Zmiany, które mają znaczenie przy budowaniu

Do katalogu dołączają trzy endpointy czatowe, a ustawienia rozumowania w dotychczasowych modelach tekstowych odpowiadają teraz temu, co faktycznie wspiera każdy wydawca.

• zai/glm-5.3/chat — 1,05 USD za wejście / 0,195 USD za cache / 3,30 USD za wyjście na milion tokenów, 25% poniżej ceny opublikowanej przez Z.ai. Etykieta treści: Light, czyli ograniczenia są łagodniejsze, choć część promptów czysto tekstowych nadal może być limitowana.
• zai/glm-5.3-flash/chat — 0,1275 / 0,0255 / 0,425 USD na milion tokenów, Uncensored.
• deepseek/v4.1-flash/chat — aktualna cena 0,30 / 0,006 / 1,20 USD na milion tokenów, Uncensored.

Reasoning effort jest teraz ustalany osobno dla każdego modelu, a nie kopiowany wszędzie z jednej listy. Claude 4.5 i 4.6 mają poziomy, które Anthropic publikuje dla każdego z nich; Gemini zyskał stopień minimal; DeepSeek przyjmuje none, a my pomiarem potwierdziliśmy, że naprawdę wyłącza to rozumowanie, a nie tylko je obniża. Poziomów, których wydawca nie oferuje, nie ogłaszamy: Grok 4.5 i 4.6 odrzucają reasoning_effort: none po stronie dostawcy, a 4.3 go przyjmuje.

Jeden szczegół budżetowy, na którym wielu się potyka: tokeny rozumowania wliczają się do max_tokens. Prompt proszący o 150 słów potrafi przy wysokim poziomie wysiłku spalić kilka tysięcy tokenów. Limit dobierajcie więc pod to, co model naprawdę wypuści, a nie pod długość odpowiedzi, którą chcecie przeczytać.

Trzy nowe rodziny uruchamiają MiniMax H3 z otwartymi wagami z maksymalnie trzema własnymi plikami LoRA na zapytanie, każdy z osobną siłą od 0 do 4.

• MiniMax H3 LoRA (minimax/h3-lora/text-to-video, /image-to-video, /reference-to-video): od 3 do 15 sekund w 480p, 540p, 768p lub 1080p, z dźwiękiem stereo generowanym w tym samym przebiegu. Referencje na wideo przyjmują do dziewięciu obrazów, trzech klipów i trzech nagrań audio.
• MiniMax H3 Singularity LoRA (minimax/h3-singularity-lora/image-to-video, /reference-to-video): dostrojona przez społeczność wersja H3 trenowana na materiale HDR, stworzona do szybkiej akcji, tańca i szerokich ujęć, w których twarze muszą pozostać czytelne. Twoje LoRA dla H3 ładują się bez zmian.
• MiniMax H3 Image LoRA (minimax/h3-image-lora/text-to-image, /edit): H3 jako model obrazów w 1k lub 2k, z edycją na podstawie maksymalnie dziewięciu referencji. Zaprojektuj tu klatkę kluczową, a potem ożyw ją tą samą LoRA.

LoRA to bezpośredni link do pliku .safetensors: bez przesyłania, bez listy dozwolonych, bez weryfikacji. Wszystkie siedem endpointów działa bez cenzury, a ładowanie LoRA nie kosztuje nic dodatkowo.

Alibaba udostępniło dziś Qwen-Image-2.1 jako otwarte oprogramowanie, a my dodaliśmy je do katalogu tego samego dnia. Cztery endpointy: generowanie i edycja z referencjami, każde w wersji zwykłej oraz w wersji LoRA, która wczytuje wskazane przez Ciebie pliki wag.

• Przynieś własne wagi. Do trzech plików LoRA na żądanie, każdy z własną siłą, podany jako bezpośredni link HTTPS do pliku .safetensors albo jako repozytorium Hugging Face. Bez wgrywania, bez listy dozwolonych, bez kolejki zatwierdzeń.
• Między promptem a modelem nie ma niczego. Wszystkie cztery endpointy są bez ograniczeń: żadnego filtra przed modelem, żadnej flagi treści dla dorosłych, żadnej deklaracji przy żądaniu.
• Piętnaście proporcji, trzy poziomy rozdzielczości. Od pasów 3:1 i 21:9 po kolumny 1:3 i 9:21, w 1k, 1,5k lub 2k.
• Edycja przyjmuje do dziesięciu obrazów referencyjnych. Każdy wchodzi do wyceny, którą widzisz przed wysłaniem — wysyłaj te referencje, które naprawdę pracują.

Do rodziny podmian dołącza sześć endpointów, trzy z nich dla wideo. Różni je to, jak wiele faktycznie się przenosi.

