Elija una guía de enrutamiento LLM : ChinaAPI

El modelo predeterminado incorrecto es el modelo insignia para cada solicitud. La mayoría de los fallos de producción ocurren antes: un modelo de solo texto recibe una imagen, un modelo 256K obtiene un repositorio ilimitado, un primer intento económico se convierte silenciosamente en cinco reintentos, o un bucle de herramientas no tiene presupuesto ni límite de aprobación.

La instantánea conciliada de la puerta de 2026-07-20 contiene 25 modelos actuales por token etiquetados RazonamientoEsto genera suficientes opciones como para que una tabla de clasificación genérica resulte menos útil que una regla de enrutamiento. Esta guía reduce la primera decisión a la restricción que puede provocar el fallo de una tarea: modalidad, ventana de contexto, uso de herramientas, latencia o el coste de una respuesta aceptada.

Esta es una guía de selección del catálogo actual, no un referente de calidad público. Los model IDs que se muestran a continuación están disponibles en el catálogo ChinaAPI ; el grupo de cuentas, el saldo, los límites de velocidad, el estado del servicio y la tarea en sí siguen influyendo en si una solicitud se realiza correctamente.

La respuesta corta

• Comience con el enfoque de texto primero RAG , extracción, clasificación y candidatos de código económicos con deepseek-v4-flash. Tiene 1M ventana de contexto y soporte de herramientas en el catálogo actual con $0.14 entrada / $0.28 salida por millón de tokens. No envíe entradas de imagen o video a una ruta de solo texto.
• Usar qwen3.7-plus como agente práctico de propósito general predeterminado cuando el trabajo necesita archivos o imágenes, así como una ventana 1M . Es la prueba inicial adecuada cuando el uso de la herramienta y el contexto visual importan más que minimizar cada token.
• Elija la operación antes de la marca para trabajos de larga duración. LongCat-2.0 es una ruta de herramienta de solo 1M ; kimi-k2.7-code es el candidato a especialista en códigos en 256K ; MiniMax-M3 es la ruta 1M en esta instantánea con archivos y visión. Resuelven diferentes restricciones.
• Reservar qwen3.7-max, glm-5.2, o kimi-k3 para pases de alto valor seleccionados y revisión independiente. Un pase premium resulta más útil una vez que existe un candidato, no como primera llamada en un flujo de trabajo masivo.
• Usar glm-5v-turbo cuando la entrada incluye vídeo. En el catálogo actual, se trata de la ruta de razonamiento etiquetada explícitamente para imágenes, vídeos, archivos y herramientas; una ruta que solo contenga texto o solo imágenes no puede recuperar información que nunca recibió.

Esta postura es deliberada: No se guíe por la etiqueta principal del proveedor. Enruta por el modo de fallo que no puede aceptar y, a continuación, obtenga una escalada de prioridad con datos de salida aceptados.

Lo que el catálogo actual permite

La tabla es intencionadamente un mapa de rutas, no un orden de clasificación. deepseek-v4-flash Puede ser una mejor primera opción que una aplicación insignia cuando la entrada es texto y el objetivo es generar candidatos de forma económica. Es una mala primera opción cuando el trabajo depende de una imagen, un video o un archivo que el modelo no puede inspeccionar.

El precio es un factor a considerar en el enrutamiento, no la decisión.

Los precios que se muestran actualmente demuestran por qué la dirección del token es importante. deepseek-v4-flash es $0.14 entrada / $0.28 salida por millón de tokens. qwen3.7-plus es $0.3077 / $1.2308 ; LongCat-2.0 es $0.3 / $1.2 ; y qwen3.7-max es $2.5 / $7.5 ;

Esas cifras son tasas de visualización actuales conciliadas por la puerta de enlace, no una predicción del costo total del proyecto ni una puntuación de calidad. Los tokens de pensamiento, los fallos de caché, las llamadas a herramientas, los reintentos, la corrección humana y la probabilidad de aceptar la respuesta modifican el resultado. La unidad útil es:

usable-answer cost =
  (input tokens + output/thinking tokens + tool costs + retries + review time)
  / accepted answers

Un precio de entrada bajo resulta ineficiente si un modelo no puede procesar la modalidad de origen o si su primer resultado falla repetidamente en una verificación de esquema, cita, herramienta o revisión de código. Por el contrario, un modelo de alto rendimiento puede ser apropiado para una revisión final seleccionada y un desperdicio para todos los candidatos en un lote. precios en tiempo real antes de poner una ruta en producción.

Un método de enrutamiento repetible de dos etapas

Crea la ficha de tareas antes de elegir el modelo. El objetivo es evitar que una solicitud se convierta accidentalmente en un bucle de agente costoso e ilimitado.

{
  "task_id": "contract-qa-01",
  "task_type": "document_question_answering",
  "source_modalities": ["pdf", "image"],
  "context_band": "1m",
  "needs_tools": true,
  "needs_video_input": false,
  "max_tool_rounds": 6,
  "max_attempts": 2,
  "acceptance_checks": ["answer cites supplied pages", "JSON validates", "no unsupported claim"],
  "candidate_model": "qwen3.7-plus",
  "escalation_model": "glm-5.2",
  "human_approval_required": true
}

Luego, utilice dos etapas:

1. Seleccione la ruta de menor coste que pueda leer los datos de entrada y que cumpla con las restricciones de contexto/herramienta.
2. Realizar una selección limitada de candidatos con comprobaciones de aceptación explícitas, límites de coste y de reintentos.
3. Solo los casos fallidos o de alto valor deben ser remitidos a una vía especializada o premium.
4. Para resultados con consecuencias importantes, realice una revisión independiente y requiera la aprobación humana antes de realizar acciones externas, pagos, implementaciones o eliminar datos.
5. Almacena el resultado de aceptación/rechazo, los tokens facturados, las rondas de herramientas, los reintentos y los minutos de reparación. Promueve una ruta a predeterminada solo después de que tenga éxito con los datos de salida aceptados.

El informe de enrutamiento interno define un Conjunto de 60-task que abarca texto RAG , extracción estructurada, codificación, uso de herramientas, documentos largos, comprensión de imágenes o videos y revisión final. Ese es un plan de prueba, no una evaluación comparativa pública. Todavía no hemos publicado tasas de finalización repetidas ChinaAPI , distribuciones de latencia, tasas de éxito de herramientas o resultados de codificación a nivel de repositorio en todos los 25 modelos.

Errores comunes en las rutas

Lo que esta guía no afirma

Este artículo no publica una clasificación de calidad universal, una tabla comparativa de latencia, una garantía de disponibilidad del proveedor ni un resultado de la política de seguridad. Las configuraciones de los modelos y los precios de las pasarelas pueden cambiar; la página de precios en tiempo real es la fuente de información autorizada. Tampoco disponemos aún de una evaluación comparativa pública que demuestre que un modelo es superior en cuanto a código, razonamiento, uso de herramientas o comprensión multimodal para cada tarea.

Utilice la información del catálogo actual para elegir una primera ruta viable. A continuación, mida sus propios resultados aceptados, tipos de fallos, reintentos y coste total. La siguiente actualización útil es un informe comparativo con un conjunto fijo de tareas, ejecuciones repetidas, metodología sin procesar y conclusiones claramente definidas, en lugar de una clasificación más llamativa.