labse-gguf
ChristianAzinn基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
入力 テキスト→ 出力 埋め込み
料金未確認マルチモーダル・チャネル料金は個別に確認
詳細を見る ↗DISCOVER & COMPARE
AIモデルを探す 2043
mxbai-embed-large-v1-gguf
ChristianAzinnOriginal model: mxbai-embed-large-v1 This is our base sentence embedding model. It was trained using AnglE loss on our high-quality large scale data. It achieves SOTA performance on BERT-large scale. Find out more in our blog post. This repo contains GGUF format files for the mxbai-embed-large-v1 embedding model.
翻訳待ち・原文を表示
入力 テキスト→ 出力 埋め込み
料金未確認マルチモーダル・チャネル料金は個別に確認
詳細を見る ↗GLInt
chungimungi基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
基本情報を収録・詳細は順次追加
入力 テキスト→ 出力 埋め込み
料金未確認マルチモーダル・チャネル料金は個別に確認
詳細を見る ↗SecureBERT2.0-biencoder
cisco-aiThe **SecureBERT 2.0 Bi-Encoder** is a cybersecurity-domain sentence-similarity and document-embedding model fine-tuned from SecureBERT 2.0. It independently encodes queries and documents into a shared vector space for **semantic search**, **information retrieval**, and **cybersecurity knowledge retrieval**. The Bi-Encoder encodes queries and documents **independently** into a joint vector space. This architecture enables scalable **approximate nearest-neighbor search** for candidate retrieval and semantic ranking. The model was optimized to maximize semantic similarity between relevant cybersecurity text pairs using contrastive learning.
翻訳待ち・原文を表示
入力 テキスト→ 出力 埋め込み
料金未確認マルチモーダル・チャネル料金は個別に確認
詳細を見る ↗SecureBERT2.0-cross_encoder
cisco-aiThe **SecureBERT 2.0 Cross-Encoder** is a cybersecurity domain-specific model fine-tuned from SecureBERT 2.0. It computes **pairwise similarity scores** between two texts, enabling use in **text reranking, semantic search, and cybersecurity intelligence retrieval** tasks. Can be integrated into: - Cyber threat intelligence search engines - SOC automation pipelines - Cybersecurity knowledge graph enrichment - Threat hunting and incident response systems The model reflects the distribution of cybersecurity-related data used during fine-tuning. Potential risks include: - Overrepresentation of specific malware, technologies, or threat actors - Bias toward technical English sources - Reduced performance on non-English or mixed technical/natural text
翻訳待ち・原文を表示
入力 テキスト→ 出力 埋め込み
料金未確認マルチモーダル・チャネル料金は個別に確認
詳細を見る ↗laya-browser
cklxx基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
基本情報を収録・詳細は順次追加
入力 テキスト→ 出力 埋め込み
料金未確認マルチモーダル・チャネル料金は個別に確認
詳細を見る ↗ruri-base
cl-nagoya基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
入力 テキスト→ 出力 埋め込み
料金未確認マルチモーダル・チャネル料金は個別に確認
詳細を見る ↗ruri-base-v2
cl-nagoya基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
入力 テキスト→ 出力 埋め込み
料金未確認マルチモーダル・チャネル料金は個別に確認
詳細を見る ↗ruri-large
cl-nagoya基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
入力 テキスト→ 出力 埋め込み
料金未確認マルチモーダル・チャネル料金は個別に確認
詳細を見る ↗ruri-large-v2
cl-nagoya基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
基本情報を収録・詳細は順次追加
入力 テキスト→ 出力 埋め込み
料金未確認マルチモーダル・チャネル料金は個別に確認
詳細を見る ↗ruri-small
cl-nagoya基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
基本情報を収録・詳細は順次追加
入力 テキスト→ 出力 埋め込み
料金未確認マルチモーダル・チャネル料金は個別に確認
詳細を見る ↗ruri-v3-130m
