AI 模型类型总览
易混淆对比
Claude 系列说明
Thinking / 扩展思考支持
什么是多模态？
常见模态类型
关键区分：输入 vs 输出
免费模型现状
总结
AI 模型类型总览
类型
图标
用途
代表模型
备注
Text
📝
聊天、写代码、翻译、总结文本
Llama 4、Qwen 3.5、GPT-4.5、DeepSeek V4
最常见
Multimodal / Vision
👁️
看懂图片、视频内容
GPT-4o、Gemini 2.5 Pro、Gemini 2 Flash
理解图片，非生成
Reasoning
🧠
解数学题、逻辑推理、复杂算法
DeepSeek R1 Zero、o3-mini、Claude 3.7 Sonnet
慢但准
Image Generation
🎨
从文字生成图片
Flux 1.1 Pro、SD 3.5、DALL-E 3
免费列表暂无
OCR
🔍
图片转文字
DeepSeek-OCR V2、PaddleOCR v3
专用工具
Embedding
🔗
文本向量化（用于检索）
BGE M3、GTE-Qwen、Jina Embeddings v2
专用工具
Reranker
📊
搜索结果重排序
BGE Reranker v3、Jina Reranker v2
专用工具
ASR / TTS
🎤
语音转文字 / 文字转语音
Whisper v3、SenseVoice、Kokoro v1.5
专用工具
易混淆对比
图像理解 vs 图像生成：完全不同的两类模型
图像理解：你给它一张图，它告诉你图里有什么（👁️ 看图片）
图像生成：你给它一段文字，它画出一张图（🎨 画图片）
Claude 系列说明
模型
类型
定位
Opus
Text + Multimodal
Claude 旗舰级，推理和多模态理解能力极强
Sonnet
Text + Multimodal
主力模型，性能与速度平衡，日常首选
Haiku
Text + Multimodal
轻量级，极速响应、低延迟
💡 Claude 全系都支持多模态（看图片），只是能力强弱不同。
Thinking / 扩展思考支持
模型
多模态
Thinking / 扩展思考
Opus
✅ 支持
✅ 有深度推理能力
Sonnet 3.7
✅ 支持
✅ 支持 extended thinking（2025年新特性）
Haiku
✅ 支持
❌ 不支持
什么是多模态？
模态 = 信息的表现形式
多模态 = 同时处理多种不同形式的信息
常见模态类型
📝 文本：对话、文章、代码
👁️ 图像：图片、照片、截图
🎥 视频：短视频、监控画面
🎤 音频：语音、音乐、声音
关键区分：输入 vs 输出
能力
行为
术语
图像理解
你给它图，它告诉你图里有什么
这就是 多模态
图像生成
你给它文字，它给你画出一张图
这是生成式AI，不是多模态的必要条件
💡 理解图片就叫多模态了！不需要能生成图片。
现在绝大多数多模态模型（GPT-4o、Claude、Gemini）都只能理解图片，不能生成图片。
免费模型现状
当前免费模型列表中没有图像生成模型（Stable Diffusion、DALL-E 等），只有以下几类：
✅ Text（最多）
✅ Reasoning（推理模型）
✅ Multimodal（多模态/视觉理解）
✅ 专用工具（OCR、Embedding、ASR 等）
总结
模型确实很多，但按功能来分就很清晰了。记住这几个核心分类，就不会被各种名词绕晕：
📝 Text：说话写字
👁️ Vision：看图片（理解）
🧠 Reasoning：动脑子解题
🎨 Image Gen：画图片（生成）
🔧 其他：专门工具
原文链接：
AI 模型类型速查指南
，转载请注明来源！