Decision-2.0-Sol-2B-GGUF
vllm-sr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
言語から画像、オープンウェイトからAPIまで。能力と実際の費用を比較。
次のアイデアに合うAIを見つけましょう。
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
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
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
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
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
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
A **multilingual embedding model** with 32K context window and **2D Matryoshka** support for flexible efficiency-quality tradeoffs. 1. **Dimension Reduction** (Matryoshka): Truncate embeddings to smaller dimensions with minimal quality loss 2. **Layer Reduction** (Adaptive): Use intermediate layer outputs for faster inference mmBERT-Embed is significantly faster due to: 1. **Flash Attention 2** - BGE-M3 lacks FA2 (O(n) vs O(n²) attention) 2. **Encoder architecture** - Qwen3 uses decoder with causal masking 3. **Smaller model** - 307M vs 569M/600M params
翻訳待ち・原文を表示
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
This is the **merged** version of the mmBERT-32K factcheck classifier model, ready for direct inference without PEFT. - **Base Model**: vllm-sr/mmbert-32k-yarn - **Task**: Text Classification - **Number of Labels**: 2 - **Context Length**: 32,768 tokens - **Architecture**: ModernBERT with YaRN RoPE scaling - **LoRA Adapter**: vllm-sr/mmbert32k-factcheck-classifier-lora - **Base Model**: vllm-sr/mmbert-32k-yarn
翻訳待ち・原文を表示
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
Full merged model for intent classification based on mmBERT-32K-YaRN (32K context, multilingual). This is the LoRA adapter merged with the base model for direct inference without PEFT. biology, business, chemistry, computer science, economics, engineering, health, history, law, math, other, philosophy, physics, psychology This merged model is compatible with the candle-binding Rust library for high-performance inference in production systems.
翻訳待ち・原文を表示
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
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
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
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
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
Vela Domain identifies the subject of a request across 14 domains to help select relevant models and tools. Macro F1 (×100) on the same development sets, compared with the original mmBERT32K Domain model. Higher is better. Short requests cover English, Chinese, Spanish, French, German and Japanese. Long-context evaluation uses 28 English/Chinese examples extended to each length. Both models process the complete input in FP32. These development sets informed Vela checkpoint selection; they are not an independent test set.
翻訳待ち・原文を表示
Connect requests with the right context. Vela Embedding powers multilingual semantic matching, retrieval, and memory in your router. Compared with the original mmBERT Embedding. Scores are ×100; higher is better. Both models use 22 layers, 768 dimensions and FP32. The MTEB rows use each task's standard main metric; SummScreenFD uses its validation split.
翻訳待ち・原文を表示
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
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
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。
月間トークン数を調整してAPI費用を比較。
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。
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。
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。
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。