Arkcli Models

arkcli models

CRITICAL — 开始前 MUST 先用 Read 工具读取 ../arkcli-shared/SKILL.md，其中包含认证闸门、配置排查与命令选择顺序 CRITICAL — 若模型查询服务于 Endpoint 创建，必须先完成 owning Skill 交接：普通创建先用 Read 读取 ../arkcli-deploy/SKILL.md；显式 raw CRUD / CI / 无守卫创建先用 Read 读取 ../arkcli-infer-endpoint/SKILL.md。未读取 owning Skill 前，禁止执行认证检查、模型查询或任何其他命令。 CRITICAL — 所有 models 命令在执行之前，务必先用 Read 工具读取其对应的 reference 文档，禁止直接盲目调用命令。

第 -1 步（硬闸门）：先锁定最终任务的 owning Skill

• 先判断用户最终要做的是“查询模型”，还是把模型用于上游任务；不能因为用户提到 models search 就把模型查询当成最终任务。
• 最终目标是 Endpoint 创建时，本 skill 只能作为只读助手，不能成为 owning Skill：普通创建读取并保留 arkcli-deploy；显式 raw CRUD / CI / 无守卫创建读取并保留 arkcli-infer-endpoint。
• owning Skill 的查询次数、结果上限、停止点和写入边界高于本 skill 的通用流程。完成交接后按 owning Skill 执行；只有纯模型查询才继续本 skill 的第 0 步和通用命令选择。

使用原则

• 模型相关需求优先使用 arkcli models ...
• 这些命令虽然是标准 CLI 类型，但实现入口仍然来自 shortcuts/models/
• 只有产品命令无法覆盖时，才回退到 ../arkcli-api-explorer/SKILL.md
• 本 skill 不是默认兜底入口；用户明确问模型查询、模型资产盘点、模型详情时才作为主路由。若是在为上游 +chat / +gen / Endpoint 创建挑模型，先加载并保留对应上游 skill，本 skill 只提供只读查询。普通 Endpoint 创建的 owning skill 是 arkcli-deploy；显式 raw CRUD / CI / 无守卫的 Endpoint 创建意图必须切换到 arkcli-infer-endpoint，并在查询候选前先加载它
• 语音模型边界：TTS / ASR / 播客 / 音色 / 实时语音交互等语音模型在 arkcli 中只支持广场检索与选型说明；models search 能搜到不代表可 +deploy、可 +code-example、可查 usage 或可查 pricing。除非用户另问官方文档，不要主动给控制台 / OpenAPI / SDK 等非 arkcli 接入步骤或链接。

适用场景

• 用户要搜索、筛选、对比方舟模型
• 用户要查看模型详情、版本、上下文、模态或 lifecycle 状态
• 用户要统计或列出"我的模型"、"自定义模型"、"最近创建的模型"
• 仅 Volc：用户要比较 TTFT/TPOT、首 Token 延迟、持续输出延迟、性能排行、延迟趋势或不同输入长度下的性能
• 上游 +chat / +gen / +deploy 需要先确定可用模型名
• 用户问语音模型是否存在、有哪些语音模型、TTS/ASR 模型在广场叫什么：只回答广场可搜事实和当前 arkcli 不支持后续场景能力的边界

反唤起信号

• 用户只是要直接对话、生成图片/视频或部署 Endpoint：先转对应 skill；缺模型名时可调用本 skill 查询，但不能替代原任务的主路由。Endpoint 普通创建转 arkcli-deploy；只有用户显式指定 raw CRUD / CI / 无守卫创建时转 arkcli-infer-endpoint
• 用户明确要求调用原始 Action、列出 OpenAPI 或构造底层 params：转 arkcli-api-explorer
• 用户问自己的 Endpoint 为什么慢：转 arkcli-doctor；公共榜单不能用于 Endpoint 诊断
• 用户是鉴权、profile、region、base URL 排障：转 arkcli-auth 或 arkcli-config
• 不要把 arkcli models 当默认入口；非模型问题不要先查模型

