Каталог AI моделей и нейросетей: сравнение и цены

Модель встраивания paraphrase-MiniLM-L6-v2 преобразует предложения и короткие абзацы в 384-мерное плотное векторное пространство, создавая высококачественные семантические встраивания, оптимизированные для обнаружения парафраз, оценки семантического сходства, кластеризации и легковесных задач извлечения.

Модель встраивания all-MiniLM-L12-v2 преобразует предложения и короткие абзацы в 384-мерное плотное векторное пространство, создавая эффективные и высококачественные семантические встраивания, оптимизированные для таких задач, как семантический поиск, кластеризация и оценка сходства.

Модель встраивания bge-base-en-v1.5 преобразует английские предложения и абзацы в плотные векторы размерностью 768, обеспечивая эффективные и высококачественные семантические встраивания, оптимизированные для поиска, семантического поиска и рабочих процессов сопоставления документов. Эта версия (v1.5) отличается улучшенным распределением оценок сходства и более высокой производительностью поиска из коробки.

Модель встраивания multi-qa-mpnet-base-dot-v1 преобразует предложения и короткие абзацы в плотное векторное пространство размерностью 768, создавая высококачественные семантические встраивания, оптимизированные для поиска вопросов и ответов, семантического поиска и оценки сходства в разнообразном контенте.

Модель встраивания bge-large-en-v1.5 отображает английские предложения, абзацы и документы в 1024-мерное плотное векторное пространство, обеспечивая высококачественные семантические встраивания, оптимизированные для семантического поиска, извлечения документов и последующих задач обработки естественного языка на английском языке.

Модель bge-m3 преобразует предложения, абзацы и длинные документы в 1024-мерное плотное векторное пространство, обеспечивая высококачественные семантические векторы, оптимизированные для многоязычного поиска, семантического поиска и приложений с большим контекстом.

Модель встраивания all-mpnet-base-v2 кодирует предложения и короткие абзацы в 768-мерное плотное векторное пространство, обеспечивая высококачественные семантические встраивания, которые хорошо подходят для таких задач, как поиск информации, кластеризация, оценка сходства и ранжирование текста.

Модель встраивания all-MiniLM-L6-v2 отображает предложения и короткие абзацы в 384-мерное плотное векторное пространство, обеспечивая высококачественные семантические представления, которые идеально подходят для последующих задач, таких как поиск информации, кластеризация, оценка сходства и ранжирование текста.

Cogito v2.1 671B MoE представляет собой одну из самых мощных открытых моделей в мире, сопоставимую по производительности с передовыми закрытыми и открытыми моделями. Эта модель обучена с использованием самоигры с подкрепляющим обучением для достижения передовых результатов в нескольких категориях (следование инструкциям, программирование, более длинные запросы и творческое письмо). Эта продвинутая система демонстрирует значительный прогресс в направлении масштабируемого сверхинтеллекта через улучшение политики.

GPT-5.1 — это новейшая модель уровня frontier в серии GPT-5, предлагающая более сильные возможности для общих рассуждений, улучшенное следование инструкциям и более естественный стиль общения по сравнению с GPT-5. Она использует адаптивное рассуждение для динамического распределения вычислительных ресурсов, быстро отвечая на простые запросы и уделяя больше внимания сложным задачам. Модель создает более четкие и обоснованные объяснения с уменьшенным количеством жаргона, что облегчает их понимание даже в технических или многоэтапных задачах.

Созданная для широкого охвата задач, GPT-5.1 обеспечивает стабильные улучшения в областях математики, программирования и структурированного анализа, предлагая более связные развернутые ответы и повышенную надежность в использовании инструментов. Она также обладает усовершенствованным согласованием в диалогах, позволяя давать более теплые и интуитивные ответы без ущерба для точности. GPT-5.1 служит основным преемником GPT-5 с полными возможностями.

GPT-5.1-Codex — это специализированная версия GPT-5.1, оптимизированная для программной инженерии и рабочих процессов кодирования. Она предназначена как для интерактивных сессий разработки, так и для длительного, независимого выполнения сложных инженерных задач. Модель поддерживает создание проектов с нуля, разработку функций, отладку, крупномасштабное рефакторинг и обзор кода. По сравнению с GPT-5.1, Codex более управляем, строго следует инструкциям разработчика и производит более чистый и качественный код. Усилие на рассуждение можно регулировать с помощью параметра reasoning.effort.

Codex интегрируется в среды разработчиков, включая CLI, расширения IDE, GitHub и облачные задачи. Он динамически адаптирует усилие на рассуждение — предоставляя быстрые ответы для небольших задач, одновременно поддерживая длительные многочасовые запуски для крупных проектов. Модель обучена выполнять структурированные обзоры кода, выявляя критические ошибки, анализируя зависимости и проверяя поведение на тестах. Она также поддерживает мультимодальные вводы, такие как изображения или скриншоты для разработки интерфейсов, и интегрирует использование инструментов для поиска, установки зависимостей и настройки среды. Codex предназначен специально для агентных приложений кодирования.

GPT-5.1-Codex-Mini — это уменьшенная и более быстрая версия GPT-5.1-Codex.

Kimi K2 Thinking — это самая передовая модель открытого рассуждения от Moonshot AI на сегодняшний день, расширяющая серию K2 в область агентного, долгосрочного рассуждения. Построенная на архитектуре Mixture-of-Experts (MoE) с триллионом параметров, представленной в Kimi K2, она активирует 32 миллиарда параметров за один проход и поддерживает контекстные окна размером 256 тысяч токенов. Модель оптимизирована для последовательного пошагового мышления, динамического вызова инструментов и сложных рабочих процессов рассуждения, которые охватывают сотни шагов. Она сочетает пошаговое рассуждение с использованием инструментов, что позволяет автономно проводить исследования, писать код и создавать тексты, которые могут сохраняться на протяжении сотен последовательных действий без отклонений.

Она устанавливает новые показатели для открытого исходного кода на HLE, BrowseComp, SWE-Multilingual и LiveCodeBench, при этом поддерживая стабильное поведение мультиагентов через 200–300 вызовов инструментов. Построенная на крупномасштабной архитектуре MoE с оптимизацией MuonClip, она сочетает в себе глубокие рассуждения с высокой эффективностью вывода для требовательных агентных и аналитических задач.

Amazon Nova Premier является самой мощной из мультимодальных моделей Amazon для выполнения сложных задач рассуждения и используется в качестве лучшего учителя для дистилляции пользовательских моделей.

Mistral Embed — это специализированная модель встраивания для текстовых данных, оптимизированная для семантического поиска и приложений RAG. Разработанная Mistral AI в конце 2023 года, она производит векторы размерностью 1024, которые эффективно улавливают семантические отношения в тексте.