谷歌

Gemini 4 Argon 是 Google 的旗舰推理模型，专为复杂的软件工程、深度数学与科学问题求解以及自主多步骤智能体而构建。Google 训练它能够在长距离、多步骤任务中保持上下文，并将混合了文本、表格、图表和图像的长文档转化为单一的、有依据的输出。它在金融、法律、编码和税务工作方面的 Vals Index 中领先，并支持在单次响应中进行长达 100 万输出令牌的长解码。

Nano Banana 2.1（Gemini Nano Banana 2.1）是Google在Flash层级上的图像生成与编辑模型，是Nano Banana 2和Nano Banana Pro的继任者。它在产品重新语境化、基于遮罩和墨迹的编辑以及事实准确性方面有所改进，并能渲染逼真的肤色、精细的材质、光照和连贯的背景。它接受文本和图像输入，返回带有可选文本的图像，并支持1K、2K和4K输出，以及通过image_config API Parameter支持扩展宽高比。

Gemini 3.5 Transcribe 是 Google 推出的语音转文本模型。它适用于需要词级时间戳或说话人分离的同步转录，最多支持八位说话人。音频最长可达一小时；当启用时间戳或说话人分离时，音频最长可达30分钟。

Gemini 3.8 Flash Lite TTS 是 Google 推出的文本转语音模型，也是 3.8 TTS 系列中快速、高吞吐量的成员，与 Gemini 3.8 Flash TTS 并列。它适用于对延迟和成本要求高于最大表现力的对话式语音代理流水线、大批量朗读和语音复制工作负载。它接受与 Gemini 3.1 Flash TTS Preview 相同的语音配置，包括 30 个预置的工作室语音，并通过 `voice_...` 标识支持 Google 的语音设计和语音复制。

Gemini 3.8 Flash TTS 是谷歌推出的文本转语音模型，是 Gemini 3.1 Flash TTS Preview 的继任者。它是 3.8 TTS 系列中的创意层级，适合用于旁白、角色配音和多说话人对话，在这些场景中，语音保真度、表演细腻度和方言覆盖范围比延迟更为重要。 它接受与其前身相同的语音配置，包括 30 种预置录音室音色，并支持谷歌的语音设计（通过文本描述生成自定义声音）和语音复制（通过短样本克隆声音），通过 `voice_...` 标识符实现。

Gemini 3.8 Flash 是谷歌最智能的 Flash 模型，相比 3.7 Flash 在软件工程、智能体任务和多步推理方面有显著提升。

Gemini 3.7 Flash 是谷歌推出的多模态模型，适用于快速智能体工作流、编程和复杂的多步推理。它专为需要响应性能和可靠的多步问题解决能力的任务而设计。

Gemini 3.6 Flash 是 Google 推出的一款高效模型，用于编码、智能体工作流以及 Web 和应用程序开发。它旨在生成精炼的输出，减少不必要的编辑和含糊表述，同时降低完成任务所需的 token 用量和模型调用次数。

Gemini 3.5 Flash Lite 是 Google 推出的一款高效模型，具备升级后的智能体能力。它适用于在复杂的多智能体工作流中执行专注任务的子代理。

Nano Banana 2 Lite (Gemini 3.1 Flash Lite Image) 是 Google 最快、最具成本效益的 Gemini 图像模型，专为高速开发流水线和快速视觉探索而构建。它可以在大约 4 秒内完成文本到图像的生成——比 Gemini 3.1 Flash Image 快约 2.7 倍——同时保持 Nano Banana 系列的角色一致性、精确编辑和现实世界知识。 一个即插即用的 API 即可处理文本到图像、图像编辑和多图像合成。作为多模态模型，它还会在生成图像的同时返回文本。输出以 1K 分辨率生成，支持 14 种纵横比，并带有不可见的 SynthID 水印，以便识别为 AI 生成的内容。 作为 Nano Banana 2 系列中质量与速度最佳平衡的定位，它让您以更重生产模型成本的一小部分生成数千张图像——非常适合原型制作、实时应用和大规模视觉工作流。

Gemini 3.1 Flash Image，又称“Nano Banana 2”，是谷歌最新的最先进的图像生成与编辑模型，以 Flash 的速度提供 Pro 级的视觉质量。它结合了先进的上下文理解与快速、高性价比的推理，使复杂的图像生成和迭代编辑变得显著更加易于使用。宽高比可通过 image_config API 参数 控制。

