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 テキスト
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 2428
This model is a fine-tuned version of cardiffnlp/twitter-xlm-roberta-base on the `cardiffnlp/tweet_sentiment_multilingual (all)` via `tweetnlp`. Training split is `train` and parameters have been tuned on the validation split `validation`. Following metrics are achieved on the test split `test` (link). - F1 (micro): 0.6931034482758621 - F1 (macro): 0.692628774202147 - Accuracy: 0.6931034482758621
翻訳待ち・原文を表示
入力 テキスト→ 出力 テキスト
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-MLX-8bit
cavi-ai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 テキスト
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 ↗ESG-classification-en
cea-list-iaWe consider the main ESG categories commonly addressed in ESG reports. These categories represent the primary thematic areas under which a company's performance and practices are assessed. They provide a structured framework for evaluating and reporting on various aspects of a company's impact on the environment, society, and its governance practices. The ESG classifier's labeling system embodies a nuanced hierarchy, delineating insights across three levels of granularity. At its foundational tier, it articulates broad categories encapsulating Environmental, Social, and Governance (ESG) considerations. Branching further, the second tier branches into 16 distinct classes, adding depth to the understanding of each ESG dimension. Finally, the third tier dives into meticulous detail, with 119 finely delineated classes. - **Carbon Footprint**: environment_climate_change_mitigation_carbon_footprint - **Circular Economy**: environment_climate_change_mitigation_circular_economy - **Circular Supply Chains**: environment_climate_change_mitigation_circular_supply_chains - **Energy Consumption Intensity**: environment_climate_change_mitigation_energy_consumption_intensity - **Greenhouse Gas Emissions**: environment_climate_change_mitigation_greenhouse_gas_emissions - **Heatwave Mitigation**: environment_climate_change_mitigation_heatwave_mitigation - **Product and Service Innovation**: environment_climate_change_mitigation_product_and_service_innovation - **Renewable Energy Usage**: environment_climate_change_mitigation_renewable_energy_usage - **Supply Chain Impact**: environment_climate_change_mitigation_supply_chain_impact - **Use and Production of Fossil Fuels**: environment_climate_change_mitigation_use_and_production_of_fossil_fuels - **Water Consumption Intensity**: environment_climate_change_mitigation_water_consumption_intensity - **Advocacy and Policy Engagement**: environment_climate_change_adaptation_advocacy_and_policy_engagement - **Climate Risk Management**: environment_climate_change_adaptation_climate_risk_management - **Coastal Erosion Prevention**: environment_climate_change_adaptation_coastal_erosion_prevention - **Drought Preparedness**: environment_climate_change_adaptation_drought_preparedness - **Flood Defenses**: environment_climate_change_adaptation_flood_defenses - **Infrastructure Adaptation**: environment_climate_change_adaptation_infrastruc
翻訳待ち・原文を表示
入力 テキスト→ 出力 テキスト
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 ↗legal-bert-lgpd
celiudosLegal-BERT-LGPD is a domain-adapted transformer model for Brazilian legal texts, with a focus on the **Lei Geral de Proteção de Dados (LGPD)**. It is designed to support task of token classification (NER) in the legal domain. This model is based on BERT architecture and was further pre-trained and fine-tuned on Brazilian legal corpora, emphasizing privacy and data protection regulations. The development is grounded in academic research on legal NLP applied to LGPD. The model was developed using domain adaptation techniques over legal corpora in Portuguese. The methodology follows established approaches in Legal NLP, leveraging: - Continued pre-training on domain-specific corpora - Fine-tuning for downstream legal tasks
翻訳待ち・原文を表示
入力 テキスト→ 出力 テキスト
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 ↗Jev-Style-0.8B-Decision-v3
chaoliangUNSW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 テキスト
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 ↗Jev-Style-0.8B-Decision-v3-GGUF
chaoliangUNSW**Local text classification, workflow routing, and fixed-choice scoring with JevStyle.** This 0.8B v3 release is the package’s default text decision model. It accepts text and JSON, not images; its PyTorch, MLX, and GGUF distributions require the matching decision runtime. Maintained by **Chaoliang Yan** (GitHub: `lawrence3699`), as an independent project, not affiliated with TypeSafe AI. Training provenance is specific to each release; see this card’s training section. The separate 2B v4 release discloses soft-label distillation from TypeSafe Jev 1.14 through its public API. Choose a workflow: local text classification in Python · choosing a local decision model · this model’s setup and limits · evaluation evidence.
