSeek などの中国の同業他社と比較すると、Xiaomi のエコシステムへの適合性とエンジニアリング自動化シナリオが強みです。

The discounted-price route for GPT Image 2, mapped by the current channel to the same underlying model. Sale indicates a special-price route, not a separate capability tier. A good fit for cost-sensitive everyday generation and reference-image editing; choose regular gpt-image-2 when route consistency matters more.

高品質のイメージ生成と編集用に構築されており、テキスト レンダリング、ローカル編集、マルチターンの一貫性において GPT Image 1.x よりも改善されています。 Gemini イメージ モデル、Qwen Image、Seedream と比較すると、ブランド ビジュアル、広告デザイン、製品イメージ、厳密に制御されたクリエイティブ ワークフローに適しています。

主要な推論と複雑なエージェント タスクに関しては、長いコンテキスト、コード、ツールの使用法、および複雑な計画の点で、Claude Opus 4.6 よりもさらに進んでいます。 GPT、Gemini、Qwen などの主力モデルと比較して、信頼性の高いエージェント、コード ベースのメンテナンス、詳細な調査ワークフローに適しています。

テキストの生成、推論、ツールの使用のために構築されており、以前の MiniMax M2.x バージョンよりも強力な 200K ロング コンテキストとエージェント ワークフローの安定性を備えています。 Kimi、GLM、Qwen などの中国の同業他社と比較して、生産性、コーディング支援、長い文書の処理に適しています。

テキストの生成、推論、ツールの使用のために構築されており、以前の MiniMax M2.x バージョンよりも強力な 200K ロング コンテキストとエージェント ワークフローの安定性を備えています。 Kimi、GLM、Qwen などの中国の同業他社と比較して、生産性、コーディング支援、長い文書の処理に適しています。

Built for reasoning, coding, visual understanding, and agent tasks, with stronger long context, tool use, and scalable reliable output than GPT-5.3. Compared with Claude, Gemini, and Qwen flagship models, it is a strong general-purpose base for reliable automation and complex knowledge workflows.

GPT-5.3 よりも強力な長いコンテキスト、ツールの使用、およびスケーラブルで信頼性の高い出力を備えた、推論、コーディング、視覚的理解、エージェント タスク向けに構築されています。 Claude、Gemini、Qwen のフラッグシップ モデルと比較して、信頼性の高い自動化と複雑なナレッジ ワークフローのための強力な汎用ベースです。

GPT-5.3 よりも強力な長いコンテキスト、ツールの使用、およびスケーラブルで信頼性の高い出力を備えた、推論、コーディング、視覚的理解、エージェント タスク向けに構築されています。 Claude、Gemini、Qwen のフラッグシップ モデルと比較して、信頼性の高い自動化と複雑なナレッジ ワークフローのための強力な汎用ベースです。

画像の生成と編集のために構築されており、以前の Gemini 画像機能よりも強力なマルチモーダルな理解、会話型編集、および迅速なビジュアル プロトタイピングが可能です。 GPT Image、Qwen Image、および Seedream と比較すると、ドキュメント、画像、およびプロンプトを 1 つの視覚的なワークフローに組み合わせるのに役立ちます。

マルチモーダルな理解、コーディング、および長いコンテキストのタスク向けに構築されており、スループット、コンテキスト、およびツールの機能が Gemini 3.0 / 2.5 よりも向上しています。 GPT、Claude、Qwen モデルと比較して、テキスト、画像、オーディオ、ビデオ、ドキュメントにわたる統合分析ワークフローに優れています。

コーディングとエージェントのタスクを効率的に行うために、長いコンテキスト、コード、ツールの使用法、および複雑な計画の点で、Claude 4.5/4.6 のプレオーダー バージョンよりもさらに進んでいます。 GPT、Gemini、Qwen などの主力モデルと比較して、信頼性の高いエージェント、コード ベースのメンテナンス、詳細な調査ワークフローに適しています。

コーディング、エージェント、複雑な生産性タスク向けに構築されており、長いコンテキスト、長い出力、ツール指向のワークフローにおいて Doubao Seed 2.0 を超えています。 Qwen、GLM、DeepSeek の同等の製品と比較して、中国の事務作業、コーディング、および複数ステップの自動化にとってコスト効率の高いオプションです。