业务定位

• 本 skill 是其他业务链路的依赖 skill，不是终点 skill
• 它通常服务于三类上游目标：
  • 给 +chat / +gen 找正确模型
  • 给 +deploy 确认可部署模型
  • 给业务排障确认模型详情和版本
• 除非用户明确就是在做模型查询，否则查完模型后应回到原始任务
• 例外：语音模型查询本身就是终点。查到 doubao-seed-tts-*、doubao-seed-asr-*、seedasr-*、播客、音色设计、实时语音交互等广场语音模型后，停在"可搜到但 arkcli 不支持调用/部署/示例/用量/费用"说明，不继续交给 +deploy / +code-example / usage / pricing / onboard，也不主动补非 arkcli 接入路径。

快速决策

精确模型的 API capability 排障

用户已给出完整模型 ID，并要求核对 Responses API 等某个 API capability 时，这是「单模型事实核对」，不是候选搜索：

• 必须用 arkcli models get <model-id> --format json，读取完整 api_support。
• 禁止用 models search 代替；search 是候选发现和重排视图，不是精确模型 API 支持度的最终事实源。
• 在 api_support 数组中按 name / key / path 定位目标 API，只按该项 supported 下结论；项缺失时报告元数据不足。
• 如果实际错误是 access 问题，查询后回到原 owning Skill（如 arkcli-chat）解释「模型声明支持」与「当前 Endpoint / 账号可访问」是两层事实；不用真实调用反复试错。

第 0 步（硬闸门）：先读场景表，再选命令

这是任何"按意图找模型"需求的第一动作，先于 search / list / resources 的命令选择。MUST 先用 Read 打开 references/arkcli-models-scenario-table.md 判定意图是否命中某个场景标签，然后才决定跑什么命令。 这张人工策展的 场景标签 → 推荐模型 表是意图排序的最高权重信号，压过下方一切命名启发式 / modality / capability 过滤。

易被截胡的反例（必读）——下面这些"闻起来像硬指标"的意图，本质是场景标签，必须先查场景表，不要本能地跳到 --capability / --modality 降级线：

命中后按表里 JOIN 协议执行：取推荐模型族名词干 → arkcli models search <族名词干> 回左表校验事实 → 置顶推荐 + 补 2–3 备选。表里的版本/full-id 只是起点，命中以 search 实时返回为准（实测表 id 会陈旧）。

只有这两种情况才跳过场景表、降级到下方 search + 命名启发式：

• 用户给了明确的数值/能力硬约束（"200K 上下文"、"必须支持 functioncall"），且场景表没有对应标签；
• 用户点名第三方 / 开源 / 历史模型（qwen、glm、Seedream 4.5…）——不强行替换。

注意区分："复杂推理"是场景标签（查表 → pro），不等于用户给了 thinking 硬指标。前者走第 0 步，后者才走降级线。

层级边界（重要，别串台）：场景表是"模型广场选型层"，回答"这个意图在广场上选哪个模型"，数据源永远是 models search（catalog）。 它给的是 catalog 推荐模型名（如生图 → doubao-seedream-5-0）。

• "当前 profile 能不能调用、确切可调用 id 是什么"是下游可用性层的事，由 resources list → models get → +gen / +chat 负责（arkcli-gen 已实装），不在本表职责内。
• 因此：用户是纯选型问题（"查/选哪个模型"）→ 只走 models search，不要跑去查 resources list 把"选型"做成"查可用资源"。只有用户真的要生成 / 调用时，才下沉到 resources list 解析本 profile 的真实 id。

这是意图排序线专属。枚举 / 盘点 / 统计是另一条线，走 list，不挂场景表重排。

命令选择

• 用户只知道模糊模型名 / 想按意图找（"最强生视频"、"200K 上下文 LLM"、"支持 thinking 的模型"）：用 search —— 它做关键词模糊 + modality/context/capability 结构化过滤
• 需要按 modality / 分页参数枚举、或精确名匹配：用 list
• 用户问"我的模型"、"自定义模型"、"最近创建了多少"、"列出来"、"统计数量"：这是模型资产盘点，不是找候选模型；先读 references/arkcli-models-list.md，用 arkcli models list --page-all 拉取后做客户端过滤，不要跳到 Raw API Explorer
• 仅 Volc：性能排行、趋势或输入长度对比时，先读 references/arkcli-models-performance.md，再使用 models performance rank、trend 或 input-length
• 已经有明确模型 ID：用 get
• 只是为 +chat / +gen / Endpoint 创建找模型：先保留原任务的 owning skill，再只执行一次有界 models search <keyword> --size 10 --format json（无关键词时省略 <keyword>），从同一次结果形成精简选择列表后立即回原任务；不要改用 list --page-all，也不要逐候选循环 models get
• 用户主动要开通某个基础模型（"先把 doubao-seed-1-6-flash 开通好"、"我想试用 fast-infer 子服务"、"先预览开通请求"）：用 activate，先读 references/arkcli-models-activate.md；如果用户只是要 deploy / 创建端点，由 deploy / infer-create 自行触发隐式开通即可，不要先单独 activate

