@lobehub/chat 1.20.8 → 1.21.0

package/locales/zh-CN/models.json

@@ -32,6 +32,39 @@
   "Baichuan4": {
     "description": "模型能力国内第一，在知识百科、长文本、生成创作等中文任务上超越国外主流模型。还具备行业领先的多模态能力，多项权威评测基准表现优异。"
   },
+  "ERNIE-3.5-128K": {
+    "description": "百度自研的旗舰级大规模⼤语⾔模型，覆盖海量中英文语料，具有强大的通用能力，可满足绝大部分对话问答、创作生成、插件应用场景要求；支持自动对接百度搜索插件，保障问答信息时效。"
+  },
+  "ERNIE-3.5-8K": {
+    "description": "百度自研的旗舰级大规模⼤语⾔模型，覆盖海量中英文语料，具有强大的通用能力，可满足绝大部分对话问答、创作生成、插件应用场景要求；支持自动对接百度搜索插件，保障问答信息时效。"
+  },
+  "ERNIE-3.5-8K-Preview": {
+    "description": "百度自研的旗舰级大规模⼤语⾔模型，覆盖海量中英文语料，具有强大的通用能力，可满足绝大部分对话问答、创作生成、插件应用场景要求；支持自动对接百度搜索插件，保障问答信息时效。"
+  },
+  "ERNIE-4.0-8K-Latest": {
+    "description": "百度自研的旗舰级超大规模⼤语⾔模型，相较ERNIE 3.5实现了模型能力全面升级，广泛适用于各领域复杂任务场景；支持自动对接百度搜索插件，保障问答信息时效。"
+  },
+  "ERNIE-4.0-8K-Preview": {
+    "description": "百度自研的旗舰级超大规模⼤语⾔模型，相较ERNIE 3.5实现了模型能力全面升级，广泛适用于各领域复杂任务场景；支持自动对接百度搜索插件，保障问答信息时效。"
+  },
+  "ERNIE-4.0-Turbo-8K": {
+    "description": "百度自研的旗舰级超大规模⼤语⾔模型，综合效果表现出色，广泛适用于各领域复杂任务场景；支持自动对接百度搜索插件，保障问答信息时效。相较于ERNIE 4.0在性能表现上更优秀"
+  },
+  "ERNIE-4.0-Turbo-8K-Preview": {
+    "description": "百度自研的旗舰级超大规模⼤语⾔模型，综合效果表现出色，广泛适用于各领域复杂任务场景；支持自动对接百度搜索插件，保障问答信息时效。相较于ERNIE 4.0在性能表现上更优秀"
+  },
+  "ERNIE-Character-8K": {
+    "description": "百度自研的垂直场景大语言模型，适合游戏NPC、客服对话、对话角色扮演等应用场景，人设风格更为鲜明、一致，指令遵循能力更强，推理性能更优。"
+  },
+  "ERNIE-Lite-Pro-128K": {
+    "description": "百度自研的轻量级大语言模型，兼顾优异的模型效果与推理性能，效果比ERNIE Lite更优，适合低算力AI加速卡推理使用。"
+  },
+  "ERNIE-Speed-128K": {
+    "description": "百度2024年最新发布的自研高性能大语言模型，通用能力优异，适合作为基座模型进行精调，更好地处理特定场景问题，同时具备极佳的推理性能。"
+  },
+  "ERNIE-Speed-Pro-128K": {
+    "description": "百度2024年最新发布的自研高性能大语言模型，通用能力优异，效果比ERNIE Speed更优，适合作为基座模型进行精调，更好地处理特定场景问题，同时具备极佳的推理性能。"
+  },
   "Gryphe/MythoMax-L2-13b": {
     "description": "MythoMax-L2 (13B) 是一种创新模型，适合多领域应用和复杂任务。"
   },
@@ -399,7 +432,10 @@
     "description": "GLM-4-AllTools 是一个多功能智能体模型，优化以支持复杂指令规划与工具调用，如网络浏览、代码解释和文本生成，适用于多任务执行。"
   },
   "glm-4-flash": {
-    "description": "GLM-4-Flash 是处理简单任务的理想选择，速度最快且价格最优惠。"
+    "description": "GLM-4-Flash 是处理简单任务的理想选择，速度最快且免费。"
+  },
+  "glm-4-flashx": {
+    "description": "GLM-4-FlashX 是Flash的增强版本，超快推理速度。"
   },
   "glm-4-long": {
     "description": "GLM-4-Long 支持超长文本输入，适合记忆型任务与大规模文档处理。"
@@ -413,11 +449,11 @@
   "glm-4v-plus": {
     "description": "GLM-4V-Plus 具备对视频内容及多图片的理解能力，适合多模态任务。"
   },
-  "google/gemini-flash-1.5-exp": {
-    "description": "Gemini 1.5 Flash 0827 提供了优化后的多模态处理能力，适用多种复杂任务场景。"
+  "google/gemini-flash-1.5": {
+    "description": "Gemini 1.5 Flash 提供了优化后的多模态处理能力，适用多种复杂任务场景。"
   },
-  "google/gemini-pro-1.5-exp": {
-    "description": "Gemini 1.5 Pro 0827 结合最新优化技术，带来更高效的多模态数据处理能力。"
+  "google/gemini-pro-1.5": {
+    "description": "Gemini 1.5 Pro 结合最新优化技术，带来更高效的多模态数据处理能力。"
   },
   "google/gemma-2-27b-it": {
     "description": "Gemma 2 延续了轻量化与高效的设计理念。"
@@ -491,6 +527,33 @@
   "gryphe/mythomax-l2-13b": {
     "description": "MythoMax l2 13B 是一款合并了多个顶尖模型的创意与智能相结合的语言模型。"
   },
+  "hunyuan-code": {