画像の生成と編集のために構築されており、Seedream 4.x よりも強力な中国語の指示、視覚的な推論、および高頻度のクリエイティブ制作を備えています。 GPT Image、Gemini 画像モデル、Qwen Image と比較すると、ByteDance エコシステムの広告デザイン、電子商取引アセット、およびマルチシナリオのビジュアル制作に適しています。

カジュアル チャットだけではなく、コーディング、ツールの使用、検索、オフィス スタイルの成果物に最も優れた、実際の生産性エージェント向けのコスト効率の高いモデルです。ファイル間の変更、調査の取得、ドキュメント/スプレッドシート/プレゼンテーションのワークフローを計画および実行するエージェントに適しています。より高価なフラッグシップと比較して、主なトレードオフは、ニアフロンティアに近い実行効率の低コストです。

ビデオ生成とマルチアセットビデオ作成用に構築されており、より完全なモーション安定性、オーディオビジュアル生成、リファレンス入力により Seedance 1.x が改良されています。 Veo、Kling、Runway と比較して、テキスト、画像、オーディオ、ビデオの混合入力によって駆動される中国のクリエイティブ ワークフローに適しています。このフィルターオフのバリアントは、標準の Seedance 2.0 と同じ層の生成機能を維持しながら、より緩やかなコンテンツ フィルターを適用します。短編ドラマ、広告、電子商取引、ソーシャル アセットに役立ちます。

ビデオ生成とマルチアセットビデオ作成用に構築されており、より完全なモーション安定性、オーディオビジュアル生成、リファレンス入力により Seedance 1.x が改良されています。 Veo、Kling、Runway と比較して、テキスト、画像、オーディオ、ビデオの混合入力によって駆動される中国のクリエイティブ ワークフローに適しています。このフィルターオフのバリアントは、標準の Seedance 2.0 と同じ層の生成機能を維持しながら、より緩やかなコンテンツ フィルターを適用します。短編ドラマ、広告、電子商取引、ソーシャル アセットに役立ちます。

主力の推論と複雑なエージェント タスクに関しては、長いコンテキスト、コード、ツールの使用法、および複雑な計画の点で、Claude 4.5/4.6 のプレオーダー バージョンよりもさらに進んでいます。 GPT、Gemini、Qwen などの主力モデルと比較して、信頼性の高いエージェント、コード ベースのメンテナンス、詳細な調査ワークフローに適しています。

テキスト/画像からビデオへの変換およびマルチショットの作成用に構築されており、モーションの安定性、カメラ言語、参照の一貫性において Kling 2.x よりも向上しています。 Veo、Runway、Seedance と比較して、中国の短編ドラマ、広告アセット、高品質のソーシャル ビデオ制作に適しています。

テキスト/画像からビデオへの変換およびマルチショットの作成用に構築されており、モーションの安定性、カメラ言語、参照の一貫性において Kling 2.x よりも向上しています。 Veo、Runway、Seedance と比較して、中国の短編ドラマ、広告アセット、高品質のソーシャル ビデオ制作に適しています。

ビデオ生成とマルチアセットビデオ作成用に構築されており、より完全なモーション安定性、オーディオビジュアル生成、リファレンス入力により Seedance 1.x が改良されています。 Veo、Kling、Runway と比較して、テキスト、画像、オーディオ、ビデオの混合入力によって駆動される中国のクリエイティブ ワークフローに適しています。高速バリアントは、標準レベルよりも迅速な反復とバッチ生産に適しています。短編ドラマ、広告、電子商取引、ソーシャル アセットに役立ちます。

ビデオ生成とマルチアセットビデオ作成用に構築されており、より完全なモーション安定性、オーディオビジュアル生成、リファレンス入力により Seedance 1.x が改良されています。 Veo、Kling、Runway と比較して、テキスト、画像、オーディオ、ビデオの混合入力によって駆動される中国のクリエイティブ ワークフローに適しています。短編ドラマ、広告、電子商取引、ソーシャル アセットに役立ちます。