Agent 快速执行顺序

1. 先确认是否已登录；不确定时先看 arkcli auth status
2. 用户描述带意图（modality / 数值容量 / capability / 缓存类别）时，用 arkcli models search + 对应 flag（--modality、--min-context-window、--capability、--cache-type...）；缓存能力必须看 cache_types，不要使用旧 capabilities.caching
3. 用户只知道模糊名称时，仍用 arkcli models search <keyword>（默认返回全部命中，无分页）
4. 需要按 modality 全量枚举或翻页统计时，用 arkcli models list
5. 用户问"最近 N 天创建的自定义模型/我的模型"时，用 arkcli models list --page-all --sort-by CreateTime --sort-order Desc --format json，再在本地按 create_time、model_type / customization_type / source_type 等字段过滤；不要因为没有时间过滤 flag 就改探 arkcli api --list
6. 已有明确模型 ID，需要详情时，用 arkcli models get
7. 用户明确要开通模型（主动激活，不是为了立刻 deploy）时，用 arkcli models activate <name> [--sub-services ...]；CI 场景加 --yes，本地请求预览用 --dry-run，但不得称为服务端校验
8. 查到 / 激活完模型后，回到发起它的上游链路：+chat / +gen / +deploy

典型业务链路

0. 为数据面命令补全完整模型 ID（必做前置）

+chat / +gen 的 --model 必须是 <name>-<primary_version> 完整形式（或 Endpoint ID ep-xxx）。直接传族名会触发 InvalidEndpointOrModel.NotFound 404。

primary_version 格式不固定，不要用正则自行判断"看起来像完整 ID"。实际观察到的格式分布（~152 个模型中约半数非 6 位）：

两条获取路径，按效率递减：

• 路径 A（高效，复用已有结果）：刚执行过 arkcli models search <keyword> 或 arkcli models list 时，返回 JSON 每个 item 自带 primary_version 字段，Agent 直接读取并拼接 <name>-<primary_version>，无需额外调用。search 还会同步返回 context_window / input_modalities / output_modalities / capabilities / cache_types 等结构化字段（来自 ArkModels enrich），下游可以直接基于此判断模型是否合适，省去再调 get 的成本。
• 路径 B（单独查询）：只知道裸名时，arkcli models get <name> --transform 'primary_version' 直接返回版本号

注意：--transform 输出带 JSON 双引号（如 "251228"），shell 拼接前必须 tr -d '"' 剥掉：

VER=$(arkcli models get doubao-seed-1-8 --transform 'primary_version' | tr -d '"')
# VER=251228  -> full ID: doubao-seed-1-8-251228
# VER=""（空串模型）-> 直接用族名: doubao-seed-tts-2-0
if [ -n "$VER" ]; then
  MODEL="doubao-seed-1-8-$VER"
else
  MODEL="doubao-seed-1-8"
fi
arkcli +chat --model "$MODEL" "你好"

1. 为试用找模型

models search [--modality / --capability ...] -> +chat / +gen

2. 为正式接入找模型

models search [--min-context-window / --capability ...] -> +deploy

3. 按硬指标筛选

# 找最新最强的 200K+ 文本模型，含 thinking 能力
arkcli models search --modality text --min-context-window 200000 --capability thinking --strict-filter

# 找视频生成模型
arkcli models search --modality video --strict-filter

# 找多模态 LLM
arkcli models search --multimodal --output-modality text --strict-filter

--strict-filter 强烈建议带上：默认行为是"缺数据保留"（避免误杀），加 strict 后只返回 100% 满足条件的模型。

常见降级

• 认证失败：转 ../arkcli-auth/SKILL.md
• profile / region 看起来不对：转 ../arkcli-config/SKILL.md
• 业务上只是为了给 +chat、+gen、+deploy 找模型名，应优先完成"查模型后回到原任务"，不要停留在 models 本身

