国内模型多模态与视觉理解能力说明

标签口径

• 视觉理解=是：模型可以接收图片或视频等视觉输入，并输出文本形式的识别、分析、问答或推理结果。
• 视觉理解=部分：模型可以处理视觉语义，但输出通常是向量或检索特征，不直接输出自然语言问答。
• 视觉理解=否：模型属于文本生成、图像生成、视频生成、3D 生成等能力，不作为视觉问答/理解模型标注。
• 多模态=是：模型涉及两种或以上模态的输入或输出，例如文本到视频、图片到向量、文本/图片/视频到文本。

模型清单

常用文本模型

文本输入、文本输出的语言模型，适用于对话、写作、代码、翻译、推理和 Agent 等常规任务。

模型名称	生产商	支持视觉理解	是否多模态	输入模态	输出模态	标签
qwen3.7-max	阿里云 / 通义千问	否	否	文本	文本	文本生成、推理/编码、Agent
qwen3.6-max-preview	阿里云 / 通义千问	否	否	文本	文本	文本生成、推理/编码、Agent
qwen3-max	阿里云 / 通义千问	否	否	文本	文本	文本生成、推理/编码、Agent
qwen3-max-preview	阿里云 / 通义千问	否	否	文本	文本	文本生成、推理/编码、Agent
doubao-seed-character	火山引擎 / 豆包	否	否	文本	文本	文本生成
doubao-seed-code	火山引擎 / 豆包	否	否	文本	文本	文本生成
doubao-seed-translation	火山引擎 / 豆包	否	否	文本	文本	文本生成
doubao-seed-2.0-code	火山引擎 / 豆包	否	否	文本	文本	文本生成
doubao-seed-1.6-lite	火山引擎 / 豆包	否	否	文本	文本	文本生成
doubao-1.5-lite-32k	火山引擎 / 豆包	否	否	文本	文本	文本生成
doubao-1.5-pro-32k	火山引擎 / 豆包	否	否	文本	文本	文本生成
glm-5.2	智谱 AI	否	否	文本	文本	文本生成、Agent/Coding
glm-5.1	智谱 AI	否	否	文本	文本	文本生成、Agent/Coding
glm-5	智谱 AI	否	否	文本	文本	文本生成、Agent/Coding
glm-4.7	智谱 AI	否	否	文本	文本	文本生成、Agent/Coding
deepseek-v4-flash	DeepSeek	否	否	文本	文本	文本生成、推理/编码
deepseek-v4-pro	DeepSeek	否	否	文本	文本	文本生成、推理/编码
deepseek-v3.2	DeepSeek	否	否	文本	文本	文本生成、推理/编码
deepseek-r1	DeepSeek	否	否	文本	文本	文本生成、推理/编码
MiniMax-m2.7	MiniMax	否	否	文本	文本	文本生成、Agent/Coding、工具调用
MiniMax-m2.5	MiniMax	否	否	文本	文本	文本生成、Agent/Coding、工具调用

多模态/视觉理解模型

可接收图片或视频等视觉输入，并输出文本理解结果，适合视觉问答、图文分析、截图/票据/表格识别等场景。

模型名称	生产商	支持视觉理解	是否多模态	输入模态	输出模态	标签
qwen3.7-plus	阿里云 / 通义千问	是	是	文本、图像、视频	文本	多模态、视觉理解、视频理解、文本生成、上下文
qwen3.6-flash	阿里云 / 通义千问	是	是	文本、图像、视频	文本	多模态、视觉理解、视频理解、文本生成、上下文
qwen3.6-plus	阿里云 / 通义千问	是	是	文本、图像、视频	文本	多模态、视觉理解、视频理解、文本生成、上下文
qwen3.5-flash	阿里云 / 通义千问	是	是	文本、图像、视频	文本	多模态、视觉理解、视频理解、文本生成、上下文
qwen3.5-plus	阿里云 / 通义千问	是	是	文本、图像、视频	文本	多模态、视觉理解、视频理解、文本生成、上下文
doubao-seed-2.0-lite	火山引擎 / 豆包	是	是	文本、图片、视频	文本	多模态、视觉理解、视频理解、深度思考、文本生成
doubao-seed-2.0-lite（音频输入）	火山引擎 / 豆包	是	是	文本、图片、视频、音频	文本	多模态、视觉理解、视频理解、音频输入、深度思考、文本生成
doubao-seed-2.0-mini	火山引擎 / 豆包	是	是	文本、图片、视频	文本	多模态、视觉理解、视频理解、深度思考、文本生成
doubao-seed-2.0-mini（音频输入）	火山引擎 / 豆包	是	是	文本、图片、视频、音频	文本	多模态、视觉理解、视频理解、音频输入、深度思考、文本生成
doubao-seed-2.0-pro	火山引擎 / 豆包	是	是	文本、图片、视频	文本	多模态、视觉理解、视频理解、深度思考、文本生成
doubao-seed-1.8	火山引擎 / 豆包	是	是	文本、图片、视频	文本	多模态、视觉理解、视频理解、深度思考、文本生成
doubao-seed-1.6	火山引擎 / 豆包	是	是	文本、图片、视频	文本	多模态、视觉理解、视频理解、深度思考、文本生成
doubao-seed-1.6-flash	火山引擎 / 豆包	是	是	文本、图片、视频	文本	多模态、视觉理解、视频理解、深度思考、文本生成
doubao-seed-1.6-vision	火山引擎 / 豆包	是	是	文本、图片、视频	文本	多模态、视觉理解、视频理解、深度思考、文本生成
doubao-1.5-vision-pro	火山引擎 / 豆包	是	是	文本、图片、视频	文本	多模态、视觉理解、视频理解、文本生成
kimi-k2.6	月之暗面 / Kimi	是	是	文本、图片、视频	文本	多模态、视觉理解、视频理解、文本生成、Agent/Coding
kimi-k2.5	月之暗面 / Kimi	是	是	文本、图片	文本	多模态、视觉理解、文本生成、Agent/Coding