画像の生成と編集用に構築されており、以前の GLM ビジョン機能よりも中国語のプロンプト、画像テキストの理解、制御可能な生成に重点を置いています。 GPT Image、Gemini 画像モデル、Qwen Image と比較すると、中国のマーケティング アセット、説明用ビジュアル、および反復的なビジュアル編集に適合します。

エージェントのワークフロー、マルチターン チャット、コーディング支援向けに設計された Google の高速思考モデル。 1M トークンのコンテキスト ウィンドウでテキスト、画像、オーディオ、ビデオ、PDF 入力をサポートします。設定可能な思考レベル、ツールの使用、構造化された出力が特徴です。 Gemini 2.5 フラッシュと比較して、推論、マルチモーダルな理解、信頼性の幅広い品質が向上しています。

画像の生成と編集のために構築されており、以前の Gemini 画像機能よりも強力なマルチモーダルな理解、会話型編集、および迅速なビジュアル プロトタイピングが可能です。 GPT Image、Qwen Image、および Seedream と比較すると、ドキュメント、画像、およびプロンプトを 1 つの視覚的なワークフローに組み合わせるのに役立ちます。

主力の推論と複雑なエージェント タスクを目的としており、長いコンテキスト、コード、ツールの使用法、および複雑な計画の点で、Claude 4 シリーズのプレオーダー バージョンよりもさらに進んでいます。 GPT、Gemini、Qwen などの主力モデルと比較して、信頼性の高いエージェント、コード ベースのメンテナンス、詳細な調査ワークフローに適しています。

Veo 2/3 よりも成熟したネイティブ オーディオ、カメラ制御、リファレンス入力ワークフローを備えた高忠実度ビデオ生成用に構築されています。 Kling、Runway、Seedance と比較して、映画の短編、広告ストーリーボード、安定した物理的な動きが必要なビデオに適しています。 Lite レベルでは、Standard レベルよりも高スループットで低コストのドラフトが優先されます。

Veo 2/3 よりも成熟したネイティブ オーディオ、カメラ制御、リファレンス入力ワークフローを備えた高忠実度ビデオ生成用に構築されています。 Kling、Runway、Seedance と比較して、映画の短編、広告ストーリーボード、安定した物理的な動きが必要なビデオに適しています。高速層は、標準層よりも迅速なコンセプトの検証に適しています。

Veo 2/3 よりも成熟したネイティブ オーディオ、カメラ制御、リファレンス入力ワークフローを備えた高忠実度ビデオ生成用に構築されています。 Kling、Runway、Seedance と比較して、映画の短編、広告ストーリーボード、安定した物理的な動きが必要なビデオに適しています。

効率的なコーディングとエージェント タスクに関しては、長いコンテキスト、コード、ツールの使用法、および複雑な計画の点で Claude Haiku 3.5 よりも優れています。 GPT、Gemini、Qwen などの主力モデルと比較して、信頼性の高いエージェント、コード ベースのメンテナンス、詳細な調査ワークフローに適しています。

A lighter, throughput-oriented variant in the Seedance 2.0 family for short-video drafts, batch assets, and cost-sensitive iteration. Its value is the lighter generation tier; choose the standard model when maximum fidelity, complex motion, or higher output specifications matter more.

割引価格のお試しルートです。生成にはさらに時間がかかる場合があり、失敗する可能性が約 10% あります。これは、キューイングや偶発的な失敗が許容される、コスト重視のイメージ生成トライアルに最適です。より安定して本番環境で使用するには、通常のルートを選択してください。

割引価格のお試しルートです。生成にはさらに時間がかかる場合があり、失敗する可能性が約 10% あります。これは、キューイングや偶発的な失敗が許容される、コスト重視のイメージ生成トライアルに最適です。より安定して本番環境で使用するには、通常のルートを選択してください。

割引価格のお試しルートです。生成にはさらに時間がかかる場合があり、失敗する可能性が約 10% あります。これは、キューイングや偶発的な失敗が許容される、コスト重視のイメージ生成トライアルに最適です。より安定して本番環境で使用するには、通常のルートを選択してください。