+    "description": "混元最新代码生成模型，经过 200B 高质量代码数据增训基座模型，迭代半年高质量 SFT 数据训练，上下文长窗口长度增大到 8K，五大语言代码生成自动评测指标上位居前列；五大语言10项考量各方面综合代码任务人工高质量评测上，性能处于第一梯队"
+  },
+  "hunyuan-functioncall": {
+    "description": "混元最新 MOE 架构 FunctionCall 模型，经过高质量的 FunctionCall 数据训练，上下文窗口达 32K，在多个维度的评测指标上处于领先。"
+  },
+  "hunyuan-lite": {
+    "description": "升级为 MOE 结构，上下文窗口为 256k ，在 NLP，代码，数学，行业等多项评测集上领先众多开源模型。"
+  },
+  "hunyuan-pro": {
+    "description": "万亿级参数规模 MOE-32K 长文模型。在各种 benchmark 上达到绝对领先的水平，复杂指令和推理，具备复杂数学能力，支持 functioncall，在多语言翻译、金融法律医疗等领域应用重点优化。"
+  },
+  "hunyuan-role": {
+    "description": "混元最新版角色扮演模型，混元官方精调训练推出的角色扮演模型，基于混元模型结合角色扮演场景数据集进行增训，在角色扮演场景具有更好的基础效果。"
+  },
+  "hunyuan-standard": {
+    "description": "采用更优的路由策略，同时缓解了负载均衡和专家趋同的问题。长文方面，大海捞针指标达到99.9%。MOE-32K 性价比相对更高，在平衡效果、价格的同时，可对实现对长文本输入的处理。"
+  },
+  "hunyuan-standard-256K": {
+    "description": "采用更优的路由策略，同时缓解了负载均衡和专家趋同的问题。长文方面，大海捞针指标达到99.9%。MOE-256K 在长度和效果上进一步突破，极大的扩展了可输入长度。"
+  },
+  "hunyuan-turbo": {
+    "description": "混元全新一代大语言模型的预览版，采用全新的混合专家模型（MoE）结构，相比hunyuan-pro推理效率更快，效果表现更强。"
+  },
+  "hunyuan-vision": {
+    "description": "混元最新多模态模型，支持图片+文本输入生成文本内容。"
+  },
   "internlm/internlm2_5-20b-chat": {
     "description": "创新的开源模型InternLM2.5，通过大规模的参数提高了对话智能。"
   },
@@ -634,6 +697,12 @@
   "meta-llama/llama-3.1-8b-instruct:free": {
     "description": "LLaMA 3.1 提供多语言支持，是业界领先的生成模型之一。"
   },
+  "meta-llama/llama-3.2-11b-vision-instruct": {
+    "description": "LLaMA 3.2 旨在处理结合视觉和文本数据的任务。它在图像描述和视觉问答等任务中表现出色，跨越了语言生成和视觉推理之间的鸿沟。"
+  },
+  "meta-llama/llama-3.2-90b-vision-instruct": {
+    "description": "LLaMA 3.2 旨在处理结合视觉和文本数据的任务。它在图像描述和视觉问答等任务中表现出色，跨越了语言生成和视觉推理之间的鸿沟。"
+  },
   "meta.llama3-1-405b-instruct-v1:0": {
     "description": "Meta Llama 3.1 405B Instruct 是 Llama 3.1 Instruct 模型中最大、最强大的模型，是一款高度先进的对话推理和合成数据生成模型，也可以用作在特定领域进行专业持续预训练或微调的基础。Llama 3.1 提供的多语言大型语言模型 (LLMs) 是一组预训练的、指令调整的生成模型，包括 8B、70B 和 405B 大小 (文本输入/输出)。Llama 3.1 指令调整的文本模型 (8B、70B、405B) 专为多语言对话用例进行了优化，并在常见的行业基准测试中超过了许多可用的开源聊天模型。Llama 3.1 旨在用于多种语言的商业和研究用途。指令调整的文本模型适用于类似助手的聊天，而预训练模型可以适应各种自然语言生成任务。Llama 3.1 模型还支持利用其模型的输出来改进其他模型，包括合成数据生成和精炼。Llama 3.1 是使用优化的变压器架构的自回归语言模型。调整版本使用监督微调 (SFT) 和带有人类反馈的强化学习 (RLHF) 来符合人类对帮助性和安全性的偏好。"
   },
@@ -722,10 +791,10 @@
     "description": "Hermes 2 Pro Llama 3 8B 是 Nous Hermes 2的升级版本，包含最新的内部开发的数据集。"
   },
   "o1-mini": {
-    "description": "o1-mini是一款针对编程、数学和科学应用场景而设计的快速、经济高效的推理模型。该模型具有128K上下文和2023年10月的知识截止日期。"
+    "description": "Smaller, faster, and 80% cheaper than o1-preview, performs well at code generation and small context operations."
   },
   "o1-preview": {
-    "description": "o1是OpenAI新的推理模型，适用于需要广泛通用知识的复杂任务。该模型具有128K上下文和2023年10月的知识截止日期。"
+    "description": "Focused on advanced reasoning and solving complex problems, including math and science tasks. Ideal for applications that require deep contextual understanding and agentic workflows."
   },
   "open-codestral-mamba": {
     "description": "Codestral Mamba是专注于代码生成的Mamba 2语言模型，为先进的代码和推理任务提供强力支持。"

