Cloudflare Workers AI 模型選型指南：依用途、價格與 context 挑模型

TL;DR Workers AI 目錄目前 84 個模型。通用對話選 glm-4.7-flash（$0.06 / $0.40 per M、131K context），要 vision 選 gemma-4-26b-a4b-it（$0.10 / $0.30、256K），極省成本選 granite-4.0-h-micro（$0.017 / $0.112），embedding 選 qwen3-embedding-0.6b 或 bge-m3（同為 $0.012 per M）。這篇會定期跟著官方目錄更新。

#cloudflare-workers-ai #llm #pricing #embedding #cloudflare-workers

一分鐘結論
先看懂 model ID
文字生成：三個層級
Embedding 與 rerank
圖片、語音與其他
計費：Neurons 與免費額度
模型會消失：把 model ID 收斂成一個常數
選型流程
這篇怎麼更新
更新紀錄
參考資料

系列: Cloudflare 邊緣tech stack (8 / 4)

🌏 English version

Workers AI 的模型目錄換得很快。上一次大規模汰換是 2026-05-30，一口氣把 18 個 model ID 標為 deprecated，包含 Llama 2 / 3 / 3.1 全系列、Mistral 7B 與 Gemma 3 12B。注意官方用字是 will be deprecated 而不是移除——這些模型的文件頁與定價至今仍在，所以舊教學不一定當天就壞，但它們已經在退場軌道上，不該再拿來起新專案。這個日期本身也是從 2026-05-10 延後過來的，會再變。

這篇是一份對照表，照官方模型目錄與定價頁整理，會持續更新。

快照時間：2026-08-18。官方模型目錄頁標示 Last updated 2026-08-12，共 84 個模型；定價頁 Last updated 2026-08-18。

所有 context window 與價格都取自各模型的官方模型頁，不是原始模型的規格——同一個開源模型在 Workers AI 上的 context window 常常被裁短（gemma-3-12b-it 原生 128K，在 Workers AI 上是 80,000 tokens）。

一分鐘結論

需求	選這個	價格（in / out per M tokens）
通用對話、RAG 生成	`@cf/zai-org/glm-4.7-flash`	$0.06 / $0.40
需要看圖	`@cf/google/gemma-4-26b-a4b-it`	$0.10 / $0.30
分類、路由、抽欄位（極省）	`@cf/ibm-granite/granite-4.0-h-micro`	$0.017 / $0.112
推理密集	`@cf/openai/gpt-oss-120b`	$0.35 / $0.75
Agentic / coding（需付費方案）	`@cf/moonshotai/kimi-k2.7-code`	$0.95 / $4.00
Embedding	`@cf/qwen/qwen3-embedding-0.6b` 或 `@cf/baai/bge-m3`	$0.012（僅 input）
Rerank	`@cf/baai/bge-reranker-base`	$0.003
圖片生成	`@cf/black-forest-labs/flux-2-klein-4b`	$0.000059 / 輸入 512×512 tile
語音轉文字（批次）	`@cf/openai/whisper-large-v3-turbo`	$0.0005 / 音訊分鐘

目錄頁上 Cloudflare 自己置頂（Pinned）了四個：kimi-k2.7-code、glm-4.7-flash、gpt-oss-120b、llama-4-scout-17b-16e-instruct。這四個大致代表官方目前想推的組合。

先看懂 model ID

模型 ID 的格式是 @cf/<發布者>/<模型名>，後面那串命名幾乎都在講架構，看懂能省掉查文件的時間：

@cf/google/gemma-4-26b-a4b-it
 │      │      │    │   │   └── it = instruction tuned，對話用；沒有 -it 的是 base model
 │      │      │    │   └────── a4b = active 4 billion，MoE 每次推論只啟動 4B
 │      │      │    └────────── 26b = 總參數 26 billion
 │      │      └─────────────── 模型家族與世代
 │      └────────────────────── 發布者（google / meta / qwen / zai-org / moonshotai ...）
 └───────────────────────────── @cf = Cloudflare 自家託管；少數舊模型是 @hf（Hugging Face）