翻訳待ち・原文を表示
入力 テキスト→ 出力 テキスト
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 ↗Jev-Style-2B-Decision-v3
chaoliangUNSW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 テキスト
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 ↗Jev-Style-2B-Decision-v3-GGUF
chaoliangUNSW> **Hosted API status · 2026-10-28:** The hosted API is temporarily unavailable for maintenance. For a working first try, open the browser demo (2B v4), or run the open weights locally. Service information. **Quickest start: the jev-style package** (0.3.0 or later) downloads these files and serves a local `/v1/systemone` API. It needs this repository's scorer, `jev-score-v2`, built once from `build_jev_score.sh` (see the Quick start below): **Jev-style decisions, now at 2B, for llama.cpp.** These are the GGUF builds of Jev-Style-2B-Decision-v3: F16, Q8_0 and a **1.27 GB** Q4_K_M, with a small bundled scorer (`jev-score-v2`) that reads the decision at one verdict slot per option. Full results, protocols, training data and licences are on the main model card.
翻訳待ち・原文を表示
入力 テキスト→ 出力 テキスト
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 ↗Jev-Style-2B-Decision-v3-MLX
chaoliangUNSW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 テキスト
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 ↗grc_odycy_joint_sm
chcaa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 テキスト
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 ↗roberta-argument
chkla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 テキスト
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 ↗kompress-base
chopratejas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 テキスト
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 ↗kompress-v2-base
chopratejas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 テキスト
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 ↗technique-router
chopratejasA fine-tuned MiniLM classifier that routes image queries to optimal compression techniques for the Headroom SDK. This model classifies natural language queries about images into one of four optimization techniques: - **Base examples**: 145 human-written queries - **Expanded dataset**: 1,157 examples (via template expansion + synonyms) - **Split**: 85% train, 15% validation
翻訳待ち・原文を表示
入力 テキスト→ 出力 テキスト
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 ↗German-Emotions
ChrisLalk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 テキスト
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 ↗bert-finetuned-japanese-sentiment
christian-phuThis model is a fine-tuned version of cl-tohoku/bert-base-japanese-v2 on product amazon reviews japanese dataset. Sentiment analysis is a common task in natural language processing. It consists of classifying the polarity of a given text at the sentence or document level. For instance, the sentence "The food is good" has a positive sentiment, while the sentence "The food is bad" has a negative sentiment. In this model, we fine-tuned a BERT model on a Japanese sentiment analysis dataset. The dataset contains 20,000 sentences extracted from Amazon reviews. Each sentence is labeled as positive, neutral, or negative. The model was trained for 5 epochs with a batch size of 16.
翻訳待ち・原文を表示
入力 テキスト→ 出力 テキスト
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 ↗The model was presented in the paper VLAI: A RoBERTa-Based Model for Automated Vulnerability Severity Classification [arXiv]. **Abstract:** VLAI is a transformer-based model that predicts software vulnerability severity levels directly from text descriptions. Built on RoBERTa, VLAI is fine-tuned on over 600,000 real-world vulnerabilities and achieves over 82% accuracy in predicting severity categories, enabling faster and more consistent triage ahead of manual CVSS scoring. The model and dataset are open-source and integrated into the Vulnerability-Lookup service. > **Note (October 2026):** since VulnTrain 3.4.0, > the dataset is split so that records of the same vulnerability (for example a CVE and its > GitHub advisory) never appear in both train and test. Accuracy measured this way (**74%**) > reflects performance on vulnerabilities the model has never seen. Earlier figures, including > the one in the abstract above, were measured on a split where many test descriptions also > appeared in training. Details in the technical report > Improving vulnerability-scores: Leakage-Free Splits and Consistent CVSS 4.0 Scoring.
翻訳待ち・原文を表示
入力 テキスト→ 出力 テキスト
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 ↗koelectra-polite-v1
circulus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 テキスト
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 ↗koelectra-sentiment-v1
circulus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 テキスト
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 ↗koelectra-wellness-v1
circulus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 テキスト
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 ↗modernbert-base-emotions
cirimus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 テキスト
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 ↗modernbert-base-go-emotions
cirimus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 テキスト
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 ↗modernbert-large-go-emotions
cirimus⚠️ This model has been superseded by cirimus/ultrabert-380M-go-emotions . 💡 It is part of the collection Frontier BERT Workhorses . This model was fine-tuned from ModernBERT-large on the GoEmotions dataset for multi-label classification. It predicts emotional states in text, with a total of 28 possible labels. Each input text can have one or more associated labels, reflecting the multi-label nature of the task. The GoEmotions dataset is a multi-label emotion classification dataset derived from Reddit comments. It contains 58,000 examples with 28 emotion labels (e.g., admiration, amusement, anger, etc.), and it is annotated for multi-label classification.
翻訳待ち・原文を表示
入力 テキスト→ 出力 テキスト
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。