package/locales/zh-CN/providers.json

@@ -30,6 +30,9 @@
   "groq": {
     "description": "Groq 的 LPU 推理引擎在最新的独立大语言模型（LLM）基准测试中表现卓越，以其惊人的速度和效率重新定义了 AI 解决方案的标准。Groq 是一种即时推理速度的代表，在基于云的部署中展现了良好的性能。"
   },
+  "hunyuan": {
+    "description": "由腾讯研发的大语言模型，具备强大的中文创作能力，复杂语境下的逻辑推理能力，以及可靠的任务执行能力"
+  },
   "minimax": {
     "description": "MiniMax 是 2021 年成立的通用人工智能科技公司，致力于与用户共创智能。MiniMax 自主研发了不同模态的通用大模型，其中包括万亿参数的 MoE 文本大模型、语音大模型以及图像大模型。并推出了海螺 AI 等应用。"
   },
@@ -75,6 +78,9 @@
   "upstage": {
     "description": "Upstage 专注于为各种商业需求开发AI模型，包括 Solar LLM 和文档 AI，旨在实现工作的人造通用智能（AGI）。通过 Chat API 创建简单的对话代理，并支持功能调用、翻译、嵌入以及特定领域应用。"
   },
+  "wenxin": {
+    "description": "企业级一站式大模型与AI原生应用开发及服务平台，提供最全面易用的生成式人工智能模型开发、应用开发全流程工具链"
+  },
   "zeroone": {
     "description": "01.AI 专注于AI 2.0时代的人工智能技术，大力推动“人+人工智能”的创新和应用，采用超强大模型和先进AI技术以提升人类生产力，实现技术赋能。"
   },

package/locales/zh-TW/error.json

@@ -81,6 +81,7 @@
     "PluginServerError": "外掛伺服器請求回傳錯誤。請根據下面的錯誤資訊檢查您的外掛描述檔案、外掛設定或伺服器實作",
     "PluginSettingsInvalid": "該外掛需要正確設定後才可以使用。請檢查您的設定是否正確",
     "ProviderBizError": "請求 {{provider}} 服務出錯，請根據以下資訊排查或重試",
+    "QuotaLimitReached": "很抱歉，當前 Token 用量或請求次數已達該金鑰的配額上限，請增加該金鑰的配額或稍後再試",
     "StreamChunkError": "流式請求的消息塊解析錯誤，請檢查當前 API 介面是否符合標準規範，或聯繫你的 API 供應商諮詢",
     "SubscriptionPlanLimit": "您的訂閱額度已用盡，無法使用該功能，請升級到更高的計劃，或購買資源包後繼續使用",
     "UnknownChatFetchError": "很抱歉，遇到未知請求錯誤，請根據以下資訊排查或重試"

package/locales/zh-TW/modelProvider.json

@@ -112,6 +112,26 @@
       "title": "下載指定的 Ollama 模型"
     }
   },
+  "wenxin": {
+    "accessKey": {
+      "desc": "填入百度千帆平台的 Access Key",
+      "placeholder": "千帆 Access Key",
+      "title": "Access Key"
+    },
+    "checker": {
+      "desc": "測試 AccessKey / SecretAccess 是否填寫正確"
+    },
+    "secretKey": {
+      "desc": "填入百度千帆平台 Secret Key",
+      "placeholder": "千帆 Secret Key",
+      "title": "Secret Key"
+    },
+    "unlock": {
+      "customRegion": "自訂服務區域",
+      "description": "輸入你的 AccessKey / SecretKey 即可開始會話。應用不會記錄你的鑑權配置",
+      "title": "使用自訂文心一言鑑權資訊"
+    }
+  },
   "zeroone": {
     "title": "01.AI 零一萬物"
   },

