Vision Large
MODEL PROFILE模型资料Vispark · 2024-05-15 发布 · 1 家平台收录
Vision Large 是 Vispark 于 2024 年 5 月发布的闭源多模态模型，支持文本、图像、音频、视频与 PDF 输入，上下文窗口为 100 万 tokens，面向需要一次性处理长文档与多媒体素材、并把模型接入工具调用的企业与开发团队。
模型介绍
Vision Large 属于 Vispark 的 Vision 系列，同系列还有上下文同为 100 万 tokens 的 Medium 与 Small 两档，Large 处于规格与价格最高的一档。它主要解决单次任务中素材又多又长的问题：一份长报告、若干扫描件、会议录音与视频资料，以往需要先切片、转写再分段送入模型，现在可以合并进同一次请求处理。输入侧覆盖文本、图像、音频、视频与 PDF，输出统一为文本，配合工具调用与结构化输出，可接入检索、表单填充、内容归档等流程。单次最多输出 65536 tokens，能够支撑长篇摘要或长表格生成。模型权重不开源，只能通过 API 使用；目前可查的报价渠道仅 models.dev 一家。官方未公布基准跑分，本站也没有该模型的第三方跑分记录，能力表现缺少公开的量化参照。
选型建议需要超长上下文与多模态输入、并能接受较高单价的团队可以选它；预算敏感、或只需纯文本短任务时，Vision Small 与 Medium 更合适。
关键指标
适用场景
- 解析长 PDF 与合同附件，抽取关键条款并输出结构化字段
- 同时读入图文与视频素材，生成统一的文本描述或摘要
- 接入工具调用链，完成多步检索后返回固定格式结果
- 处理长时间录音转写后的会议内容，输出纪要与待办要点
- 借助温度调节控制营销文案类输出的发散程度
暂无：知识截止、模型家族、许可证、参数规模、缓存读价、缓存写价（上游未公开，本站不估算）。 资料更新于 61 天前；发布 900 天。
规格与能力
上面没列到的字段可以核实的规格集中在输入模态、上下文长度与接口能力三方面，模型内部结构、参数量与训练细节未公开。
- 多模态输入输入侧覆盖文本、图像、音频、视频与 PDF，输出只有文本。适合把扫描件、录音、视频与文字资料放进同一次请求处理，省去外部转写与切分。
- 长上下文上下文窗口为 100 万 tokens，单次最大输出 65536 tokens。通读长报告、交叉比对多份附件时不必拆段，但长输出任务仍需按章节规划。
- 接口能力支持推理、工具调用、结构化输出与温度调节，便于嵌入需要外部检索和固定字段返回的流程；温度调节可用于控制文案类输出的发散程度。
- 披露程度权重不开源，参数量、训练数据与内部结构未见说明，架构层面只能做定性判断，不宜据此推断具体训练方法。
- 开源权重
- 否
- 模型家族
- —
- 许可证
- —
- 参数规模
- —
能力
推理工具调用结构化输出附件温度调节
性能表现
本站未记录该模型的第三方跑分，官方也没有给出可引用的基准结果，因此只能依据规格与同系列定位做定性判断。
- 强项百万级上下文与五种输入模态叠加，在长文档、多媒体混合素材处理上有结构性优势，能减少预处理环节和多次请求的拼接成本。
- 强项工具调用与结构化输出齐备，适合需要稳定返回字段的业务链路，而不只是开放式的纯对话场景。
- 短板输出仅限文本，无法直接产出图像或音频；单次输出 65536 tokens 的上限，在超长生成任务中仍要分段处理。
- 待验证缺少公开跑分，与同价位模型的实际能力差距无法量化，选型前宜用自有样本做小规模对照测试。
- 适合素材长、模态杂、需要工具串联的任务优先考虑；短问答或纯文本高频调用则性价比偏低。
价格与性价比
结合各平台报价与同类对比官方标价输入 7.37 美元/百万 tokens、输出 22.11 美元/百万 tokens，处于 Vision 系列的最高档。
- 价格定位输入与输出均为系列最高，输出单价高于输入单价，长输出型任务的费用压力比短问答更明显。
- 横向对比以输入价计，Vision Medium 低 42.9%、Vision Small 低 85.8%；Claude Opus 5.5 低 45.7%、Sonnet 5.5 低 72.9%，Claude Fable 5.1 则高出 35.7%。