其他常見後綴：

後綴	意思	影響
`-it` / `-instruct`	指令微調版	沒有這個後綴的 base model 不適合直接對話
`-fp8` / `-awq` / `-int8`	量化精度	便宜、快，品質略降。fp8 折衷最好，int4（awq）最激進
`a3b` / `a4b` / `a12b`	MoE 的 active 參數量	決定實際推論成本與速度，不是總參數量
`-fast`	Cloudflare 的加速部署版	值得注意：2026-05-30 汰換時 `-fast` 與 `-lora` 變體沒被砍
`-lora`	可掛 LoRA adapter 的 base	搭配 Workers AI 的 fine-tune 功能用

MoE（Mixture-of-Experts）在這份目錄裡已經是主流：Gemma 4、Llama 4 Scout、Qwen3-30B、Nemotron 3、Moondream 3.1 全是。它的意義是「總參數決定聰明程度，active 參數決定你付多少錢跟等多久」——gemma-4-26b-a4b-it 用 26B 的知識量跑出接近 4B 的速度，這是它比舊的 dense 12B 模型又快又好又便宜的原因。

文字生成：三個層級

第一層：日常主力（不需付費方案）

模型	Context	in / out per M	能力
glm-4.7-flash	131,072	$0.06 / $0.40	Function calling、Reasoning
gemma-4-26b-a4b-it	256,000	$0.10 / $0.30	Function calling、Reasoning、Vision
granite-4.0-h-micro	131,000	$0.017 / $0.112	Function calling
qwen3-30b-a3b-fp8	32,768	$0.051 / $0.335	Function calling、Reasoning、Batch
llama-4-scout-17b-16e-instruct	131,000	$0.27 / $0.85	Function calling、Vision、Batch
mistral-small-3.1-24b-instruct	128,000	$0.351 / $0.555	Function calling

這六個分別是什麼：

glm-4.7-flash（智譜 / Z.ai）— 中國智譜 AI 的 GLM 系列輕量版。官方描述是「Optimized for dialogue, instruction-following, and multi-turn tool calling across 100+ languages」，主打多語言對話與多輪工具呼叫。中文（含繁體）是它的強項語言之一。
gemma-4-26b-a4b-it（Google）— Gemma 是 Google 用 Gemini 研究成果做的開放模型家族，第 4 代官方定位是「built from Gemini 3 research to maximize intelligence-per-parameter」。26B 總參數、4B active 的 MoE，是這一層唯一同時有 vision、reasoning 與 function calling 的。
granite-4.0-h-micro（IBM）— IBM 的企業取向開放模型，官方明講設計目標是 RAG、multi-agent workflow 與邊緣部署，並強調 instruction following 與 function calling 的表現。「h-micro」是 Granite 4.0 家族裡的混合架構最小尺寸。
qwen3-30b-a3b-fp8（阿里 Qwen）— 通義千問第三代的 MoE 版，30B 總參數 / 3B active，再做 fp8 量化。中文能力強、支援 Batch API，但 context 只有 32,768。
llama-4-scout-17b-16e-instruct（Meta）— Llama 4 系列裡最小的 Scout，17B 參數配 16 個 expert，原生多模態（不是外掛視覺模組）。是這一層少數支援 Batch API 的模型。
mistral-small-3.1-24b-instruct（法國 Mistral AI）— 24B dense 模型，歐洲陣營的代表。有個要注意的落差：官方模型描述說它「adds state-of-the-art vision understanding」，但目錄的能力標籤只掛了 Function calling，沒有 Vision 標籤——要用視覺功能前先自己測。

預設選 glm-4.7-flash。 它是這一層裡輸入端最便宜、又同時具備 function calling 與 131K context 的一個，官方描述寫「Optimized for dialogue, instruction-following, and multi-turn tool calling across 100+ languages」，繁體中文在這 100+ 語言裡面。

