#模型选择指南

本文介绍 Midscene 支持的模型、两种接入方式，以及默认模型与多模型组合的使用思路。

#支持的模型

Midscene 支持使用这些多模态模型操作界面：豆包 Seed、千问 Qwen、DeepSeek、Google Gemini、OpenAI GPT、月之暗面 Kimi、小米 MiMo、智谱 GLM-V、Jev（实验性），以及其他兼容模型 AutoGLM 和 UI-TARS。

#选择接入方式

Midscene 支持两种模型接入方式，任选一种即可：

• 模型 API Key：使用模型服务商提供的 API Key，接入上面列出的模型。参见使用模型 API Key。
• ChatGPT 订阅：登录并授权 Midscene，使用 ChatGPT 订阅额度调用 GPT 模型；可用模型以你的账号为准。参见使用 ChatGPT 订阅。

#从一个默认模型开始

先配置一个默认多模态模型，用它完成规划、定位和界面理解。这条路径适用于大多数场景。支持的模型和配置示例见使用模型 API Key，也可以选择使用 ChatGPT 订阅。

#使用多模型组合能力应对复杂场景

Midscene 支持组合多个模型来应对复杂场景。一条自动化任务可能同时涉及多步骤规划、精确的元素定位，以及数据提取或结果判断，不同模型在这些能力上的表现各有差异。

你可以在保留默认模型的基础上，增加 Planning、Locate 或 Insight 模型，让不同模型按各自擅长的能力分工，共同完成同一条任务。例如，为包含条件分支的长流程配置更擅长规划的模型，为较难识别的界面元素配置定位模型，或为复杂断言和结构化数据提取配置界面理解模型。

各项职责可以独立配置，无需一次引入全部专用模型；未配置的职责继续使用默认模型：

多模型组合可能增加耗时和 Token 消耗。建议先通过模型调试与可观测性定位问题，再按需配置多个模型。