Nano Banana Pro 是 Google 最先进的图像生成与编辑模型，基于 Gemini 3 Pro 构建。它在原有 Nano Banana 的基础上，显著提升了多模态推理、真实世界 grounding 以及高保真视觉合成能力。该模型可生成信息图表、示意图、电影级合成图等上下文丰富的图形，并可通过 Search grounding 接入实时信息。 它在图像中的文字渲染方面具备行业领先水平（包括长段落和多语言排版），支持多图一致性融合，并在最多五个主体上实现准确的身份保持。Nano Banana Pro 还增加了精细的创意控制功能，如局部编辑、光照与对焦调整、相机变换，并支持 2K/4K 输出和灵活的长宽比。它专为专业级设计、产品可视化、分镜脚本绘制和复杂多元素合成而设计，同时也能高效满足通用图像生成工作流的需求。

Gemini Embedding 2 是谷歌推出的首个多模态嵌入模型。目前我们支持将文本和图像映射到统一的向量空间，用于语义搜索和检索增强生成（RAG）。它支持最高8,192个token的输入上下文，以及从128到3,072的灵活输出维度（推荐使用768、1536或3,072）。该模型专为跨模态相似性设计——您可以嵌入文本查询并检索最相关的图像，反之亦然——因此非常适合多模态搜索、推荐和文档理解流水线。

Gemini 3.5 Flash 是谷歌的高效多模态模型，以 Flash 级别的成本和速度带来接近 Pro 级别的编码和推理能力。它针对编码熟练度和并行智能体执行循环进行了高度优化，支持文本、图像、视频、音频和 PDF 输入。 默认采用中等思考强度，以获得更快、更具成本效益的响应，并完全支持思考级别（最低、低、中、高），用于精细化的成本/性能权衡。

Gemini 3.1 Flash Lite 是 Google 的 GA 高效多模态模型，针对低延迟、高吞吐量工作负载进行了优化。它支持文本、图像、视频、音频和 PDF 输入，专为轻量级代理工作流、简单数据提取以及以响应速度和 API 成本为主要约束的应用而设计。 支持完整的思考级别（极低、低、中、高），以实现细粒度的成本/性能权衡。价格仅为 Gemini 3 Flash 的一半。

Chirp 3 是 Google 最新的多语言语音转文本模型。它在 24 种 GA 语言和 77 种以上预览语言中提供了增强的转录准确性，支持自动语言检测、自动标点以及内置降噪器，以实现更清晰的音频处理。

Gemini 3.1 Flash TTS Preview 是 Google 推出的文本转语音模型，相比 Gemini 2.5 Flash TTS 实现了显著的代际跃升。它接收文本输入，支持 70 多种语言生成音频输出——语言覆盖范围接近上一代的 3 倍。 最重磅的新增功能是一套包含 200 多个内联音频标签（例如 `[whispers]`、`[laughs]`、`[excited]`）的系统，让开发者可以在句子中途调控表达方式、情感和语速；同时 Google AI Studio 中还提供了“导演椅”工作流，用于定义每个角色的音频配置文件和场景级上下文。它最多支持两个说话人，每个说话人可独立配置音色和风格，输出 24 kHz / 16-bit 单声道 PCM 音频，并使用 SynthID 自动为所有输出添加水印。上下文窗口为 32k tokens。

Google的中端视频生成模型，兼顾速度与质量。Veo 3.1 Fast可以根据文本或图像提示生成带原生同步音频的高质量视频，相较于Veo 3.1，其周转速度更快且成本更低。它支持首帧和末帧条件控制、多种分辨率和宽高比，以及SynthID水印。

Google最高性价比的视频生成模型，专为高容量应用和快速迭代而设计。Veo 3.1 Lite可根据文本或图像提示生成720p和1080p视频，并带有原生同步音频，成本不到Veo 3.1 Fast的50%。支持4-8秒的横屏（16:9）和竖屏（9:16）片段，带有SynthID水印。非常适合内容平台、短视频创作和自动化媒体生成。

Gemini Embedding 2 Preview 是谷歌推出的首个多模态嵌入模型。目前支持将文本和图像映射到统一的向量空间中，用于语义搜索和检索增强生成（RAG）。它支持最高 8,192 个 token 的输入上下文，输出维度灵活，范围从 128 到 3,072（推荐使用 768、1536 或 3,072）。该模型专为跨模态相似度设计——您可以将文本查询嵌入并检索最相关的图像，反之亦然——使其非常适合多模态搜索、推荐和文档理解流水线。

Gemma 4 26B A4B IT 是来自 Google DeepMind 的指令微调混合专家（MoE）模型。尽管总参数量为25.2B，但推理时每个token仅激活3.8B参数——以一小部分计算成本带来接近31B模型的质量。支持多模态输入，包括文本、图像和视频（最长60秒，每秒1帧）。具备256K token的上下文窗口、原生函数调用、可配置的思考/推理模式以及结构化输出支持。基于Apache 2.0许可发布。

