QVeris 模型网关：多模型体验、API 接入与价格指南

QVeris 模型网关是什么？

QVeris 模型网关是连接多家大模型服务的统一接入层。它通过兼容 OpenAI 的 API、QVeris API Key 鉴权和按用量结算的 Credits，为应用提供统一方式，调用已支持的 GPT、Claude、Gemini、DeepSeek、Kimi 等模型。

如果想先在线体验，可以在模型目录查看型号、能力和价格，再进入 Playground 或 QVerisLab 开始任务。QVeris 将模型选择和任务体验集中在一个平台，减少每试一个新模型都要重新寻找入口的麻烦。

对于开发者，只需配置统一的 Base URL 和 QVeris API Key，再按有效模型 ID 选择已开放的模型，就能保留通用客户端代码，减少逐家对接接口的工作。切换时核对各模型支持的能力与参数，即可将合适的模型用于写作、代码处理或资料研究等任务。

不用四处找入口：QVeris 解决哪些使用问题

当问题是“GPT、Claude、Kimi 在哪里体验”时，统一平台可以减少寻找入口和熟悉界面的时间；当问题变成“能不能完成我的工作”时，模型还需要合适的材料、工具和可核对的费用。

如果已经有熟悉的 AI 工作入口，也可以查看QVeris 插件与接入方式，把需要的数据和工具接进去。模型接入与数据工具接入可以按实际需求组合。

模型目录怎么用：查找模型、对比能力与价格

想知道“QVeris 支持哪些模型”“哪个模型适合我的任务”“调用一次大概多少钱”，可以先打开 QVeris 模型目录。页面将找模型、筛选能力、比较价格和后续接入集中在一起，按下面五步即可从浏览型号走到实际使用。

1. 搜索模型名称或供应商

在“搜索模型或供应商”中输入模型名称或版本。例如，本次核实时搜索 Kimi K3.1，会显示 Kimi K3.1 Pro 和 Kimi K3.1 Pro Highspeed。查看名称下方的模型 ID，区分标准版与不同变体；如果只想看某家厂商，也可以直接使用“供应商”筛选。

2. 按任务需求筛选，再选择排序方式

例如，想找输入成本较低的图片理解模型，可以组合选择“视觉”、image，最小上下文填 128000，最高输入价格填 100，再按“输入价格从低到高”排序。需要生成长答案时，可改按“输出价格从低到高”排序；处理长资料时，可按“上下文从大到小”排序。页面也支持按模型名称排序。

3. 模型怎么对比：勾选候选模型，查看能力与价格

1. 打开模型目录，搜索 Kimi K3.1，找到 Pro 和 Pro Highspeed 两个型号；也可以从不同供应商中选择候选模型。
2. 分别勾选候选模型卡片底部的“加入对比”。先选两个便于观察差异，最多可同时选择三个。
3. 回到搜索和排序区域下方，查看“已选模型对比”：每个模型占一列。需要换一组时，可移除模型名称旁的单个选项，或点击“清空对比”重新选择。

例如，本次核实时，Kimi K3.1 Pro 与 Kimi K3.1 Pro Highspeed 的上下文容量和能力标签相同，Highspeed 的输入与输出单价约为 Pro 的两倍，缓存命中输入单价相同。这能帮助识别价格差异；是否适合自己的工作，还需要用同一任务检查实际速度和回答质量。

这里对比的是 QVeris 目录内不同模型的能力和调用单价。若要比较单次任务总成本，应在各模型的成本估算器中填写相同的输入、输出和缓存命中量，再结合测试后的实际用量核对。QVeris 与 OpenRouter、模型官方 API 的跨平台比较，可继续阅读本文“价格与收费”和“网关与官方对比”章节。

4. 打开模型详情，核对能力并估算调用费用

点击模型名称进入详情页，通过“介绍”“价格”“能力”“来源”快速定位内容。先查看完整价格规则，再在“能力与限制”中核对上下文、最大输出、输入与输出类型、支持的 API 操作；页面还会列出当前可用服务渠道。

在“单次调用成本估算”中，分别填写总输入 Token、输出 Token、缓存命中输入 Token。例如填入 10000、1000、4000，即可看到预计 Credits；其中 4,000 个缓存命中 Token 已包含在 10,000 个总输入 Token 内。估算用于选型参考，最终按实际用量和请求开始时生效的价格扣费。需要了解积分对应的货币成本，再查看积分与充值价格。