- 平台差价目前仅 models.dev 一个渠道报价，其 vispark 分组价格与主报价一致，且未提供缓存读价格，缺少跨平台比价空间。
- 省钱长上下文请求的输入 token 消耗大，可先用 Small 或 Medium 做筛选与预跑，只把最终整合与长输出交给 Large。
平台报价对比
2 个来源口径| 来源 | 输入价 | 输出价 | 缓存读 | 相对输入价 |
|---|---|---|---|---|
| models.dev | $7.37/M | $22.11/M | — | 0.0% |
| models.dev · vispark | $7.37/M | $22.11/M | — | 0.0% |
同一个模型在不同网关的报价可能不同。本页基准取官方口径 $7.37/M / $22.11/M（输入 / 输出，美元 / 百万 tokens），其余来源的差价在「相对输入价」列列出，供比价参考。
同类模型对比
5 条| 模型 | 上下文 | 输入价 | 输出价 | 输入价差 | AA 综合 |
|---|---|---|---|---|---|
| Vision Medium | 1M | $4.21/M | $12.63/M | -42.9% | — |
| Vision Small | 1M | $1.05/M | $3.16/M | -85.8% | — |
| Gemini 4 CarbonGoogle | 1M | $2/M | $10/M | -72.9% | 59.0 |
| Claude Opus 5.5Anthropic | 1M | $4/M | $20/M | -45.7% | 58.4 |
| Claude Sonnet 5.5Anthropic | 1M | $2/M | $10/M | -72.9% | 54.2 |
取上下文相近（约 0.5~2 倍）的同类主流模型；同厂商、同家族优先；价格差为相对本模型的输入价
关于 Vision Large 的常见问题
5 条Vision Large 的 API 价格是多少？
当前收录的官方口径价格为输入 $7.37/M、输出 $22.11/M，单位为美元 / 百万 tokens。不同网关可能有自己的加价与折扣，实际计费以调用平台为准。
Vision Large 支持多长的上下文？
资料显示上下文窗口 1M（1,000,000 tokens），单次最大输出 65.5K。实际可用长度还取决于调用平台的限制。
Vision Large 是开源模型吗？
Vision Large 为闭源模型，只能通过官方 API 或官方授权的平台调用，无法自行下载权重。
Vision Large 支持哪些能力？
按当前资料，Vision Large 支持推理、工具调用、结构化输出、附件、温度调节。输入输出模态为 文本+图片+音频+视频+PDF → 文本。
Vision Large 可以在哪些平台调用？
当前资料显示该模型被 1 家 provider 或网关收录。本站核对的数据来源包括 models.dev。收录数量只反映公开目录的部署面，不代表任何一家平台的服务质量。
使用注意
- 口径上下文、输出上限与价格均为厂商标称值，实际可用长度与费用受附件体积、调用方式影响；本站无第三方跑分可交叉验证。
- 边界权重不开源、输出仅文本、报价渠道单一，缓存读价格缺失，规模化部署的成本与稳定性仍需自行压测。
资料说明
本页资料由多个公开来源交叉整理：按「官方目录 → 通用网关 → 开源仓库 → 中文资料」的优先级合并， 冲突时取优先级高的来源。价格单位是美元 / 百万 tokens，为各平台对 API 调用的报价，不含自部署成本。 资料由公开来源整理，不代表 AiTest 已对该模型或其收录中转站做过真实性、稳定性或安全检测。
本页的模型介绍、架构、性能与性价比解读为 AI 综合公开信息整理，部分未经本站逐项核实；规格、价格与跑分以本页数据字段为准。
本页资料由多个公开来源交叉整理：按「官方目录 → 通用网关 → 开源仓库 → 中文资料」的优先级合并，冲突时取优先级高的来源；价格单位为美元 / 百万 tokens。