Gemma 4 31B Instruct 是 Google DeepMind 推出的 30.7B 参数密集多模态模型，支持文本和图像输入并生成文本输出。具有 256K token 上下文窗口、可配置的思考/推理模式、原生函数调用功能，并支持 140+ 种语言的多语言能力。在编码、推理和文档理解任务上表现强劲。采用 Apache 2.0 许可证。

完整歌曲的定价为每首0.08美元。Lyria 3是谷歌（Google）的音乐生成模型系列，可通过Gemini API使用。借助Lyria 3，您可以根据文本提示或图像生成高质量的48kHz立体声音频。这些模型提供结构连贯性，包括人声、同步歌词和完整的器乐编排。Lyria 3 Pro可以生成带有主歌、副歌和桥段的完整歌曲。

30秒时长的片段每个定价为$0.04。Lyria 3 是谷歌的音乐生成模型系列，可通过 Gemini API 使用。借助 Lyria 3，您可以从文本提示或图像生成高质量的48kHz立体声音频。这些模型提供结构连贯性，包括人声、同步歌词和完整的器乐编排。Lyria 3 Clip 可以生成短片段、循环和预览。

谷歌最先进的视频生成模型，专为最终制作剪辑中的最高视觉保真度而打造。Veo 3.1 可根据文本或图像提示生成高质量1080p视频，并带有原生同步音频——包括对话、环境音效和背景声音。支持场景扩展（最多20个连续片段，可叙述140秒以上）、两幅图像之间的帧到视频过渡、用于Shorts的竖屏视频以及4K超分辨率。

Gemini 3.1 Flash Lite Preview 是 Google 针对高容量使用场景优化的高效模型。它在整体质量上优于 Gemini 2.5 Flash Lite，并在关键能力上接近 Gemini 2.5 Flash 的性能。改进涵盖音频输入/ASR、RAG 片段排序、翻译、数据提取和代码补全。支持完整的思考级别（最低、低、中、高），以实现精细的成本/性能权衡。定价为 Gemini 3 Flash 的一半。

Gemini 3.1 Flash Image Preview，又名“Nano Banana 2”，是谷歌最新的图像生成与编辑模型，以Flash速度提供Pro级的视觉质量。它结合了先进的上下文理解与快速、高性价比的推理，使复杂的图像生成和迭代编辑变得更加易用。可通过image_config API参数控制宽高比。

Gemini 3.1 Pro Preview Custom Tools 是 Gemini 3.1 Pro 的一个变体，它通过在有更高效的第三方或用户自定义函数可用时，防止过度使用通用的 bash 工具来改进工具选择行为。这个专门的预览端点显著提高了函数调用的可靠性，并确保模型在编程智能体和复杂的多工具工作流中选择最合适的工具。 它保留了 Gemini 3.1 Pro 的核心优势，包括跨文本、图像、视频、音频和代码的多模态推理、100万 token 的上下文窗口，以及强大的软件工程性能。

Gemini 3.1 Pro Preview 是 Google 的前沿推理模型，在复杂工作流中提供了增强的软件工程性能、改进的智能体可靠性和更高效的 token 使用。基于 Gemini 3 系列的多模态基础，它结合了跨文本、图像、视频、音频和代码的高精度推理，并支持 1M-token 的上下文窗口。使用多轮工具调用时，必须保留推理详情，请参阅我们的文档：https://openrouter.ai/docs/use-cases/reasoning-tokens#preserving-reasoning。3.1 更新在 SWE 基准测试和真实编码环境中带来了可衡量的提升，并在金融和基于电子表格的工作流等结构化领域中实现了更强的自主任务执行能力。 专为高级开发和智能体系统设计，Gemini 3.1 Pro Preview 提高了长时程稳定性和工具编排能力，同时提升了 token 效率。它引入了新的中等思考级别，以更好地平衡成本、速度和性能。该模型在智能体编程、结构化规划、多模态分析和工作流自动化方面表现出色，非常适合自主智能体、金融建模、电子表格自动化和高上下文企业任务。

Gemini 3 Flash Preview 是一款高速、高价值的思考模型，专为智能体工作流、多轮对话和编程辅助而设计。它提供接近 Pro 级别的推理和工具使用性能，同时延迟显著低于更大的 Gemini 变体，非常适合交互式开发、长时间运行的智能体循环和协作编码任务。与 Gemini 2.5 Flash 相比，它在推理、多模态理解和可靠性方面均有全面改进。 该模型支持 100 万 token 的上下文窗口，以及包括文本、图像、音频、视频和 PDF 在内的多模态输入，并支持文本输出。它通过思考级别（minimal、low、medium、high）提供可配置的推理、结构化输出、工具使用和自动上下文缓存。Gemini 3 Flash Preview 专为希望在无需完整前沿模型的成本或延迟的前提下，获得强大推理和智能体行为的用户而优化。