輸出量大就換 gemma-4-26b-a4b-it。 兩者的價格結構是反的：GLM 是 $0.06 進 / $0.40 出，Gemma 4 是 $0.10 進 / $0.30 出。RAG 場景輸入通常遠大於輸出（塞了一堆檢索文件、只回三百字），GLM 划算；反過來要產長文，Gemma 4 便宜。Gemma 4 還多了 vision 與 256K context。

granite-4.0-h-micro 是被低估的一個。 $0.017 / $0.112 是這一層最便宜的，但仍有 function calling 與 131K context。做意圖分類、query 改寫、欄位抽取這種「量大、每次都短、不需要文采」的 pipeline step，用它跑比用主力模型跑省一個數量級。

qwen3-30b-a3b-fp8 的 32,768 context 是這層唯一的短板，塞不下大量檢索文件，選之前先算一下你的 context 預算。

第二層：推理與長 context

模型	Context	in / out per M	備註
gpt-oss-120b	128,000	$0.35 / $0.75	官方定位 production、high reasoning
gpt-oss-20b	128,000	$0.20 / $0.30	低延遲版
nemotron-3-120b-a12b	256,000	$0.50 / $1.50	NVIDIA，主打 multi-agent
deepseek-r1-distill-qwen-32b	—	$0.497 / $4.881	舊世代蒸餾推理模型，輸出很貴
qwq-32b	—	$0.66 / $1.00	同上世代

gpt-oss-120b / gpt-oss-20b（OpenAI）— OpenAI 少見的開放權重模型，官方定位是「powerful reasoning, agentic tasks, and versatile developer use cases」，120b 給生產環境的高推理需求，20b 給低延遲與特化場景。
nemotron-3-120b-a12b（NVIDIA）— NVIDIA 自家的 Nemotron 3 Super，hybrid MoE 架構（120B 總 / 12B active），官方主打 multi-agent 應用與 agentic AI 系統的準確度。
deepseek-r1-distill-qwen-32b（DeepSeek）— 把 DeepSeek-R1 的推理能力蒸餾到 Qwen2.5 32B 上的產物，是 2025 年那波「推理模型平民化」的代表作，現在主要是歷史意義。
qwq-32b（Qwen）— Qwen 系列的推理特化模型，同世代產物，發表時拿來比較的對象是 DeepSeek-R1 與 o1-mini。

gpt-oss-20b 值得單獨提：$0.20 / $0.30 拿到 128K context 加 reasoning 加 function calling，輸出端比 glm-4.7-flash 的 $0.40 還便宜。要產長輸出又需要推理能力時，它常常是最佳解。

deepseek-r1-distill-qwen-32b 的 $4.881 輸出價是整個目錄裡最貴的幾個之一，比 gpt-oss-120b 貴 6.5 倍。它是早期推理模型的定價，現在沒什麼理由選它。

第三層：Frontier（需要付費方案）

定價頁明講：

Some models require a paid billing method. This applies to @cf/moonshotai/kimi-k2.6, @cf/moonshotai/kimi-k2.7-code, @cf/zai-org/glm-5.2, @cf/deepseek-ai/deepseek-v4-flash-0731, and @cf/deepseek-ai/deepseek-v4-pro-0813.

Workers Free 方案打這五個會失敗，要 Workers Paid 或預付的 AI Gateway credits。

模型	Context	in / cached in / out per M
kimi-k2.7-code	262,100	$0.95 / $0.19 / $4.00
kimi-k2.6	262,100	$0.95 / $0.16 / $4.00
deepseek-v4-flash-0731	1,048,576	$0.44 / $0.014 / $1.32
deepseek-v4-pro-0813	—	$1.32 / $0.044 / $3.96
glm-5.2	262,144	$1.40 / $0.26 / $4.40

這一層是什麼：

kimi-k2.6 / kimi-k2.7-code（月之暗面 Moonshot AI）— 1T 參數的開源前沿模型，262K context、多輪工具呼叫、視覺輸入、結構化輸出，官方定位就是 agentic workload。k2.7-code 是同架構的 coding 特化版，也是目錄首位的 Pinned 模型。
deepseek-v4-flash-0731 / deepseek-v4-pro-0813（DeepSeek）— V4 世代分 Flash 與 Pro 兩檔，Flash 是快速版、Pro 是高階版。要注意 deepseek-v4-pro-0813 在官方目錄裡的描述欄目前還是佔位字串（就寫「deepseek-ai/deepseek-v4-pro-0813」），沒有實質說明。
glm-5.2（智譜 / Z.ai）— 官方描述只有一句「Z.ai's flagship agentic coding model」，是 GLM 系列的旗艦 coding 模型，跟同門的 glm-4.7-flash 差了一個量級的定位與價格（輸入貴 23 倍）。