package/locales/zh-TW/models.json

@@ -32,6 +32,39 @@
   "Baichuan4": {
     "description": "模型能力國內第一，在知識百科、長文本、生成創作等中文任務上超越國外主流模型。還具備行業領先的多模態能力，多項權威評測基準表現優異。"
   },
+  "ERNIE-3.5-128K": {
+    "description": "百度自研的旗艦級大規模語言模型，覆蓋海量中英文語料，具有強大的通用能力，可滿足絕大部分對話問答、創作生成、插件應用場景要求；支持自動對接百度搜索插件，保障問答信息時效。"
+  },
+  "ERNIE-3.5-8K": {
+    "description": "百度自研的旗艦級大規模語言模型，覆蓋海量中英文語料，具有強大的通用能力，可滿足絕大部分對話問答、創作生成、插件應用場景要求；支持自動對接百度搜索插件，保障問答信息時效。"
+  },
+  "ERNIE-3.5-8K-Preview": {
+    "description": "百度自研的旗艦級大規模語言模型，覆蓋海量中英文語料，具有強大的通用能力，可滿足絕大部分對話問答、創作生成、插件應用場景要求；支持自動對接百度搜索插件，保障問答信息時效。"
+  },
+  "ERNIE-4.0-8K-Latest": {
+    "description": "百度自研的旗艦級超大規模語言模型，相較ERNIE 3.5實現了模型能力全面升級，廣泛適用於各領域複雜任務場景；支持自動對接百度搜索插件，保障問答信息時效。"
+  },
+  "ERNIE-4.0-8K-Preview": {
+    "description": "百度自研的旗艦級超大規模語言模型，相較ERNIE 3.5實現了模型能力全面升級，廣泛適用於各領域複雜任務場景；支持自動對接百度搜索插件，保障問答信息時效。"
+  },
+  "ERNIE-4.0-Turbo-8K": {
+    "description": "百度自研的旗艦級超大規模語言模型，綜合效果表現出色，廣泛適用於各領域複雜任務場景；支持自動對接百度搜索插件，保障問答信息時效。相較於ERNIE 4.0在性能表現上更優秀。"
+  },
+  "ERNIE-4.0-Turbo-8K-Preview": {
+    "description": "百度自研的旗艦級超大規模語言模型，綜合效果表現出色，廣泛適用於各領域複雜任務場景；支持自動對接百度搜索插件，保障問答信息時效。相較於ERNIE 4.0在性能表現上更優秀。"
+  },
+  "ERNIE-Character-8K": {
+    "description": "百度自研的垂直場景大語言模型，適合遊戲NPC、客服對話、對話角色扮演等應用場景，人設風格更為鮮明、一致，指令遵循能力更強，推理性能更優。"
+  },
+  "ERNIE-Lite-Pro-128K": {
+    "description": "百度自研的輕量級大語言模型，兼顧優異的模型效果與推理性能，效果比ERNIE Lite更優，適合低算力AI加速卡推理使用。"
+  },
+  "ERNIE-Speed-128K": {
+    "description": "百度2024年最新發布的自研高性能大語言模型，通用能力優異，適合作為基座模型進行精調，更好地處理特定場景問題，同時具備極佳的推理性能。"
+  },
+  "ERNIE-Speed-Pro-128K": {
+    "description": "百度2024年最新發布的自研高性能大語言模型，通用能力優異，效果比ERNIE Speed更優，適合作為基座模型進行精調，更好地處理特定場景問題，同時具備極佳的推理性能。"
+  },
   "Gryphe/MythoMax-L2-13b": {
     "description": "MythoMax-L2 (13B) 是一種創新模型，適合多領域應用和複雜任務。"
   },
@@ -401,6 +434,9 @@
   "glm-4-flash": {
     "description": "GLM-4-Flash是處理簡單任務的理想選擇，速度最快且價格最優惠。"
   },
+  "glm-4-flashx": {
+    "description": "GLM-4-FlashX 是 Flash 的增強版本，具備超快的推理速度。"
+  },
   "glm-4-long": {
     "description": "GLM-4-Long支持超長文本輸入，適合記憶型任務與大規模文檔處理。"
   },
@@ -413,11 +449,11 @@
   "glm-4v-plus": {
     "description": "GLM-4V-Plus具備對視頻內容及多圖片的理解能力，適合多模態任務。"
   },
-  "google/gemini-flash-1.5-exp": {
-    "description": "Gemini 1.5 Flash 0827 提供了優化後的多模態處理能力，適用多種複雜任務場景。"
+  "google/gemini-flash-1.5": {
+    "description": "Gemini 1.5 Flash 提供了優化後的多模態處理能力，適用於多種複雜任務場景。"
   },
-  "google/gemini-pro-1.5-exp": {
-    "description": "Gemini 1.5 Pro 0827 結合最新優化技術，帶來更高效的多模態數據處理能力。"
+  "google/gemini-pro-1.5": {