命令一览

命名约定的 tier 启发式（降级兜底：仅在场景表未命中时启用）

优先级口诀：场景表命中(★★★) > 命名启发式(★★，本节) > update_time。 先走「快速决策 第 0 步」的场景表；只有场景表没覆盖该意图、或用户点名第三方/开源/历史模型时，才用本节的命名启发式排序。

search 加 filter 之后通常还会剩多个候选，命名里有规律的 tier 信号可以帮 agent 做最后一步排序。这是启发式，不是硬规则：硬指标（context_window / capabilities / modality）永远优先于命名。

代次（major version）— 优先级最高

2-x > 1-8 > 1-6 > 1-5 > ...

代次跳跃通常强于 tier。例：doubao-seed-2-0-mini 在多数任务上强于 doubao-seed-1-6-pro，因为基座模型代次差距大于尺寸档差距。

tier（同代内的尺寸档）

pro  ≥  无后缀  >  lite  >  flash  >  mini  >  nano

• pro：旗舰，最大尺寸 / 最强能力
• 无后缀（如 doubao-seed-1-8）：主力档，通常 ≈ pro
• lite：成本/性能均衡
• flash：速度优化
• mini / nano：低延迟、高并发、最低成本

specialty 后缀（不参与 tier 比较，按用途选）

-code        → 编程优化（Doubao-Seed-Code 等）
-thinking    → 思考能力强化（更长 reasoning）
-vision      → 视觉理解强化
-character   → 角色扮演 / 长旁白
-translation → 翻译专用
-tts / -voice → 语音合成
-asr         → 语音识别

specialty 模型在它的领域内通常强于同代通用 pro，但跨任务时不可移植。

primary_version 比较的注意事项

• 同一 family 内：日期越新越好（260215 > 251228 > 251015）
• 不同 family 之间：不可数值比较。qwen3-14b-20250429（8 位）和 doubao-seed-1-6-251015（6 位）数值上前者大，但和"哪个强"无关
• 比较"哪个更新"统一用 update_time 字段（ISO 8601，可字典序比较），不要去 parse primary_version

决策口诀

filter (硬指标，必须满足)
   ↓
代次 (2-x > 1-x，跨代差距通常 > 同代 tier 差距)
   ↓
tier (pro > 无后缀 > lite > flash > mini > nano)
   ↓
update_time (同代同 tier 时，新者优先)

排序已经在 search 命令里实装

不用 agent 再做客户端 reorder —— arkcli models search 按"先 family 分组、后组内细排"的两阶段排序：

1. bucket             — keyword 可见性 (name 命中 > desc 命中 > 兜底 > hidden)
   ↓
2. 跨 family：       按 family 的"代表分"排（family 成员中的 max ctx → max update_time → family 名）
   ↓                  → 同 family 的所有成员保持在一起
3. 同 family 内部：  gen DESC → tier DESC → ctx DESC → update_time DESC → name ASC

关键设计：

• family 分组先于细排。doubao-seed 家族（max ctx=262144）整体排在 doubao-seed-character（max ctx=131072）和所有 ctx=null 家族之前。这避免了"同家族的 1-6-vision 比 1-8 还靠前"这种违反传递性的奇怪结果。
• 同 family 内 gen 优先于 ctx。新版本即使 ArkModels 元数据还没补齐（context_window=null），也会浮在已有 ctx 数据的旧版本之前。例：glm-5-1（gen=501, ctx=null）排在 glm-4-6（gen=406, ctx=262144）之前；kimi-k2-6（gen=600, ctx=null）排在 kimi-k2-5（gen=500, ctx=262144）之前。
• 代次优先于 tier。同 family doubao-seed-2-0-mini（gen=200, tier=50）排在 doubao-seed-1-8（gen=108, tier=80）之前 —— 跨代差距通常大于同代 tier 差距。
• 跨 family 不比 gen/tier。pro/lite/mini 是 family 内部命名，跨 family 没有可比性 —— 由 family 代表分（max ctx + max time）决定家族先后。