這一層才有 cached input 定價，而且折扣幅度差很多：DeepSeek V4 Flash 的 cached input 是 $0.014，相對一般 input 的 $0.44 是 1/31；Kimi K2.6 的 $0.16 對 $0.95 只有 1/6。多輪對話或反覆送同一份長 prompt 時，這個比例直接決定帳單。要吃到快取，記得送 x-session-affinity header 把請求導回同一個模型實例（見官方 Prompt caching 文件）。

deepseek-v4-flash-0731 的 1,048,576 tokens 是目錄裡唯一破百萬的 context，而且價格只有 $0.44 / $1.32，比 Kimi 便宜一半以上。要整本文件塞進去問問題，它是現在的答案。

Embedding 與 rerank

模型	Context	價格 per M input	備註
qwen3-embedding-0.6b	8,192	$0.012	多語言，支援 `instruction` 參數
bge-m3	—	$0.012	多語言、多粒度，繁中表現好
embeddinggemma-300m	—	未列於定價頁	100+ 語言
plamo-embedding-1b	—	$0.019	日文專用
bge-large-en-v1.5	—	$0.204	英文，1024 維，支援 Batch
bge-base-en-v1.5	—	$0.067	英文，768 維
bge-small-en-v1.5	—	$0.020	英文，384 維

這幾個 embedding 模型的來歷：

qwen3-embedding-0.6b（阿里 Qwen）— Qwen3 家族裡專做 embedding 與 ranking 的分支，instruction-aware（可以針對不同任務給不同指令）。
bge-m3（北京智源 BAAI）— BGE 系列的多語言旗艦，名字裡的 M3 指 Multi-Functionality（dense + sparse + multi-vector 三種檢索）、Multi-Linguality、Multi-Granularity。是開源 RAG 圈最廣泛使用的 embedding 模型之一。
embeddinggemma-300m（Google）— 從 Gemma 3 衍生的 300M 小型 embedding 模型，訓練涵蓋 100+ 語言，主打「以這個尺寸來說最強」。Cloudflare 曾在 changelog 提過它做過準確度改善，並建議既有使用者重新索引。
bge-large / base / small-en-v1.5（BAAI）— 同樣出自智源，但是純英文的舊世代版本，三個尺寸分別輸出 1024 / 768 / 384 維向量。
plamo-embedding-1b（Preferred Networks）— 日本 PFN 做的日文專用 embedding，處理日文語料時值得試。
bge-reranker-base（BAAI）— 不是 embedding 模型。它吃「問題 + 文件」一組進去，直接吐相關性分數，所以精準度比向量相似度高，但不能預先算好存起來。

繁體中文內容選 qwen3-embedding-0.6b 或 bge-m3，兩者同為 $0.012 per M input tokens——比英文專用的 bge-large-en-v1.5（$0.204）便宜 17 倍，而且多語言。純英文語料也沒有理由選 bge-large-en，除非你的 Vectorize index 已經用它建好了。

qwen3-embedding-0.6b 有個容易漏掉的參數：instruction，預設值是 Given a web search query, retrieve relevant passages that answer the query。它是 instruction-aware 模型，query 端與 document 端該用不同 instruction，用錯會讓檢索品質打折。

換 embedding 模型等於整個索引要重建——維度不同、向量空間也不同，新舊向量不能混在同一個 Vectorize index 裡。所以 embedding 模型的選擇比 LLM 難改得多，值得先花時間評估。

Rerank 目前只有一個選項：bge-reranker-base，$0.003 per M input tokens，是整個目錄裡最便宜的一項。在 hybrid search 後面接一層 rerank 幾乎不花錢，是 CP 值最高的檢索改善。

圖片、語音與其他

圖片生成：

模型	價格
flux-2-klein-4b	$0.000059 / 輸入 512×512 tile、$0.000287 / 輸出 tile
flux-2-klein-9b	$0.015 / 第一個 MP、$0.002 / 後續 MP
flux-1-schnell	$0.0000528 / tile、$0.0001056 / step
lucid-origin（Leonardo）	$0.006996 / tile、$0.000132 / step