+    "description": "Gemini 1.5 Pro 結合最新的優化技術，帶來更高效的多模態數據處理能力。"
   },
   "google/gemma-2-27b-it": {
     "description": "Gemma 2 延續了輕量化與高效的設計理念。"
@@ -491,6 +527,33 @@
   "gryphe/mythomax-l2-13b": {
     "description": "MythoMax l2 13B 是一款合併了多個頂尖模型的創意與智能相結合的語言模型。"
   },
+  "hunyuan-code": {
+    "description": "混元最新代碼生成模型，經過 200B 高質量代碼數據增訓基座模型，迭代半年高質量 SFT 數據訓練，上下文長窗口長度增大到 8K，五大語言代碼生成自動評測指標上位居前列；五大語言 10 項考量各方面綜合代碼任務人工高質量評測上，性能處於第一梯隊。"
+  },
+  "hunyuan-functioncall": {
+    "description": "混元最新 MOE 架構 FunctionCall 模型，經過高質量的 FunctionCall 數據訓練，上下文窗口達 32K，在多個維度的評測指標上處於領先。"
+  },
+  "hunyuan-lite": {
+    "description": "升級為 MOE 結構，上下文窗口為 256k，在 NLP、代碼、數學、行業等多項評測集上領先眾多開源模型。"
+  },
+  "hunyuan-pro": {
+    "description": "萬億級參數規模 MOE-32K 長文模型。在各種 benchmark 上達到絕對領先的水平，具備複雜指令和推理能力，支持 functioncall，在多語言翻譯、金融法律醫療等領域應用重點優化。"
+  },
+  "hunyuan-role": {
+    "description": "混元最新版角色扮演模型，混元官方精調訓練推出的角色扮演模型，基於混元模型結合角色扮演場景數據集進行增訓，在角色扮演場景具有更好的基礎效果。"
+  },
+  "hunyuan-standard": {
+    "description": "採用更優的路由策略，同時緩解了負載均衡和專家趨同的問題。長文方面，大海撈針指標達到 99.9%。MOE-32K 性價比相對更高，在平衡效果和價格的同時，可實現對長文本輸入的處理。"
+  },
+  "hunyuan-standard-256K": {
+    "description": "採用更優的路由策略，同時緩解了負載均衡和專家趨同的問題。長文方面，大海撈針指標達到 99.9%。MOE-256K 在長度和效果上進一步突破，極大地擴展了可輸入長度。"
+  },
+  "hunyuan-turbo": {
+    "description": "混元全新一代大語言模型的預覽版，採用全新的混合專家模型（MoE）結構，相較於 hunyuan-pro 推理效率更快，效果表現更強。"
+  },
+  "hunyuan-vision": {
+    "description": "混元最新多模態模型，支持圖片 + 文本輸入生成文本內容。"
+  },
   "internlm/internlm2_5-20b-chat": {
     "description": "創新的開源模型InternLM2.5，通過大規模的參數提高了對話智能。"
   },
@@ -634,6 +697,12 @@
   "meta-llama/llama-3.1-8b-instruct:free": {
     "description": "LLaMA 3.1 提供多語言支持，是業界領先的生成模型之一。"
   },
+  "meta-llama/llama-3.2-11b-vision-instruct": {
+    "description": "LLaMA 3.2 旨在處理結合視覺和文本數據的任務。它在圖像描述和視覺問答等任務中表現出色，跨越了語言生成和視覺推理之間的鴻溝。"
+  },
+  "meta-llama/llama-3.2-90b-vision-instruct": {
+    "description": "LLaMA 3.2 旨在處理結合視覺和文本數據的任務。它在圖像描述和視覺問答等任務中表現出色，跨越了語言生成和視覺推理之間的鴻溝。"
+  },
   "meta.llama3-1-405b-instruct-v1:0": {
     "description": "Meta Llama 3.1 405B Instruct 是 Llama 3.1 Instruct 模型中最大、最強大的模型，是一款高度先進的對話推理和合成數據生成模型，也可以用作在特定領域進行專業持續預訓練或微調的基礎。Llama 3.1 提供的多語言大型語言模型 (LLMs) 是一組預訓練的、指令調整的生成模型，包括 8B、70B 和 405B 大小 (文本輸入/輸出)。Llama 3.1 指令調整的文本模型 (8B、70B、405B) 專為多語言對話用例進行了優化，並在常見的行業基準測試中超過了許多可用的開源聊天模型。Llama 3.1 旨在用於多種語言的商業和研究用途。指令調整的文本模型適用於類似助手的聊天，而預訓練模型可以適應各種自然語言生成任務。Llama 3.1 模型還支持利用其模型的輸出來改進其他模型，包括合成數據生成和精煉。Llama 3.1 是使用優化的變壓器架構的自回歸語言模型。調整版本使用監督微調 (SFT) 和帶有人類反饋的強化學習 (RLHF) 來符合人類對幫助性和安全性的偏好。"
   },

