KnowLine-4B-Gen5.5
PelaAI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
PII-Tracer
perplexity-aiPII masking model for conversational data. A ~600M-parameter bidirectional Qwen3 encoder (`perplexity-ai/pplx-embed-v1-0.6b` backbone, run encoder-only via `is_causal=false`) with two heads: `predict` and `mask` wrap `model(input_ids, attention_mask)`, which returns the 37 BIOES tag logits per token and one sensitivity logit per document. The implementation is `modeling_pii_masking.py` in this repo: it builds the encoder with the standard Transformers `Qwen3Model` run bidirectionally via `config.is_causal = False` (hence `transformers>=5.2`, which passes `is_causal` through to the attention backend), applies this repo's fine-tuned weights and the two heads, and decodes spans with the constrained BIOES Viterbi included in the file. Input is truncated to `max_seq_len` (4096) tokens; chunk longer documents before calling `predict`. `model.save_pretrained(dir)` also saves the tokenizer, so the saved directory loads and predicts on its own. `model.safetensors` holds the fine-tuned backbone (bf16, `backbone.*`), both heads (fp32, `token_cls_head.*` / `sensitivity_head.*`), and the Viterbi bias scalars (`viterbi.*`). `max_seq_len` is 4096 tokens.
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 ↗PII-Tracer-GGUF
perplexity-aiThis repository provides PII-Tracer, the detector introduced in PII-TRACE. GGUF packaging of `perplexity-ai/PII-Tracer`, a PII masking model for conversational data. The model uses a ~600M-parameter bidirectional Qwen3 encoder with a `perplexity-ai/pplx-embed-v1-0.6b` backbone and two heads: - **Token classification head** (1024 → 37): BIOES tags over 9 PII categories (`private_person`, `account_number`, `private_url`, `private_date`, `private_address`, `private_email`, `private_phone`, `other_pii`, `secret`), decoded with a constrained Viterbi decoder. - **Sensitivity head** (1024 → 1): conversation-level sensitivity classifier on mean-pooled hidden states.
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 ↗PII-Tracer-MLX
perplexity-aiMLX weights for PII-Tracer, a PII masking model for conversational data. The model uses a ~600M-parameter bidirectional Qwen3 encoder with a `perplexity-ai/pplx-embed-v1-0.6b` backbone and two heads: The backbone's linear projections use **8-bit affine quantization with group size 64**. Embeddings and normalization weights remain bf16; both heads remain fp32. The weights file is approximately 779 MB. Quantized projections retain the `backbone.*` key names and store packed `uint32` `weight` tensors with bf16 `scales` and `biases`. The unquantized heads use `token_cls_head.*` and `sensitivity_head.*`.
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 ↗pplx-decider-flash-gguf-v1.2
perplexity-aipplx-decider-flash-v1.2 is the small version of pplx-decider-v1.2: the same joint request format, the same API and the same text and image support, at about one seventh of the size. It is built on Qwen3.5-4B, **distilled from the 27B decision models** on their training requests (the student learns the teachers' full probability distributions, not just their answers). It combines several training runs through model souping (weight averaging). Use it when latency or cost matters more than the last points of accuracy. On our evaluations it keeps most of the 27B model's Decision Index and vision scores (see below). Distillation also improves results on decision tasks held out from all training. Stock `llama-server` does not implement this checkpoint's protocol v3; its `/v1/systemone` uses protocol v1. A compatible runtime must:
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 ↗pplx-decider-flash-v1.2
perplexity-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。
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 ↗pplx-decider-v1.1-27b
perplexity-aipplx-decider-v1.1-27b is an update of our pplx-decider-v1-27b model, that boost the Decision Index score from 56.4 to 61.56, now outperforming Jev by more than 3.5 points, while using the same backbone. Most of the gains are driven by the lifting of the causal mask and training on more data, including data from tasksource. This is the **native decision-checkpoint layout**: a `Qwen3_5Model` backbone plus `readout.safetensors` containing a BF16 `[255, 5120]` decision head. The Transformers class name does not change the base model identity, Qwen3.8-27B. Use Python 3.12+, authenticated Hugging Face access to this private repository, and a CUDA GPU with room for roughly 49 GiB of weights plus working memory. Download the repository and install its pinned `requirements.txt` dependencies.