cl-nagoya**Ruri v3** is a general-purpose Japanese text embedding model built on top of **ModernBERT-Ja**. Ruri v3 offers several key technical advantages: - **State-of-the-art performance** for Japanese text embedding tasks. - **Supports sequence lengths up to 8192 tokens** - Previous versions of Ruri (v1, v2) were limited to 512. - **Expanded vocabulary of 100K tokens**, compared to 32K in v1 and v2 - The larger vocabulary make input sequences shorter, improving efficiency. - **Integrated FlashAttention**, following ModernBERT's architecture - Enables faster inference and fine-tuning. - **Tokenizer based solely on SentencePiece** - Unlike previous versions, which relied on Japanese-specific BERT tokenizers and required pre-tokenized input, Ruri v3 performs tokenization with SentencePiece only—no external word segmentation tool is required. Additionally, if your GPUs support Flash Attention 2, we recommend using our models with Flash Attention 2. - **Model Type:** Sentence Transformer - **Base model:** cl-nagoya/ruri-v3-pt-130m - **Maximum Sequence Length:** 8192 tokens - **Output Dimensionality:** 512 - **Similarity Function:** Cosine Similarity - **Language:** Japanese - **License:** Apache 2.0 - **Paper:** https://arxiv.org/abs/2409.07737
翻訳待ち・原文を表示
入力 テキスト→ 出力 埋め込み
料金未確認マルチモーダル・チャネル料金は個別に確認
詳細を見る ↗ruri-v3-30m
cl-nagoya**Ruri v3** is a general-purpose Japanese text embedding model built on top of **ModernBERT-Ja**. Ruri v3 offers several key technical advantages: - **State-of-the-art performance** for Japanese text embedding tasks. - **Supports sequence lengths up to 8192 tokens** - Previous versions of Ruri (v1, v2) were limited to 512. - **Expanded vocabulary of 100K tokens**, compared to 32K in v1 and v2 - The larger vocabulary make input sequences shorter, improving efficiency. - **Integrated FlashAttention**, following ModernBERT's architecture - Enables faster inference and fine-tuning. - **Tokenizer based solely on SentencePiece** - Unlike previous versions, which relied on Japanese-specific BERT tokenizers and required pre-tokenized input, Ruri v3 performs tokenization with SentencePiece only—no external word segmentation tool is required. Additionally, if your GPUs support Flash Attention 2, we recommend using our models with Flash Attention 2. - **Model Type:** Sentence Transformer - **Base model:** cl-nagoya/ruri-v3-pt-30m - **Maximum Sequence Length:** 8192 tokens - **Output Dimensionality:** 256 - **Similarity Function:** Cosine Similarity - **Language:** Japanese - **License:** Apache 2.0 - **Paper:** https://arxiv.org/abs/2409.07737
翻訳待ち・原文を表示
入力 テキスト→ 出力 埋め込み
料金未確認マルチモーダル・チャネル料金は個別に確認
詳細を見る ↗ruri-v3-70m
cl-nagoya**Ruri v3** is a general-purpose Japanese text embedding model built on top of **ModernBERT-Ja**. Ruri v3 offers several key technical advantages: - **State-of-the-art performance** for Japanese text embedding tasks. - **Supports sequence lengths up to 8192 tokens** - Previous versions of Ruri (v1, v2) were limited to 512. - **Expanded vocabulary of 100K tokens**, compared to 32K in v1 and v2 - The larger vocabulary make input sequences shorter, improving efficiency. - **Integrated FlashAttention**, following ModernBERT's architecture - Enables faster inference and fine-tuning. - **Tokenizer