package/locales/zh-TW/providers.json

@@ -30,6 +30,9 @@
   "groq": {
     "description": "Groq 的 LPU 推理引擎在最新的獨立大語言模型（LLM）基準測試中表現卓越，以其驚人的速度和效率重新定義了 AI 解決方案的標準。Groq 是一種即時推理速度的代表，在基於雲的部署中展現了良好的性能。"
   },
+  "hunyuan": {
+    "description": "由騰訊研發的大語言模型，具備強大的中文創作能力、複雜語境下的邏輯推理能力，以及可靠的任務執行能力"
+  },
   "minimax": {
     "description": "MiniMax 是 2021 年成立的通用人工智慧科技公司，致力於與用戶共創智能。MiniMax 自主研發了不同模態的通用大模型，其中包括萬億參數的 MoE 文本大模型、語音大模型以及圖像大模型。並推出了海螺 AI 等應用。"
   },
@@ -75,6 +78,9 @@
   "upstage": {
     "description": "Upstage 專注於為各種商業需求開發 AI 模型，包括 Solar LLM 和文檔 AI，旨在實現工作的人工通用智能（AGI）。通過 Chat API 創建簡單的對話代理，並支持功能調用、翻譯、嵌入以及特定領域應用。"
   },
+  "wenxin": {
+    "description": "企業級一站式大模型與AI原生應用開發及服務平台，提供最全面易用的生成式人工智慧模型開發、應用開發全流程工具鏈"
+  },
   "zeroone": {
     "description": "01.AI 專注於 AI 2.0 時代的人工智慧技術，大力推動「人+人工智慧」的創新和應用，採用超強大模型和先進 AI 技術以提升人類生產力，實現技術賦能。"
   },

package/package.json

@@ -1,6 +1,6 @@
 {
   "name": "@lobehub/chat",
-  "version": "1.20.8",
+  "version": "1.21.0",
   "description": "Lobe Chat - an open-source, high-performance chatbot framework that supports speech synthesis, multimodal, and extensible Function Call plugin system. Supports one-click free deployment of your private ChatGPT/LLM web application.",
   "keywords": [
     "framework",
@@ -108,6 +108,7 @@
     "@aws-sdk/s3-request-presigner": "^3.637.0",
     "@azure/core-rest-pipeline": "1.16.0",
     "@azure/openai": "1.0.0-beta.12",
+    "@baiducloud/qianfan": "^0.1.9",
     "@cfworker/json-schema": "^2.0.0",
     "@clerk/localizations": "^3.0.4",
     "@clerk/nextjs": "^5.3.3",
@@ -120,7 +121,7 @@
     "@langchain/community": "^0.2.31",
     "@lobehub/chat-plugin-sdk": "^1.32.4",
     "@lobehub/chat-plugins-gateway": "^1.9.0",
-    "@lobehub/icons": "^1.33.7",
+    "@lobehub/icons": "^1.34.2",
     "@lobehub/tts": "^1.24.3",
     "@lobehub/ui": "^1.150.3",
     "@neondatabase/serverless": "^0.9.4",

package/src/app/(main)/settings/llm/ProviderList/Wenxin/index.tsx

@@ -0,0 +1,46 @@
+'use client';
+
+import { Wenxin } from '@lobehub/icons';
+import { Input } from 'antd';
+import { useTranslation } from 'react-i18next';
+
+import { WenxinProviderCard } from '@/config/modelProviders';
+import { GlobalLLMProviderKey } from '@/types/user/settings';
+
+import { KeyVaultsConfigKey } from '../../const';
+import { ProviderItem } from '../../type';
+
+const providerKey: GlobalLLMProviderKey = 'wenxin';
+
+export const useWenxinProvider = (): ProviderItem => {
+  const { t } = useTranslation('modelProvider');
+
+  return {
+    ...WenxinProviderCard,
+    apiKeyItems: [
+      {
+        children: (
+          <Input.Password
+            autoComplete={'new-password'}
+            placeholder={t(`${providerKey}.accessKey.placeholder`)}
+          />
+        ),
+        desc: t(`${providerKey}.accessKey.desc`),
+        label: t(`${providerKey}.accessKey.title`),
+        name: [KeyVaultsConfigKey, providerKey, 'accessKey'],
+      },
+      {
+        children: (
+          <Input.Password
+            autoComplete={'new-password'}
+            placeholder={t(`${providerKey}.secretKey.placeholder`)}
+          />
+        ),
+        desc: t(`${providerKey}.secretKey.desc`),
+        label: t(`${providerKey}.secretKey.title`),
+        name: [KeyVaultsConfigKey, providerKey, 'secretKey'],
+      },
+    ],
+    title: <Wenxin.Combine size={32} type={'color'} />,
+  };
+};

