Gemini 2.5 Pro и 3.7 Flash: мультимодальность Google

Gemini 2.5 Pro и Gemini 3.7 Flash — модели Google, которые принимают не только текст и картинки, но и аудио и видео. Контекст у обеих — 1M токенов.

Моделей Gemini в каталоге Yenisei нет, но модели с открытыми весами, которые работают не только с текстом, у нас есть. Ниже — какие.

Gemini 2.5 Pro и 3.7 Flash

Pro — старшая: текст, изображения, аудио и видео в одном запросе, пошаговые рассуждения, длинный контекст. Её берут, когда задача сложная и данные разные: разбор видео с выводами, аналитика по смешанным материалам.

Flash — быстрая модель с тем же набором входов, оптимизированная под скорость и цену.

Что взять в Yenisei

• MiMo v2.5 (mimo-v2.5) — текст, изображения, аудио и видео на входе, рассуждения и контекст около миллиона токенов. Ближе всего к Gemini по набору.
• Qwen3.8 Flash (qwen-flash) — текст, изображения и видео, быстрая и недорогая; аналог Flash.
• Kimi K3 (kimi-k3) — старшая модель с изображениями и видео на входе и миллионным окном; аналог Pro.
• Gemma 4 31B (gemma-4-31b) — открытая модель самой Google: изображения и видео на входе, рассуждения.
• Yenisei Max (yenisei-max) — наша старшая модель с изображениями и видео.

Для задач только со звуком — распознавание, разбор разговоров — есть отдельная Voxtral Small 24B (voxtral-small).

Зачем модель, которая принимает аудио и видео

Многие модели читают текст и картинки, но не аудио и видео. Если ваш продукт работает со звуком и видео, модель, которая принимает их напрямую, часто практичнее, чем отдельная цепочка «распознавание речи плюс текстовая модель».

Пример: текст плюс изображение

curl https://api.yenisei.ru/v1/chat/completions \
  -H "Authorization: Bearer $YENISEI_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "mimo-v2.5",
    "messages": [{
      "role": "user",
      "content": [
        {"type": "text", "text": "Опиши, что не так с этим графиком, и предложи, как исправить."},
        {"type": "image_url", "image_url": {"url": "https://example.com/chart.png"}}
      ]
    }]
  }'

Как выбирать

• Сложная задача с картинками или видео — Kimi K3, MiMo v2.5 или Yenisei Max.
• Поток с картинками и видео, где важнее скорость и цена, — Qwen3.8 Flash или Gemma 4 26B (gemma-4-26b).
• Чисто текстовая задача — картинки и звук не нужны, берите текстовую модель, например DeepSeek V4 Pro (deepseek-pro).

Единый OpenAI-совместимый API, оплата в рублях, 1 кредит = 1 ₽.