Modelle nutzen. Dediziert betreiben.

Alibabas Flaggschiff mit 2,4 Billionen Parametern: Reasoning auf Frontier-Niveau, betrieben in der EU.

Eines der stärksten Open-Weight-Modelle für Coding, Agenten und Cybersecurity.

Hocheffizientes multimodales Modell mit starker Coding-Leistung bei nur 6 Mrd. aktiven Parametern.

Flaggschiff von Z.ai für langlaufende, mehrstufige Aufgaben – deutlich stärker als GLM 5.1 und mit stabilem 1-Mio.-Token-Kontext.

Open-Weight-Modell für Coding, Agenten-Aufgaben mit langem Kontext und multimodale Eingaben.

Offenes multimodales Modell von Google DeepMind – verarbeitet Text und Bilder und generiert Text.

Kompaktes Qwen-Modell der 3.6-Generation für Chat-, Text- und Coding-Aufgaben.

MoE-Modell mit 1,6 Bio. Parametern (49 Mrd. aktiv) und Hybrid Attention – stark bei komplexem Coding, tiefem Reasoning und langlaufenden Agenten-Workflows.

Nativ multimodal, mit Agent Swarm für bis zu 300 spezialisierte Sub-Agenten und 4.000 koordinierte Schritte pro autonomem Durchlauf.

Auf denselben Daten wie V4 Pro von Grund auf trainiert. Ideal für hohe Volumina, bei denen Kosten und Geschwindigkeit zählen – Chat, Klassifikation, Zusammenfassung.

Das leistungsstärkste Vision-Language-Modell der Qwen-Serie – für OCR, Dokumentenanalyse, räumliches Grounding und Code aus Bildern.

Das leistungsstärkste Open-Weight-Modell von OpenAI.

Vielseitiges Code-Modell für Programmierung und agentisches Coding.

Großes Vision-Language-Modell von Qwen für Bild- und Dokumentenverständnis.

Kompaktes, effizientes Open-Weight-Modell von OpenAI.

Kleines, leistungsstarkes Modell von Mistral AI.

Starkes Reasoning, vielseitig und produktionserprobt.

Fortgeschrittenes Reasoning, mehrsprachig, ausgewogene Kapazität.

Schnelle Inferenz, leichtgewichtig, auf Instruktionen optimiert.

Mixture-of-Experts mit hoher Qualität und effizientem Routing.

Ausgewogene Performance, mehrsprachig, instruction-tuned.

Leichtgewichtig und schnell für allgemeine Aufgaben.

Embedding-Modell mit Spitzenwerten in zahlreichen Retrieval- und Downstream-Benchmarks.

Mehrsprachiges Embedding-Modell von BGE auf Basis von Gemma 2.

Mehrsprachiges Embedding-Modell (100+ Sprachen) für Dense-, Sparse- und Multi-Vector-Retrieval.

Mehrsprachiger Reranker mit Unterstützung für über 100 Sprachen.

Leichtgewichtiger, mehrsprachiger Reranker mit schneller Inferenz.

Speziell für agentisches Software-Engineering entwickelt – 72,2 % auf SWE-Bench Verified.

Dediziertes Instruct-Modell mit verbessertem Instruction Following, breiter Sprachabdeckung und Langkontext-Verständnis.