被打了 体验隐藏 / 推理隐藏 / 广场隐藏 任一标签的旧模型自动沉底（不会被 list/search 屏蔽，但永远在结果末尾）。

说明：体验隐藏 / 推理隐藏 / 广场隐藏 是火山方舟模型平台 customized_tags 中的旧版页面隐藏标签，与本 CLI 命令无关，arkcli 仅读取它们用于排序。

模型生命周期：Shutdown / Retiring / Published

ArkModels 给每个模型打 lifecycle_status，三种值，Search 处理方式不同：

另外，display_name 含 废弃 / 下线 / 已下架 / deprecated 关键词的模型也按 Shutdown 处理（兜底，因为有些遗留模型不在 ArkModels 元数据里，靠人工标记）。

Agent 行为约定：

• 不需要做"过滤掉 Shutdown"的客户端逻辑 —— search 默认已经做了
• 看到 lifecycle_status="Retiring" 的模型时，主动提醒用户它正在下线，并尝试在同 family 里找一个更新版本（用 search + 正确 keyword 即可）

❌ 反模式（agent 必读）

下面这些行为是错的 —— 命令选错会让 agent 拿不到 enrich 数据（context_window / modalities / capabilities）、得不到 hidden 沉底 / 加权重排，进而给出错误推荐。

• ❌ 不要用 list 找模型 —— 找模型（任何"哪个模型/找一个 X 模型"意图）一律走 search。list 不做关键词模糊、不做加权重排、不返回 enrich 字段。
• ❌ 不要用 list --modality video 选生视频模型 —— 用 arkcli models search --modality video --strict-filter，它结合 ArkModels 的 output_modalities 和 task_types 兜底，召回更准且能进一步组合 --min-context-window / --capability 过滤。
• ❌ 不要用 list --modality text 选 LLM —— 同上，用 search --modality text --strict-filter。list --modality text 只看 foundation_model_tag.filter_domains 一层信号，会漏掉很多模型。
• ❌ 不要先 list 再 get 来验证 context_window 等参数 —— search 已经在结果里直接返回 context_window / max_input_tokens / max_completion_tokens，省掉一次 get 调用。
• ❌ 不要为了"看 5 条最热门"而 search 不传 keyword —— 现在不传 keyword 是返回全量 152 条按 UpdateTime 降序，不再是策展热门。需要少量结果用 --size 5。
• ❌ 不要把 lifecycle_status="Retiring" 的模型推荐给用户做新接入 —— 这些虽然还能调，但 vendor 已经标记下线倒计时。看到 Retiring 候选时主动提示并搜更新版本。
• ❌ 不要在 search 上做客户端二次过滤来弥补 list 的不足 —— 直接用 search 自带的 --modality / --min-context-window / --capability flag。
• ❌ 不要为单个 model 信息直接 get 而不试 search —— search <name> 一次返回所有候选 + enrich；只有需要计费/限流/详细能力描述时才用 get。
• ❌ 不要因为 models list 没有服务端时间过滤 flag 就去 arkcli api --list 探 Raw API —— 先 models list --page-all --format json，再用本地 JSON 处理按 create_time 过滤。
• ❌ 不要告诉用户"CLI 没有此能力，请去控制台"，除非已经确认 arkcli models list --help 当前版本确实没有可枚举输出，且本地 JSON 过滤也无法完成用户要的统计。

合法的 list 唯一用途：

• ✓ 按 --modality 做全量穷举/审计（不是为了"找最强"）
• ✓ 需要 total_count 这种统计
• ✓ --name foo 精确匹配（agent 几乎用不到，因为 search 也能命中）
• ✓ 盘点"我的/自定义/最近创建"这类资产清单：用 --page-all 全量拉取，再按字段和时间窗口做客户端过滤

参考

• arkcli-chat -- 查到模型后进入对话 / 推理链路
• arkcli-gen -- 查到图片/视频模型后进入生成链路
• arkcli-deploy -- 查到模型后进入 Endpoint 部署链路
• references/arkcli-models-list.md
• references/arkcli-models-get.md
• references/arkcli-models-search.md
• references/arkcli-models-scenario-table.md -- 场景化推荐表（意图排序最高权重）+ JOIN 验证协议
• references/arkcli-models-activate.md