模型分类

文本与推理

这是从助手、聊天或代码工作流迁移过来的团队最熟悉的一类场景。兼容性和提供商选择的价值，通常也最先在这里体现。

图像工作负载和文本并不一样。团队往往更关心提示词一致性、生成速度和商业成片质量，而不是单一模型排行。

视频通常更慢、更贵，因此更需要路由策略和价格纪律。它通常值得单独评估，而不是被简单视为图像生成的延伸。

语音识别、语音合成、音乐生成和实时语音体验的行为差异很大。把它们统一放在同一个产品面上，有助于团队在不重建采购与接入逻辑的前提下比较能力与成本。

有些工作负载真正需要的是搜索、抓取或数据工具，而不是纯生成能力。把这些能力当作一等公民，才能让平台对 Agent 和运营类场景更有价值。