在API调用中，通常会涉及到一些模型配置的选择。这就需要了解不同模型配置之间的区别。一种常见的区别是训练数据的种类，即一个模型配置可能使用大规模的通用数据进行训练，而另一个模型配置可能使用特定领域的独有数据进行训练。

具体来说，如果你使用的是Google Cloud Platform的API，你可以在请求参数中设置model参数来明确选择模型配置。例如，下面的代码展示了如何使用文本翻译API的2个不同模型配置：

from google.cloud import translate_v2 as translate

def translate_text(text, target_language):
    """Translates text into the target language."""
    client = translate.Client()

    # 使用基于神经网络的模型进行翻译
    response = client.translate(
        text,
        target_language=target_language,
        model='nmt'
    )
    print('Translated using the NMT model')
    print(response['input'])
    print(response['translatedText'])

    # 使用基于统计模型的模型进行翻译
    response = client.translate(
        text,
        target_language=target_language,
        model='base'
    )
    print('Translated using the base model')
    print(response['input'])
    print(response['translatedText'])

# 调用翻译函数，将“Hello, world!”翻译成法语
translate_text('Hello, world!', 'fr')

在这个示例中，我们首先使用“nmt”模型进行翻译，然后使用“base”模型进行相同的翻译。这样我们就可以比较两个不同模型配置的翻译效果，从而更好地了解它们之间的区别。