токенмостAPIЛичный кабинет ↗

КАТАЛОГ НЕЙРОСЕТЕЙ

Модель под вашу задачу.

Найдите модель по названию, разработчику или идентификатору. Сравните характеристики перед подключением API.

Быстрый поиск: OpenAIDeepSeekClaude

689 моделей в снимке от 13 сентября 2026. Поиск по названию, разработчику и идентификатору.

Найдено 132 моделейПо 30 на странице
Как определяется популярность

По объёму обработанных токенов, не по продажам или качеству. Публичный рейтинг. Данные по 2026-09-13. Снимок публичного топ-10. Модели без данных идут далее по алфавиту; версии учитываются отдельно. Источник: публичный рейтинг поставщика, CC BY 4.0.

Сравнение моделей

Текстовые ставки указаны за 1 млн токенов, ставки изображений — со своей единицей расчёта. Возможности проверяйте в полном обзоре.

Обзоры моделей

Для каких задач подходят модели, какие у них ограничения и что учитывать перед подключением API.

ВОЗМОЖНОСТИ И ПРИМЕНЕНИЕ

Perplexity: Embed V1 0.6B

pplx-embed-v1-0.6b — компактная embedding-модель Perplexity с длинным контекстом. На странице она рассматривается для поиска по договорам, где приложение сравнивает качество целого раздела и аккуратной нарезки на положения.

Читать обзор →ВОЗМОЖНОСТИ И ПРИМЕНЕНИЕ

Thenlper: GTE-Large

GTE Large — старшая англоязычная embedding-модель семейства General Text Embeddings. Её разумно тестировать для внутренней инженерной базы, где цена пропущенной инструкции выше дополнительного объёма 1024-мерного индекса.

Читать обзор →ВОЗМОЖНОСТИ И ПРИМЕНЕНИЕ

Sentence Transformers: paraphrase-MiniLM-L6-v2

paraphrase-MiniLM-L6-v2 — компактная sentence-transformer модель для близких формулировок. Её практический сценарий — найти повторяющиеся описания товаров, даже когда автор заменил слова и переставил предложения.

Читать обзор →ВОЗМОЖНОСТИ И ПРИМЕНЕНИЕ

Sentence Transformers: multi-qa-mpnet-base-dot-v1

multi-qa-mpnet-base-dot-v1 — embedding-модель, настроенная на поиск passages по вопросу. Её целевой пример — FAQ интернет-магазина: короткий запрос должен привести к утверждённому ответу, а не к генерации нового правила.

Читать обзор →ВОЗМОЖНОСТИ И ПРИМЕНЕНИЕ

Thenlper: GTE-Base

GTE Base — англоязычная embedding-модель среднего размера для semantic similarity и поиска. Здесь она применяется к каталогу комплектующих, где пользователь описывает назначение, а система сочетает смысловой поиск с точными фильтрами.

Читать обзор →ВОЗМОЖНОСТИ И ПРИМЕНЕНИЕ

Sentence Transformers: all-mpnet-base-v2

all-mpnet-base-v2 — универсальная sentence-embedding модель размерности 768. На этой странице она рассматривается как основа рекомендаций научных аннотаций, где тематическая близость должна дополнять строгие фильтры по области и году.

Читать обзор →

Выберите модель и изучите её характеристики, ограничения и состояние тарифа.

Как выбрать модель

Сопоставьте задачу с размером контекста и форматом ответа. Оцените качество на примерах из своего приложения перед выбором основной модели.

Тексты и рассуждения

DeepSeek

Семейство для текстовых задач и многошаговых ответов. Выбирайте конкретную версию и параметры в каталоге.

Подробнее →Автоматизация и код

Qwen

Семейство моделей для обработки текста и разработки. В каталоге будут отдельные версии, а не плавающий псевдоним.

Подробнее →Документы и агенты

Kimi

Кандидат для сценариев с документами и инструментами. Доступность и реальные ограничения зависят от выбранной версии.

Подробнее →