package/src/app/(main)/settings/llm/ProviderList/providers.tsx

@@ -33,6 +33,7 @@ import { useBedrockProvider } from './Bedrock';
 import { useGithubProvider } from './Github';
 import { useOllamaProvider } from './Ollama';
 import { useOpenAIProvider } from './OpenAI';
+import { useWenxinProvider } from './Wenxin';
 
 export const useProviderList = (): ProviderItem[] => {
   const AzureProvider = useAzureProvider();
@@ -40,6 +41,7 @@ export const useProviderList = (): ProviderItem[] => {
   const OpenAIProvider = useOpenAIProvider();
   const BedrockProvider = useBedrockProvider();
   const GithubProvider = useGithubProvider();
+  const WenxinProvider = useWenxinProvider();
 
   return useMemo(
     () => [
@@ -61,6 +63,7 @@ export const useProviderList = (): ProviderItem[] => {
       Ai21ProviderCard,
       UpstageProviderCard,
       QwenProviderCard,
+      WenxinProvider,
       HunyuanProviderCard,
       SparkProviderCard,
       ZhiPuProviderCard,
@@ -73,6 +76,6 @@ export const useProviderList = (): ProviderItem[] => {
       TaichuProviderCard,
       SiliconCloudProviderCard,
     ],
-    [AzureProvider, OllamaProvider, OpenAIProvider, BedrockProvider, GithubProvider],
+    [AzureProvider, OllamaProvider, OpenAIProvider, BedrockProvider, GithubProvider,WenxinProvider],
   );
 };

package/src/app/api/chat/agentRuntime.test.ts

@@ -25,6 +25,7 @@ import {
 } from '@/libs/agent-runtime';
 import { AgentRuntime } from '@/libs/agent-runtime';
 import { LobeStepfunAI } from '@/libs/agent-runtime/stepfun';
+import LobeWenxinAI from '@/libs/agent-runtime/wenxin';
 
 import { initAgentRuntimeWithUserPayload } from './agentRuntime';
 
@@ -54,6 +55,9 @@ vi.mock('@/config/llm', () => ({
     TOGETHERAI_API_KEY: 'test-togetherai-key',
     QWEN_API_KEY: 'test-qwen-key',
     STEPFUN_API_KEY: 'test-stepfun-key',
+
+    WENXIN_ACCESS_KEY: 'test-wenxin-access-key',
+    WENXIN_SECRET_KEY: 'test-wenxin-secret-key',
   })),
 }));
 
@@ -202,6 +206,16 @@ describe('initAgentRuntimeWithUserPayload method', () => {
       expect(runtime['_runtime']).toBeInstanceOf(LobeStepfunAI);
     });
 
+    it.skip('Wenxin AI provider: with apikey', async () => {
+      const jwtPayload: JWTPayload = {
+        wenxinAccessKey: 'user-wenxin-accessKey',
+        wenxinSecretKey: 'wenxin-secret-key',
+      };
+      const runtime = await initAgentRuntimeWithUserPayload(ModelProvider.Wenxin, jwtPayload);
+      expect(runtime).toBeInstanceOf(AgentRuntime);
+      expect(runtime['_runtime']).toBeInstanceOf(LobeWenxinAI);
+    });
+
     it('Unknown Provider: with apikey and endpoint, should initialize to OpenAi', async () => {
       const jwtPayload: JWTPayload = {
         apiKey: 'user-unknown-key',
@@ -339,6 +353,13 @@ describe('initAgentRuntimeWithUserPayload method', () => {
       expect(runtime['_runtime']).toBeInstanceOf(LobeTogetherAI);
     });
 
+    it.skip('Wenxin AI provider: without apikey', async () => {
+      const jwtPayload = {};
+      const runtime = await initAgentRuntimeWithUserPayload(ModelProvider.Wenxin, jwtPayload);
+      expect(runtime).toBeInstanceOf(AgentRuntime);
+      expect(runtime['_runtime']).toBeInstanceOf(LobeWenxinAI);
+    });
+
     it('Unknown Provider', async () => {
       const jwtPayload = {};
       const runtime = await initAgentRuntimeWithUserPayload('unknown', jwtPayload);

package/src/app/api/chat/wenxin/route.test.ts

@@ -0,0 +1,27 @@
+// @vitest-environment edge-runtime
+import { describe, expect, it, vi } from 'vitest';
+
+import { POST as UniverseRoute } from '../[provider]/route';
+import { POST, runtime } from './route';
+
+// 模拟 '../[provider]/route'
+vi.mock('../[provider]/route', () => ({
+  POST: vi.fn().mockResolvedValue('mocked response'),
+}));
+
+describe('Configuration tests', () => {
+  it('should have runtime set to "edge"', () => {
+    expect(runtime).toBe('nodejs');
+  });
+});
+
+describe('Wenxin POST function tests', () => {
+  it('should call UniverseRoute with correct parameters', async () => {
+    const mockRequest = new Request('https://example.com', { method: 'POST' });
+    await POST(mockRequest);
+    expect(UniverseRoute).toHaveBeenCalledWith(mockRequest, {
+      createRuntime: expect.anything(),
+      params: { provider: 'wenxin' },
+    });
+  });
+});