视觉语义/向量模型

将文本、图片或视频映射为向量，用于多模态检索、相似度召回和图文/视频搜索，不直接输出自然语言问答。

模型名称	生产商	支持视觉理解	是否多模态	输入模态	输出模态	标签
qwen3-vl-embedding	阿里云 / 通义千问	部分	是	文本、图像、视频	向量	多模态、视觉语义、Embedding、图文/视频检索
doubao-embedding-vision	火山引擎 / 豆包	部分	是	文本、图片、视频	向量	多模态、视觉语义、Embedding、图文/视频检索

图像、视频和 3D 生成模型

用于文生图、图生图、文生视频、图生视频、3D 资产生成等内容生产场景，不按视觉问答类模型标注。

模型名称	生产商	支持视觉理解	是否多模态	输入模态	输出模态	标签
doubao-seedream-5.0-lite	火山引擎 / 豆包	否	是	文本、图片	图片	多模态、图像生成、图片编辑、文生图/图生图
doubao-seedream-4.5	火山引擎 / 豆包	否	是	文本、图片	图片	多模态、图像生成、图片编辑、文生图/图生图
doubao-seedream-4.0	火山引擎 / 豆包	否	是	文本、图片	图片	多模态、图像生成、图片编辑、文生图/图生图
doubao-seed3d-2.0	火山引擎 / 豆包	否	是	文本、图片	3D模型	多模态、3D生成、文生3D、图生3D
doubao-seedance-2.0	火山引擎 / 豆包	否	是	文本、图片、视频、音频（需搭配图片/视频）	视频	多模态、视频生成、文生视频、图生视频、视频参考输入、音频输入
doubao-seedance-2.0-fast	火山引擎 / 豆包	否	是	文本、图片、视频、音频（需搭配图片/视频）	视频	多模态、视频生成、文生视频、图生视频、视频参考输入、音频输入
doubao-seedance-2.0-mini	火山引擎 / 豆包	否	是	文本、图片、视频、音频（需搭配图片/视频）	视频	多模态、视频生成、文生视频、图生视频、视频参考输入、音频输入
doubao-seedance-1.5-pro	火山引擎 / 豆包	否	是	文本、图片	视频	多模态、视频生成、文生视频、图生视频
doubao-seedance-1.0-pro	火山引擎 / 豆包	否	是	文本、图片	视频	多模态、视频生成、文生视频、图生视频
doubao-seedance-1.0-pro-fast	火山引擎 / 豆包	否	是	文本、图片	视频	多模态、视频生成、文生视频、图生视频
happyhorse-1.0-i2v	阿里云 / HappyHorse	否	是	文本、图片	视频	多模态、视频生成、图生视频
happyhorse-1.0-r2v	阿里云 / HappyHorse	否	是	文本、参考素材	视频	多模态、视频生成、参考生视频
happyhorse-1.0-t2v	阿里云 / HappyHorse	否	是	文本	视频	跨模态生成、视频生成、文生视频
Hitem3D-2.0	阿里云 / 3D 生成	否	是	文本、图片	3D模型	多模态、3D生成、文生3D、图生3D
Hyper3D-Gen2	阿里云 / 3D 生成	否	是	文本、图片	3D模型	多模态、3D生成、文生3D、图生3D