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 ↗pplx-decider-v1.2
perplexity-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。
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 ↗pplx-decider-v1-27b
perplexity-aiAccuracy across 11 benchmarks. The pplx-decider-v1-27b results were measured through the Perplexity API. uv installs the dependencies; the script downloads the model from Hugging Face. In an environment with these dependencies installed, use `Decider` directly: Use `{"type": "noul", "instructions": "Does this message express urgency?"}` for a yes/no probability. For images, pass `images=["screenshot.png"]` to `predict`, or run:
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 ↗pplx-pii-masking-vllm
perplexity-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 ↗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 ↗bert-imdb-model
philipobiorah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 ↗programming-language-identification
philomath-1209This Model is a fine-tuned version of *huggingface/CodeBERTa-small-v1* on *cakiki/rosetta-code* Dataset for 26 Programming Languages as mentioned below. Model is trained for 25 epochs on Azure for nearly 26000 Datapoints for above Mentioned 26 Programming Languages extracted from Dataset having 1006 of total Programming Language. 'ARM Assembly': 'AppleScript' 'C' 'C#' 'C++' 'COBOL' 'Erlang' 'Fortran' 'Go' 'Java' 'JavaScript' 'Kotlin' 'Lua 'Mathematica/Wolfram Language' 'PHP' 'Pascal' 'Perl' 'PowerShell' 'Python' 'R 'Ruby' 'Rust' 'Scala' 'Swift' 'Visual Basic .NET' 'jq'
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 ↗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 ↗distilbert-onnx-banking77
philschmid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 ↗distilroberta-base-ner-conll2003
philschmid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 ↗MiniLM-L6-H384-uncased-sst2
philschmid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 ↗tiny-bert-sst2-distilled
philschmidThis model is a fine-tuned version of google/bert_uncased_L-2_H-128_A-2 on the glue dataset. It achieves the following results on the evaluation set: - Loss: 1.7305 - Accuracy: 0.8326 The following hyperparameters were used during training: - learning_rate: 0.0007199555649276667 - train_batch_size: 1024 - eval_batch_size: 1024 - seed: 33 - optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08 - lr_scheduler_type: linear - num_epochs: 7 - mixed_precision_training: Native AMP
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 ↗Phocinae-Largha-150M-v1
Phocinae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 ↗ner-bert-base-cased-pt-lenerbr
pierreguillou**ner-bert-base-portuguese-cased-lenerbr** is a NER model (token classification) in the legal domain in Portuguese that was finetuned on 20/12/2021 in Google Colab from the model pierreguillou/bert-base-cased-pt-lenerbr on the dataset LeNER_br by using a NER objective. Due to the small size of BERTimbau base and finetuning dataset, the model overfitted before to reach the end of training. Here are the overall final metrics on the validation dataset (*note: see the paragraph "Validation metrics by Named Entity" to get detailed metrics*): - **f1**: 0.8926146010186757 - **precision**: 0.8810222036028488 - **recall**: 0.9045161290322581 - **accuracy**: 0.9759397808828684 - **loss**: 0.18803243339061737 **Note**: the model pierreguillou/bert-base-cased-pt-lenerbr is a language model that was created through the finetuning of the model BERTimbau base on the dataset LeNER-Br language modeling by using a MASK objective. This first specialization of the language model before finetuning on the NER task improved a bit the model quality. To prove it, here are the results of the NER model finetuned from the model BERTimbau base (a non-specialized language model): - **f1**: 0.8716487228203504 - **precision**: 0.8559286898839138 - **recall**: 0.8879569892473118 - **accuracy**: 0.9755893153732458 - **loss**: 0.1133928969502449
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 ↗ner-bert-large-cased-pt-lenerbr
pierreguillou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 ↗senda
pin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 ↗Winnow-12B-GGUF
Piotr1215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 ↗gliner2-polish-pii
piotrmaciejbednarski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 ↗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。