Obrazy

• spicyapi/face-swap-pro-v1/edit — przenoszą się wyłącznie rysy twarzy. Fryzura, linia włosów, zarys głowy, poza, ubranie, światło i tło osoby docelowej zostają bez zmian. 0,16 USD za obraz.
• spicyapi/face-swap-v1-plus/edit — przenosi twarz i przy okazji uzgadnia odcień skóry między dwoma obrazami; silnik wtapia albo samą twarz, albo całą głowę, zależnie od tego, co wypada lepiej. 0,16 USD za obraz.
• Pierwotne spicyapi/face-swap-v1/edit i spicyapi/head-swap-v1/edit zostają przy 0,013 USD za obraz.

Wideo

• spicyapi/face-swap-video-v1/video-edit — przenosi rysy z jednego zdjęcia referencyjnego na każdą klatkę. Fryzura, zarys głowy, ruch, kostium i światło osoby w kadrze pozostają nietknięte. 0,0325 USD za sekundę materiału.
• spicyapi/head-swap-video-v1/video-edit — zmieniają się włosy, kształt głowy i tożsamość. 0,064 USD za sekundę materiału.
• spicyapi/character-swap-v1/video-edit — zmienia się cała postać, razem z ubraniem. 0,064 USD za sekundę materiału.

Dwa endpointy wideo dla wielu osób są dwuetapowe celowo. Najpierw wywołajcie odpowiadający im video-analyze, 0,08 USD za żądanie: śledzi każdą rozpoznaną osobę przez cały materiał i zwraca po jednej klatce podglądu na osobę, w ustalonej kolejności — pierwszy obraz to pozycja 0, drugi to pozycja 1. Potem podajecie wybrane pozycje i od jednego do trzech zdjęć referencyjnych dla każdej. Nie zostaje nic do zgadywania co do tego, na kogo model zadziała.

Trzy modele xAI, każdy z jednym endpointem chat, wszystkie w formacie OpenAI i ze strumieniowaniem.

• 40% poniżej ceny opublikowanej przez samo xAI, w każdym progu; zweryfikowane na ich stronie cennika 19 września 2026 roku.
• Wartość reasoning_effort: none przyjmuje tylko 4.3. Na 4.5 i 4.6 jest odrzucana po stronie dostawcy; pozostałe cztery poziomy działają na wszystkich trzech.
• 4.5 ma tańsze wejście z pamięci podręcznej niż 4.6 (0,18 USD wobec 0,30 USD za milion tokenów), a poza tym im dorównuje.
• Prompty od 200 000 tokenów rozliczają się według wyższej stawki długiego kontekstu, dokładnie jak u xAI. Tokeny rozumowania wliczają się do max_tokens — zaplanujcie na nie zapas.
• Te trasy przyjmują tekst i obrazy. Nie przyjmują części typu plik ani PDF.

Pięć endpointów obrazowych w rozpiętości cen cztery do jednego — poziom dobiera się do zadania, zamiast płacić najwyższą stawkę za miniaturę.

• bytedance/seedream-4.0/text-to-image i bytedance/seedream-4.0/edit — 0,03 USD za obraz, oba Uncensored. Endpoint edit przyjmuje istniejący obraz i polecenie zapisane słowami.
• krea/2-large/text-to-image — 0,06 USD za obraz, Filtered.
• krea/2-medium/text-to-image — 0,03 USD za obraz, Softened.
• krea/2-medium-turbo/text-to-image — 0,015 USD za obraz, Filtered. Po rodzinie podmian najtańszy endpoint obrazowy w katalogu.

Dwie rzeczy warto wiedzieć przed wyborem. Poziomy Krea różnią się nie tylko ceną, ale i tym, co w ogóle przyjmą: Filtered odrzuca odważniejsze zlecenia wprost, a Softened zwraca wynik złagodzony i mimo to go nalicza — na trasie Softened sprawdzajcie więc wynik, a nie kod statusu. Druga rzecz: rozmiar obrazu nie jest korektą doklejaną po fakcie. Przykładowe uruchomienia na stronie każdego modelu podają dokładny rozmiar, pod jaki napisano kompozycję, bo prompt pomyślany pod kadr pionowy nie daje się po prostu przeskalować na poziomy.

heartmula/transcribe/speech-to-text spisuje śpiewany tekst z pliku audio i zwraca go jako tekst przy zadaniu. Jest dostrojony do wokalu na tle muzyki, a nie do zwykłej mowy.

• Jedno wejście: audio_url, które musi prowadzić wprost do pliku audio. Nie ma nic więcej do wysłania — żadnej podpowiedzi językowej, żadnego żądania znaczników czasu, żadnego przełącznika rozdzielania mówców.
• Wynikiem jest tekst przy zadaniu. Nie powstaje żaden zasób multimedialny, więc nie ma czego pobierać i nic nie wchodzi do okresu przechowywania mediów.
• Bez czasów dla poszczególnych wersów, bez wartości pewności, bez etykiet mówców.
• 0,05 USD za transkrypcję, niezależnie od długości nagrania.

To także pierwszy endpoint w katalogu, którego wyjściem jest tekst, a nie plik. Jeśli wasza integracja zakłada, że każde ukończone zadanie niesie pobieralny zasób, właśnie tutaj to założenie wyjdzie na jaw — warto przed podpięciem zajrzeć do obsługi wyników.