Mellemstor open-source model. Dens vægte og træningskode er open-source. Modellen er udviklet af et konsortium af schweiziske institutioner. Den er blevet trænet på mere end 1.800 sprog ud fra 15.000 milliarder tokens. Modellen er trænet på CSCS' supercomputer Alps i Lugano, som er drevet af CO2 neutral vandkraft og er dermed en mere bæredygtig tilgang til AI-udvikling. Den er blevet designet fra starten til at være i overensstemmelse med AI Act.

Meget stor multimodal og flersproget model, som er højtydende inden for kode, autonom computerbrug og ræsonnering. Brugeren eller udvikleren kan vælge mellem flere niveauer af ræsonnering.

Meget stor model, specialiseret i matematiske, videnskabelige og programmeringsopgaver. Den simulerer et ræsonnemenstrin, før den genererer sit svar, og med opdateringen fra maj 2025 har den opnået større analysedybde og præcision takket være en optimering af post-træningen.

Meget stor model designet til komplekse opgaver: agentisk orkestrering, kodegenerering, analyse af lange dokumenter. Denne version er særligt stærk til brug af værktøjer og kan simulere en ræsonneringsfase før den leverer det endelige svar.

En flersproget model designet specifikt til europæisk sproglig mangfoldighed med stærke flersprogede oversættelses- og forståelsesevner.

Stor, native, multimodal og flersproget model, destilleret fra Gemini 3 Pro. Den inkorporerer en avanceret ræsonneringsevne ("Deep Think"), der kan aktiveres efter behov, med et ræsonneringsniveau, der kan konfigureres af brugeren eller udvikleren. Modellen understøtter nativt tekst, kode, lyd, billeder, video og PDF'er.

Meget stor multimodal og flersproget model, en videreudvikling af Gemini 3 Pro. Den bibeholder de samme multimodale egenskaber og ræsonneringstilstanden ("Deep Think"), og tilføjer et tredje mellemliggende ræsonneringsniveau samt forbedringer inden for planlægningsopgaver og værktøjsbrug.

En stor, specialiseret kodemodel skabt af Zhipu AI, en kinesisk AI-modeludvikler grundlagt i 2019 af professorer fra Tsinghua University og støttet af store aktører som Alibaba og Tencent. Denne opdatering forbedrer dens kodeydeevne (især for webgrænseflader), interagerer bedre med AI-assisterede kodemiljøer og præsterer generelt bedre i agentiske sammenhænge.

Meget stor model designet til komplekse opgaver: softwareudvikling, agentisk orkestrering og avanceret ræsonnering. Den simulerer et ræsonneringstrin inden den genererer sit svar.

En get stor multimodal model designet til komplekse professionelle opgaver: kodegenerering, autonom computerbrug, analyse af lange dokumenter. Den forener GPT- og Codex-linjerne i ét samlet system og simulerer et ræsonneringstrin inden svaret genereres.

En kompakt version af GPT 5.4, designet til at tilbyde en god balance mellem ydeevne og omkostninger. Velegnet til kodegenerering, agentiske systemer og autonom computerbrug. Den kan simulere et ræsonneringstrin inden svaret genereres.

Den mindste og mest økonomiske model i GPT 5.4-familien, designet til opgaver med stort volumen såsom klassificering, dataudtrækning eller sortering. Den kan simulere et ræsonneringstrin inden svaret genereres.

Den største af de to første semi-åbne modeller fra OpenAI siden GPT-2. Designet som svar på fremgangen for open source-aktører som Meta (LLaMA) og Mistral, er det en performant ræsonneringsmodel, især til komplekse opgaver og i "agentiske" miljøer.

Den mindste af de to semi-åbne modeller fra OpenAI. Den er blevet designet som svar på konkurrencen fra open source og er beregnet til anvendelsestilfælde, der kræver lav latens, samt til lokale eller specialiserede implementeringer.

Grok 4.1 Fast er den fjerde generation af Grok. Baseret på den samme grundmodel nyder den ifølge udgiveren godt af en forbedret post-træningsproces, som giver den en bedre stil, bedre agentisk adfærd og mere konsistens i svarene, især under lange samtaler.

Med udgangspunkt i Kimi K2 har udgiveren fortsat fortræningen på cirka 15 billioner yderligere tokens, der blander tekst og visuelle data. Udgiveren fremhæver dens native multimodalitet samt dens agentiske egenskaber, der er særligt velegnede til opgaver som softwareudvikling.

Meget stor model udstyret med et meget bredt kontekstvindue, egnet for eksempel til resumering af flere dokumenter på samme tid.

Stor model udstyret med et meget bredt kontekstvindue, egnet for eksempel til syntese af et sæt dokumenter.

Meget stor semi-åben model specialiseret i kode og agentiske opgaver, med en integreret ræsonneringstilstand. Den er udviklet af MiniMax, en virksomhed med base i Shanghai, Kina.

En meget stor, semi-åben, multimodal model, der præsterer godt i flersproget kode og kontekster.

Mellemstor multilingual, multimodal model, der er billigere sammenlignet med andre modeller, som tilbyder lignende ydeevne. Den blev særligt interessant efter en opdatering i august 2025 med betydelige forbedringer af den generelle ydeevne, en "forbedret" tone og en bedre evne til at søge information på internettet.

Blandt de få proprietære modeller fra Qwen er denne den største og mest kraftfulde i tredje generation. Den er blevet trænet med særlig opmærksomhed på virksomhedsbrug og agentiske anvendelsestilfælde.

Mellemstor multimodal, flersproget model med en ræsonneringstilstand. På trods af sin beskedne størrelse konkurrerer den med langt større modeller takket være en ultra-sparse arkitektur, der kun aktiverer en lille brøkdel af sine parametre for hvert token.

En meget stor, multimodal og flersproget model med en ræsonneringstilstand. Takket være en hybridarkitektur der kombinerer lineær opmærksomhed (Gated DeltaNet) og ekspertblanding, aktiverer den kun 17 milliarder parametre ud af i alt 397 milliarder.

En model designet specifikt til kode (særligt til lokal udvikling). Takket være en hybridarkitektur der kombinerer Gated DeltaNet, Gated Attention og MoE, opnår den præstationer sammenlignelige med langt større modeller, mens den kun aktiverer 3 milliarder parametre ud af i alt 80 milliarder.

En semi-åben amerikansk model skabt af Arcee AI, en startup med 30 ansatte.