FLUX（Black Forest Labs）是 Stable Diffusion 原班人馬出走後做的模型家族。FLUX.2 [klein] 是蒸餾過的快速版，同時做生成與編輯，4B 便宜到可以當即時預覽用，9B 是品質版；舊的 flux-1-schnell 是 12B 的 rectified flow transformer，仍在目錄裡。lucid-origin 與 phoenix-1.0 來自 Leonardo.AI，強項是提示詞貼合度與把文字畫對。

語音：

模型	用途	價格
whisper-large-v3-turbo	ASR，批次	$0.0005 / 音訊分鐘
nova-3（Deepgram）	ASR，即時	$0.0052 / 分鐘（WebSocket $0.0092）
flux（Deepgram）	語音 agent 專用 ASR	$0.0077 / 分鐘
aura-2-en / aura-2-es	TTS	$0.030 / 1k 字元
melotts	TTS，多語言	$0.0002 / 音訊分鐘
smart-turn-v2	輪替偵測	$0.00033795 / 分鐘

Whisper（OpenAI）是通用語音辨識的事實標準，turbo 版是 large-v3 的加速蒸餾版。Deepgram 那三個是商業合作模型：nova-3 是通用即時 ASR，aura 系列是會依上下文調整語速與語氣的 TTS，而 flux（跟 Black Forest Labs 的圖片模型同名，別搞混）官方說是「第一個專為語音 agent 打造的對話式語音辨識模型」。smart-turn-v2（Pipecat）不做辨識，它只判斷「使用者講完了沒」——做語音對話最惱人的搶話問題就靠它。

離線轉逐字稿用 Whisper turbo（$0.0005/分鐘，比 Deepgram Nova-3 便宜 10 倍）；要即時串流或做語音 agent 才需要 Deepgram 那條線。

其他值得知道的：

moondream3.1-9B-A2B（$0.30 / $1.00）— 9B MoE、2B active 的小型視覺語言模型，專攻物件偵測、指位、OCR 與結構化輸出。要從截圖或文件圖片抽資料，它比叫通用大模型看圖便宜得多。
llama-guard-3-8b（Meta）— 不是拿來對話的，是內容安全分類器：把 prompt 或回應丟進去，它判斷安不安全並指出違反了哪一類。要做輸入輸出護欄就用它。
gemma-sea-lion-v4-27b-it（AI Singapore）— 為東南亞語言預訓練與指令微調的 Gemma 變體，SEA-LION = Southeast Asian Languages In One Network。做東南亞市場的產品值得評估。
m2m100-1.2b（Meta）與 indictrans2-en-indic-1B（AI4Bharat）— 專用翻譯模型（各 $0.342）。前者多對多多語言，後者專攻印度 22 種官方語言。
distilbert-sst-2-int8（$0.026）— 情緒分類的老兵，量大時比叫 LLM 便宜。

計費：Neurons 與免費額度

Workers AI 的底層計價單位是 Neuron，定價頁寫得很清楚：

Workers AI is included in both the Free and Paid Workers plans and is priced at $0.011 per 1,000 Neurons. Our free allocation allows anyone to use a total of 10,000 Neurons per day at no charge.

免費額度每天 UTC 00:00 重置。10,000 Neurons 能跑多少，完全看模型——glm-4.7-flash 是 5,500 neurons per M input tokens，所以免費額度大約等於 180 萬 input tokens；換成 kimi-k2.6（86,364 neurons per M input）就只剩 11 萬 tokens 左右。先用便宜模型把流程驗通再換大模型，這個順序能省下不少冤枉錢。

三件容易踩的事：

超過任一限制就直接失敗，不是降速。上線前要處理錯誤路徑。
付費 frontier 模型不吃免費額度，Workers Free 打過去會被擋。
AI Gateway 預付額度可以拿來付 Workers AI，把 gateway 的 Workers AI billing 設成 Unified billing 即可；而且官方說明用預付額度打 frontier 模型會拿到更高的 rate limit。

