モデル

Lightweight base variant of Veo3.1 with lower computing overhead, meets basic video generation demands for low-cost bulk preview scenarios.

Accelerated variant of Seedance 2.0. Balances generation speed and visual quality, reduces inference latency for high-concurrency testing and mass rapid content production.

Doubao Seedance 2.0 Mini is ByteDance’s lightweight text-to-video model under the Seed series. Optimized for fast inference and low GPU overhead, it generates smooth, style-consistent short videos from text prompts. Designed for API integration, test environments and low-cost batch video production.

TEST GLM-5.1 (released April 2026), purpose-built for long-horizon autonomous tasks. Unlike traditional models optimized for short interactions, GLM-5.1 excels at maintaining goal alignment, reducing strategy drift, and delivering production-grade results over extended periods — up to 8 hours of continuous autonomous work on a single complex task. It represents a major leap in agentic engineering, shifting evaluation from single-turn intelligence to real-world sustained execution.

Gemini 3.1 Flash Lite Image model は、画像生成ファミリーにおける効率のエキスパートで、超低レイテンシかつ費用対効果の高い画像の生成および編集のために設計されています。

GPT-4.1 nanoは、OpenAIが提供する人工知能モデルです。 gpt-4.1-nano: より大きなコンテキストウィンドウを備え—最大100万のコンテキストトークンに対応し、長文脈の理解が向上したことで、そのコンテキストをより有効に活用できます。 更新された知識カットオフは2024年6月です。 このモデルは最大1,047,576トークンのコンテキスト長をサポートします。

MiMo-V2.5 is Xiaomi's native full-modal model. It achieves professional-grade agent performance at about half the cost of inference, while outperforming MiMo-V2-Omni in multimodal perception in image and video understanding tasks.

seedance-2-0

HappyHorse 1.1 は、プロフェッショナルなコンテンツ制作、広告、短編映画、ソーシャルメディア制作、ストーリーテリング向けに設計されたマルチモーダル動画生成モデルです。 独立した動画生成評価で上位にランクインして大きな注目を集めた HappyHorse 1.0 の機能を拡張し、シーンの一貫性を強化し、映像の忠実度を向上させています。

OpenAIで最も高性能な画像生成モデルで、多言語にわたるほぼ完璧なテキストレンダリング、最大4K解像度、推論駆動のThinking Modeを備えています。精度と速度、そしてブランドに即したビジュアル出力を求めるプロダクションワークフロー向けに設計されています。

DeepSeek V4 Flash is an efficiency-optimized Mixture-of-Experts model from DeepSeek with 284B total parameters and 13B activated parameters, supporting a 1M-token context window. It is designed for fast inference and high-throughput workloads, while maintaining strong reasoning and coding performance.

OpenAI の最も高い知性と直感性を備えた旗艦モデルで、複雑なコーディング、エージェント型ワークフロー、コンピュータ操作、データ分析、そして高度なリサーチのために設計されています。GPT-5.4 と同等の低遅延で最先端レベルのインテリジェンスを提供し、より高いトークン効率でタスクを完了します。要求の厳しいプロフェッショナルおよびエンタープライズのワークロードにおける第一選択のモデルです。

OpenAI で最も高機能なモデルであり、最難関のタスクと長時間稼働するエージェント駆動型ワークフローのために設計されています。GPT-5.5 Pro は複雑なコーディング、コンピュータ操作、高度な調査、データ分析、科学的推論に卓越し、GPT-5.4 のレイテンシを維持しつつ、より高いトークン効率で最先端レベルのインテリジェンスを提供します。最高水準の正確性と自律的なタスク実行を要求するエンタープライズおよびプロフェッショナルのユースケースに最適です。

Claude Sonnet 4.6 is our most capable Sonnet model yet. It’s a full upgrade of the model’s skills across coding, computer use, long-context reasoning, agent planning, knowledge work, and design. Sonnet 4.6 also features a 1M token context window in beta.

xAIの最新のImage-to-Videoモデルは、ネイティブな同期音声生成に対応しており、映像と音声を単一の推論パスで同時に生成します。480p/720p出力に対応し、クリップは最長15秒まで、Image-to-Video Arena leaderboardで第1位にランクインしています。

Claude Opus 4.7 is a hybrid reasoning model designed specifically for frontier-level coding, AI agents, and complex multi-step professional work. Unlike lighter models (e.g., Sonnet or Haiku variants), Opus 4.7 prioritizes depth, consistency, and autonomy on the hardest tasks.

Happy Horse 1.0 — A high-quality audio-video generation model that supports text-to-video and image-to-video creation. It can generate synchronized visuals, audio, and lip movements, making it suitable for short films, advertising creatives, and product showcases.

Excels at agentic reasoning, knowledge work, and tool use.

GPT Image 2 is openai state-of-the-art image generation model for fast, high-quality image generation and editing. It supports flexible image sizes and high-fidelity image inputs.

Seedance 2.0 は、映画的で複数ショットのナラティブ動画生成に特化した、ByteDanceの次世代マルチモーダル動画基盤モデルです。単一ショットのテキストから動画へのデモとは異なり、Seedance 2.0 は、リファレンスベースのコントロール（画像、短尺クリップ、音声）、ショット間でのキャラクターやスタイルの一貫性、そしてネイティブな音声／映像の同期を重視し、プロフェッショナルなクリエイティブやプリビジュアライゼーションのワークフローで役立つAI動画を実現することを目指しています。

Sora 2 Pro は、当社で最も高度かつ強力なメディア生成モデルで、音声と同期した動画を生成できます。自然言語または画像から、精細でダイナミックな動画クリップを生成します。

Core Capabilities Overview: Resolution: Up to 4K (4096×4096), on par with Pro. Reference Image Consistency: Up to 14 reference images (10 objects + 4 characters), maintaining style/character consistency. Extreme Aspect Ratios: New 1:4, 4:1, 1:8, 8:1 ratios added, suitable for long images, posters, and banners. Text Rendering: Advanced text generation, suitable for infographics and marketing poster layouts. Search Enhancement: Integrated Google Search + Image Search. Grounding: Built-in thinking process; complex prompts are reasoned before generation.

gpt-5.2-pro is the highest-capability, production-oriented member of OpenAI’s GPT-5.2 family, exposed through the Responses API for workloads that demand maximal fidelity, multi-step reasoning, extensive tool use and the largest context/throughput budgets OpenAI offers.

DeepSeek V4 Pro is a large-scale Mixture-of-Experts model from DeepSeek with 1.6T total parameters and 49B activated parameters, supporting a 1M-token context window. It is designed for advanced reasoning, coding, and long-horizon agent workflows, with strong performance across knowledge, math, and software engineering benchmarks.

MiniMax-M2.7 offers the same top-tier intelligence as the standard version—including recursive self-evolution and expert-level office productivity—but is designed for applications requiring sub-second latency and high-speed token generation. Leveraging an enhanced inference backbone architecture, its output speed is 66% faster than the standard model (reaching 100 tps). It is the preferred choice for interactive programming assistants, real-time agent loop execution, and high-throughput enterprise pipelines with stringent completion time requirements.

GPT-5.4 nano is designed for tasks where speed and cost matter most like classification, data extraction, ranking, and sub-agents.

GPT-5.4 mini brings the strengths of GPT-5.4 to a faster, more efficient model designed for high-volume workloads.

Omni is the new model that can create anything from any input — starting with video. With Omni, you can combine images, audio, video and text as input and generate high-quality videos grounded in Gemini's real-world knowledge. You can also easily edit your videos through conversation.