package/src/app/api/chat/wenxin/route.ts

@@ -0,0 +1,30 @@
+import { getLLMConfig } from '@/config/llm';
+import { AgentRuntime } from '@/libs/agent-runtime';
+import LobeWenxinAI from '@/libs/agent-runtime/wenxin';
+
+import { POST as UniverseRoute } from '../[provider]/route';
+
+export const runtime = 'nodejs';
+
+export const maxDuration = 30;
+
+export const POST = async (req: Request) =>
+  UniverseRoute(req, {
+    createRuntime: (payload) => {
+      const { WENXIN_ACCESS_KEY, WENXIN_SECRET_KEY } = getLLMConfig();
+      let accessKey: string | undefined = WENXIN_ACCESS_KEY;
+      let secretKey: string | undefined = WENXIN_SECRET_KEY;
+
+      // if the payload has the api key, use user
+      if (payload.apiKey) {
+        accessKey = payload?.wenxinAccessKey;
+        secretKey = payload?.wenxinSecretKey;
+      }
+
+      const params = { accessKey, secretKey };
+      const instance = new LobeWenxinAI(params);
+
+      return new AgentRuntime(instance);
+    },
+    params: { provider: 'wenxin' },
+  });

package/src/app/api/errorResponse.ts

@@ -16,6 +16,10 @@ const getStatus = (errorType: ILobeAgentRuntimeErrorType | ErrorType) => {
       return 403;
     }
 
+    case AgentRuntimeErrorType.QuotaLimitReached: {
+      return 429;
+    }
+
     // define the 471~480 as provider error
     case AgentRuntimeErrorType.AgentRuntimeError: {
       return 470;

package/src/config/llm.ts

@@ -80,6 +80,10 @@ export const getLLMConfig = () => {
       AWS_SECRET_ACCESS_KEY: z.string().optional(),
       AWS_SESSION_TOKEN: z.string().optional(),
 
+      ENABLED_WENXIN: z.boolean(),
+      WENXIN_ACCESS_KEY: z.string().optional(),
+      WENXIN_SECRET_KEY: z.string().optional(),
+
       ENABLED_OLLAMA: z.boolean(),
       OLLAMA_PROXY_URL: z.string().optional(),
       OLLAMA_MODEL_LIST: z.string().optional(),
@@ -198,6 +202,10 @@ export const getLLMConfig = () => {
       AWS_SECRET_ACCESS_KEY: process.env.AWS_SECRET_ACCESS_KEY,
       AWS_SESSION_TOKEN: process.env.AWS_SESSION_TOKEN,
 
+      ENABLED_WENXIN: !!process.env.WENXIN_ACCESS_KEY && !!process.env.WENXIN_SECRET_KEY,
+      WENXIN_ACCESS_KEY: process.env.WENXIN_ACCESS_KEY,
+      WENXIN_SECRET_KEY: process.env.WENXIN_SECRET_KEY,
+
       ENABLED_OLLAMA: process.env.ENABLED_OLLAMA !== '0',
       OLLAMA_PROXY_URL: process.env.OLLAMA_PROXY_URL || '',
       OLLAMA_MODEL_LIST: process.env.OLLAMA_MODEL_LIST,

package/src/config/modelProviders/index.ts

@@ -27,6 +27,7 @@ import StepfunProvider from './stepfun';
 import TaichuProvider from './taichu';
 import TogetherAIProvider from './togetherai';
 import UpstageProvider from './upstage';
+import WenxinProvider from './wenxin';
 import ZeroOneProvider from './zeroone';
 import ZhiPuProvider from './zhipu';
 
@@ -59,6 +60,7 @@ export const LOBE_DEFAULT_MODEL_LIST: ChatModelCard[] = [
   SparkProvider.chatModels,
   Ai21Provider.chatModels,
   HunyuanProvider.chatModels,
+  WenxinProvider.chatModels,
 ].flat();
 
 export const DEFAULT_MODEL_PROVIDER_LIST = [
@@ -80,6 +82,7 @@ export const DEFAULT_MODEL_PROVIDER_LIST = [
   Ai21Provider,
   UpstageProvider,
   QwenProvider,
+  WenxinProvider,
   HunyuanProvider,
   SparkProvider,
   ZhiPuProvider,
@@ -129,5 +132,6 @@ export { default as StepfunProviderCard } from './stepfun';
 export { default as TaichuProviderCard } from './taichu';
 export { default as TogetherAIProviderCard } from './togetherai';
 export { default as UpstageProviderCard } from './upstage';
+export { default as WenxinProviderCard } from './wenxin';
 export { default as ZeroOneProviderCard } from './zeroone';
 export { default as ZhiPuProviderCard } from './zhipu';