5. 从详情页进入体验，或查看 API 接入指南

对比并选好候选模型后，可从模型详情进入 Playground，确认所选型号，用自己的任务验证效果。需要附件与连续分析的金融研究，也可以选择 QVerisLab。要接入自己的应用，可参照 API 接入指南配置 QVeris Key 与 Base URL，通过 GET /v1/models 确认可用 ID，再填入请求的 model 字段。

现在可以体验哪些大模型？

截至 2026 年 10 月 25 日，Playground 与 QVerisLab 的模型菜单各显示 59 个条目，涵盖 13 个模型家族，两处列表一致。条目包含不同版本和速度变体。公开模型目录收录 60 项，其中 Muse Spark 1.3 出现在目录中，本次未出现在两个体验菜单里。

需要进一步选择时，可在实时模型目录按能力、输入格式、上下文和价格筛选。菜单可选说明提供了对应入口；具体原生特性是否开放，要看模型详情。通过 API 接入时，请以鉴权后的 GET /v1/models 返回结果为准。

从模型目录到 Playground、QVerisLab 与 API

QVeris 将模型发现、在线体验与应用接入集中在一个平台。先比较能力和成本，再用真实任务验证回答质量、响应速度与用量，就能更有依据地选择模型，减少反复寻找服务入口和熟悉不同工作区的时间。

金融研究可以结合附件、历史对话与分析模式，持续推进财报阅读、公司对比和宏观问题分析。开发者则可以把经过实际任务验证的模型与流程，通过统一 API 接入产品或业务应用，减少逐家对接模型服务的工作。

从写作、代码到资料研究：能完成哪些任务

文案创作、知识解释与代码检查

提供一份产品需求、一段文案或一小段代码，让模型整理内容、解释取舍或指出可能的问题。再用相同材料体验另一个模型，比较事实覆盖、表达质量和可操作性。这样的真实任务更有助于找到适合自己的模型。

长文档阅读与连续追问

处理文档时，先明确要提取决策、假设、待确认问题，还是版本之间的变化，再让模型总结。QVerisLab 的附件入口和历史对话可以承接连续研究，具体以当前支持的格式和限制为准。要求标明证据位置，方便回到原文核对。

结合专业数据工具开展业务研究

财报研究需要已披露报告和一致的期间口径。通过 QVeris 中的 DataSinking，配置好的流程可以定位财报、读取相关章节，再由模型解释经营变化。具体数据路径可参考财报检索与章节阅读指南。

理想产出是一张包含事实、报告期、单位和来源的表格，再附分析解释。找不到的数据应明确标注。想进一步了解单个模型的研究用法，可阅读 Kimi K3.1 Pro 指南。

模型网关怎么用：网页体验与 API 接入

先在网页中体验一个任务

1. 先在模型目录筛选和对比能力、价格，再打开候选模型详情，核对限制并估算费用。
2. 打开 Playground，登录并查看可用 Credits。
3. 从当前菜单中选择模型。需要附件或连续研究时，可进入 QVerisLab。
4. 写清目标、输入材料和希望得到的格式，发送前查看界面可提供的费用信息。
5. 核对回答、来源链接与用量；对比第二个模型时，尽量保持输入材料一致。

通过 API 接入自己的应用

在账户 → API 密钥创建 Key，并保存到环境变量 QVERIS_API_KEY。OpenAI 兼容 Base URL 为 https://aigateway.qveris.ai/v1。先查询模型列表，取得有效的公共 ID：

curl -sS https://aigateway.qveris.ai/v1/models \
  -H "Authorization: Bearer $QVERIS_API_KEY"

将 QVERIS_MODEL_ID 设置为返回列表中支持聊天的模型 ID。下面的 Python 示例使用标准库，并通过 JSON 序列化构造请求：

import json
import os
from urllib.request import Request, urlopen

payload = {
    "model": os.environ["QVERIS_MODEL_ID"],
    "messages": [{"role": "user", "content": "Explain an AI gateway in three points."}],
    "max_tokens": 256,
}
request = Request(
    "https://aigateway.qveris.ai/v1/chat/completions",
    data=json.dumps(payload).encode("utf-8"),
    headers={
        "Authorization": "Bearer " + os.environ["QVERIS_API_KEY"],
        "Content-Type": "application/json",
    },
)
with urlopen(request, timeout=90) as response:
    result = json.load(response)
    print(result["choices"][0]["message"]["content"])
    print(result.get("qveris_billing", {}))
    print("Call ID:", response.headers.get("X-QVeris-Call-ID"))

