Vision Medium
MODEL PROFILE模型资料Vispark · 2024-05-15 发布 · 1 家平台收录
Vision Medium 是 Vispark 于 2024 年 5 月推出的闭源多模态模型，可接收文本、图像、音频、视频与 PDF 五类输入，上下文窗口达 100 万 tokens，面向需要一次性处理长文档、长音视频材料，并依赖工具调用与结构化输出的开发者与企业团队。
模型介绍
Vision Medium 属于 Vispark 的 Vision 系列，与同系列的 Vision Large、Vision Small 组成从低到高的三档产品线，它处在中间位置：上下文窗口三档一致，都是 100 万 tokens，差别主要体现在定价档位上。它要解决的问题是长上下文与多模态混合输入同时出现时的处理需求——整本 PDF、完整会议录音、长视频连同文字材料可以放进同一次请求，单次输出上限为 65536 tokens，足以支撑较长的分析报告或结构化数据产出。接口层面提供推理、工具调用、结构化输出、附件输入与温度调节，便于接入检索、表单抽取、Agent 流程等工程场景。模型不开放权重，只能通过平台 API 调用，目前仅有 1 家平台提供接入与报价。
选型建议需要百万级上下文、多模态材料混投且输出以文本和结构化数据为主时选它；若要求公开跑分背书、私有化部署或图像视频生成，则应另找方案。
关键指标
适用场景
- 把整本 PDF 报告或长合同一次性送入，抽取条款要点并输出结构化字段
- 处理完整会议录音或长视频，生成纪要、待办与议题分段摘要
- 接入工具调用链路，让模型在长上下文工单中查询系统并回填处理结果
- 对图文混排的产品资料做批量信息抽取，统一整理为可校验的表格数据
- 在 Agent 流程中承担长材料阅读与结构化输出的中间环节
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Vispark 未公开 Vision Medium 的参数规模、层数与训练细节，只能从接口形态与规格做定性判断：这是一套输入侧多模态、输出侧纯文本的闭源架构。
- 输入结构文本、图像、音频、视频、PDF 五类内容由同一接口接收，省去为每种模态单独拼接流程的工程成本，适合材料形态混杂的输入场景。
- 输出结构生成侧只输出文本，可承载长文回答与结构化字段，但不产出图像、音频或视频，多媒体成品需要另行接入生成模型。
- 上下文能力100 万 tokens 窗口配合 65536 tokens 单次输出上限，长材料可整体送入而不必强制切片，减少跨片段信息丢失。
- 披露程度权重不开放，参数规模、训练数据与架构图均未公布，公开资料较少，选型时难以从结构层面做同类横向比较。
- 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
本站未收录该模型的第三方跑分，AA 一栏为「—」，能力判断只能依据规格与功能清单，不宜给出量化结论。
- 强项100 万 tokens 上下文与五类输入模态叠加，长文档加音视频的混合材料可一次处理，减少了流程编排与重复调用的复杂度。
- 强项支持工具调用与结构化输出，配合温度调节，在需要固定字段返回或串联外部工具的工程链路中更容易落地。
- 短板缺少公开跑分与第三方评测，实际推理质量、多模态理解精度无法与同价位模型做数据化对比，上线前需自行验证。
- 短板输出仅限文本，且没有缓存读定价，高频重复调用的成本优化空间比提供缓存计费的平台更小。
- 适合优先看长上下文与多模态入口、对输出模态无要求、且能自行搭建评测集验证效果的业务场景。
价格与性价比
结合各平台报价与同类对比官方定价为输入 4.21 美元/百万 tokens、输出 12.63 美元/百万 tokens，输出单价明显高于输入，成本结构偏向「少输出、多输入」的用法。
- 价格定位处在 Vision 系列三档的中间位置，比 Vision Large 的输入价低 75.1%，比 Vision Small 高 75.1%，属于该系列的主力档。
- 横向对比与 Claude Opus 5.5 的输入价仅差 5.0%，但输出价为 12.63 对 20 美元，长输出场景更省；比 Claude Sonnet 5.5 输入价高 52.5%。
- 高端参照Claude Fable 5.1 输入价为 10 美元、输出 50 美元，本模型输入价低 137.5 个百分点，是同为 100 万上下文的对照中偏中低的一档。
- 平台差价目前仅 models.dev 及其 vispark 条目提供报价，两者完全一致、相对输入价 0.0%，没有跨平台比价空间，缓存读价格未公布。
- 省钱思路输出计费远高于输入，压缩回答长度、用结构化字段替代长篇叙述，比更换平台更能直接降低成本。
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 | $4.21/M | $12.63/M | — | 0.0% |
| models.dev · vispark | $4.21/M | $12.63/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 $4.21/M / $12.63/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 Large | 1M | $7.37/M | $22.11/M | +75.1% | — |
| Vision Small | 1M | $1.05/M | $3.16/M | -75.1% | — |
| Gemini 4 CarbonGoogle | 1M | $2/M | $10/M | -52.5% | 59.0 |
| Claude Opus 5.5Anthropic | 1M | $4/M | $20/M | -5.0% | 58.4 |
| Claude Sonnet 5.5Anthropic | 1M | $2/M | $10/M | -52.5% | 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 Medium 的常见问题
5 条Vision Medium 的 API 价格是多少？
当前收录的官方口径价格为输入 $4.21/M、输出 $12.63/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 Medium 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 Medium 是开源模型吗？
Vision Medium 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 Medium 支持哪些能力？
按当前资料，Vision Medium 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 Medium 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
- 评测口径本站未收录该模型的公开跑分，对比表中的 AA 值全部为「—」，任何效果结论都需要以自建评测为准。
- 供应边界目前仅 1 家平台可接入，无缓存读定价，权重不开放、无法私有化部署，对数据驻留或离线运行有要求的场景不适用。
- 能力边界输出仅文本，图像、音频、视频生成需外接其他模型；多模态理解的具体精度公开信息有限。
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。