Nano Banana Pro 是 Google 最先进的图像生成和编辑模型，基于 Gemini 3 Pro 构建。它扩展了原始 Nano Banana，显著改进了多模态推理、现实世界接地和高保真视觉合成。该模型可生成上下文丰富的图形，从信息图和图表到电影级合成，并可通过搜索接地整合实时信息。 它在图像中提供行业领先的文本渲染（包括长段落和多语言布局）、一致的多图像混合，以及在最多五个主体上实现准确的身份保持。Nano Banana Pro 增加了细粒度创意控制，如局部编辑、光照和焦点调整、相机变换，并支持 2K/4K 输出和灵活的长宽比。它专为专业级设计、产品可视化、故事板以及复杂的多元素构图而设计，同时对常规图像创建工作流保持高效。

gemini-embedding-001 在科学、法律、金融和编程等多个领域提供统一的前沿体验。自3月实验性发布以来，该嵌入模型一直在大规模文本嵌入基准（MTEB）多语言排行榜上名列前茅。

Gemini 2.5 Flash Image，又名“Nano Banana”，现已全面可用。它是一款具备上下文理解能力的最先进图像生成模型，能够进行图像生成、编辑和多轮对话。可以通过image_config API参数控制宽高比。

Gemini 2.5 Flash-Lite 是 Gemini 2.5 系列中的轻量级推理模型，针对超低延迟和成本效率进行了优化。与早期的 Flash 模型相比，它提供了更高的吞吐量、更快的 token 生成速度，并在常见基准测试中表现出更好的性能。默认情况下，“思考”（即多遍推理）被禁用以保证速度，但开发者可以通过 推理 API 参数 启用它，以有选择地权衡成本与智能。

Gemini 2.5 Flash 是谷歌最先进的主力模型，专为高级推理、编码、数学和科学任务而设计。它内置了“思考”能力，使其能够提供更准确的响应和细致的上下文处理。 此外，Gemini 2.5 Flash 可通过“最大推理令牌数”参数进行配置，如文档（https://openrouter.ai/docs/use-cases/reasoning-tokens#max-tokens-for-reasoning）中所述。

Gemini 2.5 Pro 是 Google 最先进的 AI 模型，专为高级推理、编程、数学和科学任务而设计。它采用“思考”能力，能够以更高的准确性和对细微语境的处理来推理出响应。Gemini 2.5 Pro 在多个基准测试中取得顶尖性能，包括在 LMArena 排行榜上位列第一，这反映了其出色的人类偏好对齐和复杂问题解决能力。

Gemini 2.5 Pro 是 Google 最先进的 AI 模型，专为高级推理、编程、数学和科学任务而设计。它采用“思考”能力，使其能够以更高的准确性和细致的上下文处理来推理响应。Gemini 2.5 Pro 在多个基准测试中取得了顶级性能，包括在 LMArena 排行榜上位列第一，反映出卓越的人类偏好对齐和复杂问题解决能力。

Gemini 2.5 Pro 是谷歌最先进的AI模型，专为高级推理、编程、数学和科学任务而设计。它采用"思考"能力，能够以更高的准确性和对细微语境的把握来推理并生成回复。Gemini 2.5 Pro 在多项基准测试中取得了顶级表现，包括在 LMArena 排行榜上位列第一，这反映了其卓越的人类偏好对齐能力和复杂问题解决能力。

Gemma 3 引入了多模态能力，支持视觉-语言输入和文本输出。它可处理高达 128k token 的上下文窗口，理解超过 140 种语言，并提供改进的数学、推理和聊天能力，包括结构化输出和函数调用。

Gemma 3 引入了多模态能力，支持视觉语言输入和文本输出。它可处理高达 128k tokens 的上下文窗口，理解超过 140 种语言，并提供改进的数学、推理和聊天功能，包括结构化输出和函数调用。Gemma 3 12B 是 Gemma 3 模型系列中第二大模型，仅次于 Gemma 3 27B。

Gemma 3引入了多模态能力，支持视觉-语言输入和文本输出。它可处理高达128k token的上下文窗口，理解超过140种语言，并提供了改进的数学、推理和聊天能力，包括结构化输出和函数调用。Gemma 3 27B是谷歌最新的开源模型，是Gemma 2的继任者。

Google 的 Gemma 2 27B 是一个开放模型，基于与 Gemini 模型 相同的研究和技术构建。 Gemma 模型非常适合各种文本生成任务，包括问答、摘要和推理。 更多详情请参阅发布公告。Gemma 的使用受 Google 的 Gemma 使用条款 约束。