网关文档还列出 Responses、Anthropic 兼容 Messages 与 embeddings 接口，能否调用取决于模型支持的操作。流式输出、计费事件、错误码和密钥使用方法详见官方网关文档。以上是依据文档整理的接入示例，实际结果与费用取决于执行的请求。

QVeris 怎么收费：模型价格、Credits 与任务成本

费用可以分三层理解：怎样获得 Credits，所选模型怎样消耗 Credits，任务是否还调用了额外工具。模型目录展示实际扣积分单价，定价页展示账户与充值选项，最终条款在结账前确认。

Scale 支持 $1 起充值。购买的充值积分不过期，体验、活动或套餐积分可能适用各自条款。外部 AI 客户端自身的订阅或模型服务费用需要另外计算。

代表型号的调用价格

以下为 2026 年 10 月 25 日价格快照，单位为 Credits／百万 tokens。输入指未命中缓存的输入，缓存命中部分单独计算。部分型号按输入长度分档，请通过模型链接查看完整规则。

GPT-6.1 Sol 从 272,000 输入 tokens 起另列一档：输入 2,100、输出 7,875、缓存命中输入 105 Credits／百万 tokens。DeepSeek 条目当前提示价格取决于请求参数或计费单位；文档示例响应中的价格不应直接当作模型报价。

用同一模型、同一任务比较费用

以 Claude Sonnet 5.5 为例，对照 Anthropic 官方标准 API 和 OpenRouter 的 Anthropic 标准端点。QVeris 的美元折算成本，取决于 Credits 的购买方式。

假设任务使用 100,000 个未缓存输入 tokens 和 5,000 个计费输出 tokens，QVeris 消耗 131.25 Credits：按文档标称换算为 $0.2625；按 $100／52,500 Credits 档位摊算则为 $0.25。后一结果以实际购买该档位并摊算所得积分为前提。

同一示例下，官方 API 与上述 OpenRouter 端点的模型费用均为 $0.25。OpenRouter 定价页另外列出 Standard 5.5%、Business 8% 的平台费用，在购买积分时收取，不逐次附加到模型请求。本例未计入缓存写入、工具、税费、支付费用及其他适用计费项，是单价演算，并非实测账单。

QVeris 与 OpenRouter、其他网关及官方 API 怎么选

QVeris 与 OpenRouter 的差别

OpenRouter 提供广泛的模型目录、Chat、统一 API 与供应商路由能力。QVeris 的使用价值在于把模型发现、网页任务、专业数据工具和研究工作区连接起来。选择时可以先看自己的工作流程需要什么，再比较模型覆盖。

模型的实际渠道也值得查看。GPT-6.1 Sol 详情页当前列出 OpenRouter 上游渠道，Kimi K3.1 Pro 详情页则列出月之暗面。因此不能将 QVeris 与 OpenRouter 视为所有型号上都相互独立的线路，渠道列表也不代表实测可用率。

与其他模型网关怎样比较

Vercel 文档说明 Token 零加价、无 Token 平台费，但部分可选功能和支付处理可能产生其他费用。LiteLLM 仍需要底层推理与运维资源，Portkey 也能通过 MCP 连接外部工具。应按具体能力与总成本比较。

与模型官方 API 相比，应该怎样选

如果主要使用一个模型家族，或需要某项特定的原生功能，可以优先评估官方 API。需要跨模型工作，并希望把数据工具纳入同一使用路径时，QVeris 可以减少重复配置。迁移正式任务前，应核对准确型号、协议、输入长度档位、缓存规则和服务渠道。

价格依据可查看 OpenAI、Anthropic、Gemini 与 Kimi 官方文档。网页会员与 API 用量属于不同产品。更多选型思路见 OpenRouter 替代方案指南。

模型网关常见问题

从一个实际任务开始体验

先选一个范围清晰、结果可以核对的问题。体验模型、检查结果，再决定是否更换模型、加入数据工具或接入应用。把模型入口与任务所需材料放在一个平台，价值就体现在这一条更顺畅的使用路径中。

继续阅读

• 查看当前模型与价格
• 阅读模型网关 API 文档
• 了解 Kimi K3.1 Pro 的能力与任务用法
• 了解统一 LLM API 接入