AI 模型类型速查指南
30 June 2026
一文搞懂 Text、Multimodal、Reasoning、Image Generation 等各类 AI 模型的区别和代表产品。
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！
– EOF –