功能特性
- 支持哪些能力、各自的边界在哪里
- 按模态分组，每条都标明实际可用的范围
文本
| 能力 | 状态 | 说明 |
|---|---|---|
| 流式输出 | 支持 | 默认开启，SSE 格式 |
| 工具调用 | 支持 | 是否可用取决于具体模型 |
| 结构化输出 | 支持 | response_format: json_object |
| 多模态输入 | 部分模型 | 以 GET /api/pricing 返回的 tags 是否含 Vision 为准 |
| 推理模式 | 部分模型 | 开启后返回思考过程，计入输出 token |
| 上下文缓存 | 支持 | OpenAI 自动、Claude 需标记、Gemini 可分隐式与显式 |
| Capability | Status | Notes |
|---|---|---|
| Streaming output | Supported | On by default, SSE format |
| Tool calling | Supported | Availability depends on the model |
| Structured output | Supported | response_format: json_object |
| Multimodal input | Some models | Check whether the tags returned by GET /api/pricing include Vision |
| Reasoning mode | Some models | Returns the reasoning trace, counted as output tokens |
| Context caching | Supported | Automatic on OpenAI, requires marking on Claude, implicit or explicit on Gemini |
图像
| 能力 | 状态 | 说明 |
|---|---|---|
| 文生图 | 支持 | |
| 图生图 | 支持 | 传参考图即可 |
| 多图融合 | 支持 | 最多 10 张参考图 |
| 局部编辑 | 支持 | 可传蒙版，或按坐标框选 |
| 透明背景 | 部分模型 | 仅图生图，且输出须为 PNG |
| 图层拆分 | 部分模型 | 底图加最多 16 层 |
| 批量出图 | 受限 | 多数模型单次只出 1 张 |
| Capability | Status | Notes |
|---|---|---|
| Text to image | Supported | |
| Image to image | Supported | Just pass a reference image |
| Multi-image fusion | Supported | Up to 10 reference images |
| Inpainting | Supported | Pass a mask, or select by coordinates |
| Transparent background | Some models | Image-to-image only, and the output must be PNG |
| Layer separation | Some models | Base image plus up to 16 layers |
| Batch generation | Limited | Most models produce only 1 image per call |
视频
| 能力 | 状态 | 说明 |
|---|---|---|
| 文生视频 | 支持 | |
| 图生视频 | 支持 | 首帧、首尾帧两种模式 |
| 全模态参考 | 部分模型 | 可混用图像、视频、音频 |
| 视频编辑 | 部分模型 | 需要声明 omni_reference_task_type |
| 视频延长 | 部分模型 | 在已有视频后续写 |
| 音频同步生成 | 部分模型 | 通过 generate_audio 控制 |
| 首尾帧约束 | 支持 | 指定首末画面，中间由模型补全 |
| Capability | Status | Notes |
|---|---|---|
| Text to video | Supported | |
| Image to video | Supported | First-frame and first-and-last-frame modes |
| All-modality reference | Some models | Mix images, video, and audio |
| Video editing | Some models | Requires declaring omni_reference_task_type |
| Video extension | Some models | Continue an existing video |
| Synchronized audio generation | Some models | Controlled by generate_audio |
| First-and-last-frame constraint | Supported | Specify the opening and closing frames; the model fills in between |
音频
| 能力 | 状态 | 说明 |
|---|---|---|
| 语音转文字 | 支持 | 多语种，可输出字幕与时间轴 |
| 文字转语音 | 支持 | 多音色，多格式 |
| 音乐生成 | 支持 | 见音频系列各页 |
| 分轨与母带 | 支持 | 视具体模型 |
| Capability | Status | Notes |
|---|---|---|
| Speech to text | Supported | Multiple languages, with subtitle and timestamp output |
| Text to speech | Supported | Multiple voices and formats |
| Music generation | Supported | See the audio pages |
| Stem separation and mastering | Supported | Depends on the model |
审核
| 能力 | 状态 | 说明 |
|---|---|---|
| 文本审核 | 支持 | 按类别给分 |
| 图片审核 | 支持 | 与文本同一接口 |
| 自定义阈值 | 支持 | 用评分自行判定 |
| Capability | Status | Notes |
|---|---|---|
| Text moderation | Supported | Scores by category |
| Image moderation | Supported | Same endpoint as text |
| Custom thresholds | Supported | Decide using the scores yourself |
明确的边界
这些是能力之外的限制，提前知道能少走弯路：
异步接口不能即时返回结果。 图像、视频、大部分音频都要提交任务再轮询，最短也要几秒。
上下文长度是硬上限。 超出会直接报错，不会自动截断。超长文档要自己切分。
单次请求有文件大小限制。 音频转录单文件 25MB，图片单张 30MB，超出先切分或压缩。
结果 URL 会过期。 平台不提供长期存储，拿到结果要立即转存。
部分能力按模型有差异。 同一个接口，不同模型支持的字段不一样。以模型列表返回的能力标记为准，不要假设所有模型行为一致。
These are limits beyond capabilities; knowing them in advance saves detours:
Async endpoints can't return results immediately. Images, video, and most audio require submitting a task and polling, which takes at least a few seconds.
Context length is a hard cap. Exceeding it errors out; it isn't truncated automatically. Split long documents yourself.
Single requests have file size limits. Audio transcription accepts 25MB per file and images 30MB each; split or compress first if you exceed that.
Result URLs expire. The platform doesn't store results long-term, so copy results as soon as you get them.
Some capabilities vary by model. The same endpoint supports different fields on different models. Go by the capability markers returned by the model list; don't assume all models behave the same.