模型會消失：把 model ID 收斂成一個常數

2026-05-30 那波標為 deprecated 的完整名單，值得貼出來當警惕：kimi-k2.5（自動 alias 到 k2.6，但價格更高）、meta-llama-3-8b-instruct、llama-3-8b-instruct(+awq)、llama-3.1-8b-instruct(+awq)、llama-3.1-70b-instruct、llama-2-7b-chat-int8、llama-2-7b-chat-fp16、mistral-7b-instruct-v0.1、mistral-7b-instruct-v0.2、gemma-7b-it、gemma-3-12b-it、hermes-2-pro-mistral-7b、phi-2、sqlcoder-7b-2、uform-gen2-qwen-500m、bart-large-cnn。

官方給的替代建議是：

We recommend migrating to newer models such as @cf/zai-org/glm-4.7-flash for fast tool-calling, @cf/google/gemma-4-26b-a4b-it for an efficient open model, or @cf/moonshotai/kimi-k2.6 for a capable tool-calling and vision model.

這件事的工程含義比選哪個模型重要：model ID 是會過期的設定值，不是常數字面量。實務做法是把它收斂成一個地方——

// src/lib/ai/models.ts
export const MODELS = {
  chat: '@cf/zai-org/glm-4.7-flash',
  vision: '@cf/google/gemma-4-26b-a4b-it',
  classify: '@cf/ibm-granite/granite-4.0-h-micro',
  embed: '@cf/qwen/qwen3-embedding-0.6b',
  rerank: '@cf/baai/bge-reranker-base',
} as const

// 呼叫端只認用途，不認 model ID
const answer = await env.AI.run(MODELS.chat, { messages, stream: true })

換模型時只動一個檔案。搭配 feature flag 讓新舊模型可以並行跑一段時間，出問題就切回去。

另外注意 -fast 與 -lora 變體不在汰換名單裡——llama-3.1-8b-instruct 被砍了，但 llama-3.1-8b-instruct-fast 還在。

選型流程

實際挑的時候照這個順序走，比對照表更快：

先看要不要 vision / function calling / 超長 context。這三個是硬條件，直接把候選砍掉一大半。
估你的 input : output 比例。RAG 是輸入重（選 GLM 這種 input 便宜的），寫作生成是輸出重（選 Gemma 4 這種 output 便宜的）。
看有沒有 pipeline step 可以降級。分類、路由、query 改寫這種塞給 granite-4.0-h-micro，主力模型只留給最終生成。
確認方案。要用 Kimi / GLM-5.2 / DeepSeek V4 就必須是 Workers Paid 或 AI Gateway 預付。
最後才調 prompt。換模型後 prompt 一定要重跑評估，尤其是靠特定措辭撐住的 JSON 格式指令。

這篇怎麼更新

這是一份會過期的文章，所以更新規則寫在這裡：

每季或官方 changelog 有汰換公告時重新對一次目錄頁與定價頁，改動記在文末更新紀錄。
更新時比對三件事：模型總數、Pinned 名單、定價表。價格與 context window 一律以各模型的官方模型頁為準，不從第三方整理抄。
新增模型只有在「改變某個用途的最佳選擇」時才進表，不追求列滿目錄裡的每一個。
已下架的模型保留在遷移章節裡，不要直接刪掉——讀者手上的舊程式碼還在用它們。

更新紀錄

2026-08-19：對照官方文件逐項查證翻新，易腐內容交還官方連結，並收進「Cloudflare 邊緣tech stack」系列。
2026-08-18：首次發布。對照 2026-08-12 版目錄（84 個模型）與 2026-08-18 版定價頁。

參考資料

Workers AI 模型目錄 — 本文所有模型清單與 context window 的來源
Workers AI 定價 — Neurons、免費額度與各模型單價
Workers AI Changelog — 2026-05-30 的 deprecation 名單與官方替代建議
Workers AI 限制
Prompt caching — x-session-affinity 與快取命中
AI Gateway Unified billing — 用預付額度付 Workers AI
Workers AI Bindings 設定
Gemma on Cloudflare Workers AI：繁中應用的務實選擇 — Gemma 3 下架與遷移到 Gemma 4 的細節
Cloudflare Workers AI binding 全貌：不只是 run() — toMarkdown / autorag / gateway 等其他 binding 方法