based solely on SentencePiece** - Unlike previous versions, which relied on Japanese-specific BERT tokenizers and required pre-tokenized input, Ruri v3 performs tokenization with SentencePiece only—no external word segmentation tool is required. Additionally, if your GPUs support Flash Attention 2, we recommend using our models with Flash Attention 2. - **Model Type:** Sentence Transformer - **Base model:** cl-nagoya/ruri-v3-pt-70m - **Maximum Sequence Length:** 8192 tokens - **Output Dimensionality:** 384 - **Similarity Function:** Cosine Similarity - **Language:** Japanese - **License:** Apache 2.0 - **Paper:** https://arxiv.org/abs/2409.07737
翻訳待ち・原文を表示
入力 テキスト→ 出力 埋め込み
料金未確認マルチモーダル・チャネル料金は個別に確認
詳細を見る ↗sup-simcse-ja-base
cl-nagoya基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
入力 テキスト→ 出力 埋め込み
料金未確認マルチモーダル・チャネル料金は個別に確認
詳細を見る ↗sup-simcse-ja-large
cl-nagoya基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
基本情報を収録・詳細は順次追加
入力 テキスト→ 出力 埋め込み
料金未確認マルチモーダル・チャネル料金は個別に確認
詳細を見る ↗e5-base-trm-nl
clips基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
基本情報を収録・詳細は順次追加
入力 テキスト→ 出力 埋め込み
料金未確認マルチモーダル・チャネル料金は個別に確認
詳細を見る ↗e5-base-v2-t2t
clips基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
基本情報を収録・詳細は順次追加
入力 テキスト→ 出力 埋め込み
料金未確認マルチモーダル・チャネル料金は個別に確認
詳細を見る ↗e5-large-trm-nl
clips基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
基本情報を収録・詳細は順次追加
入力 テキスト→ 出力 埋め込み
料金未確認マルチモーダル・チャネル料金は個別に確認
詳細を見る ↗e5-small-trm-nl
clips基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
基本情報を収録・詳細は順次追加
入力 テキスト→ 出力 埋め込み
料金未確認マルチモーダル・チャネル料金は個別に確認
詳細を見る ↗mfaq
clips基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
基本情報を収録・詳細は順次追加
入力 テキスト→ 出力 埋め込み
料金未確認マルチモーダル・チャネル料金は個別に確認
詳細を見る ↗vietnamese-sbert-v3
CloyneThis is a sentence-transformers model finetuned from keepitreal/vietnamese-sbert on the csv dataset. It maps sentences & paragraphs to a 768-dimensional dense vector space and can be used for semantic textual similarity, semantic search, paraphrase mining, text classification, clustering, and more.
翻訳待ち・原文を表示
入力 テキスト→ 出力 埋め込み
料金未確認マルチモーダル・チャネル料金は個別に確認
詳細を見る ↗This Model2Vec model was created by using Tokenlearn, with nomic-embed-text-v2-moe as a base. The evaluation in the model card, was executed using this model (distilled), not the original. The process to create this one, was not a simple model2vec distill, this involved generating embeddings for 23M triplets (msmarco) with the original model, then training the tokenlearn model on it, with the nomic model as a base.
翻訳待ち・原文を表示
入力 テキスト→ 出力 埋め込み
料金未確認マルチモーダル・チャネル料金は個別に確認
詳細を見る ↗基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
基本情報を収録・詳細は順次追加
入力 テキスト→ 出力 埋め込み
料金未確認マルチモーダル・チャネル料金は個別に確認
詳細を見る ↗該当するモデルがありません
提供元・分類・入出力の条件を変更してください。新しいモデルを随時追加しています。
COST EXPLORER
モデル選びに、費用の視点も。
月間トークン数を調整してAPI費用を比較。
1 M = 100万トークン・米ドル
同一チャネルの基本テキスト料金を比較
同一チャネルの基本テキスト料金を比較
収集済みの比較可能な100万トークン当たり米ドル料金です。キャッシュ割引、段階料金、追加推論出力、税金は含みません。最新料金は出典で確認してください。
MODEL HANDBOOK
モデルを理解して選ぶ
API料金はどう比較しますか？+
入力・出力・キャッシュ料金を分け、同じ用途と使用量で総費用を比較します。画像・音声・動画は枚数、時間、解像度で課金される場合があります。
オープンウェイトは無料で商用利用できますか？+
必ずしもそうではありません。バージョンごとのライセンス、商用制限、ポリシーを確認してください。自前運用には計算資源と保守費用も必要です。
ランキング1位が最適ですか？+
順位はテスト、バージョン、評価方法によります。実際の業務データで精度、遅延、安定性、費用を比較してください。