Sana_1600M_1024px_BF16
Efficient-Large-Model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 画像
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 84991
SANA-Video_2.0_5B_720p
Efficient-Large-ModelSANA-Video 2.0 is an efficient diffusion transformer for high-resolution video generation. This release provides the 5B-class checkpoint jointly post-trained for text-to-video (T2V) and text-image-to-video (TI2V) generation at 720p for about eight seconds. The model combines gated bidirectional linear-attention layers with periodic dense softmax-attention anchors and shared Attention Residual aggregation. It uses Gemma 2 2B IT for text conditioning and the LTX 2.3 VAE contract with 128 latent channels and `(8, 32, 32)` temporal/spatial compression. The checkpoint is an inference artifact containing only the merged model `state_dict`. It does not contain optimizer, scheduler, training-state, or standalone LoRA tensors. The EMA base weights and ReFL post-training adapter were merged before release. Stored tensors retain their merged source dtypes; the official inference entry point casts the transformer to BF16.
翻訳待ち・原文を表示
入力 テキスト→ 出力 動画
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 ↗SANA-Video_2.0_5B_720p_4step
Efficient-Large-Model> **Research preview:** This distilled checkpoint is an early T2V-only preview. > For the original 50-step T2V + TI2V release, use > `SANA-Video_2.0_5B_720p`. SANA-Video 2.0 is an efficient diffusion transformer for high-resolution video generation. This preview provides the latest global-step-1000 full-model EMA checkpoint distilled for four-stage text-to-video generation at 720p, plus an auxiliary RL LoRA for post-hoc strength adjustment. It combines gated bidirectional linear-attention layers with periodic dense softmax-attention anchors and shared Attention Residual aggregation. The selected checkpoint is the latest global-step-1000 tri-temporal DMD EMA export initialized from the SANA-Video 2.0 SFT model after merging the ReFL step-500 adapter. DMD then updates the full transformer; the primary release artifact is therefore a full model, **not a LoRA adapter**.
翻訳待ち・原文を表示
入力 テキスト→ 出力 動画
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 ↗SANA1.5_4.8B_1024px
Efficient-Large-Model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 画像
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 ↗SoL-Refiner-LTX-2.5-for-MiniMax-H3
Efficient-Large-Model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 未確認→ 出力 未確認
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 ↗StreamRender-H3
Efficient-Large-ModelStreamRender-H3 splits an interactive world into a **Code Game Engine** and a **Streaming Diffusion Render**. The engine keeps the world state in code (maps, physics, rules) and streams a semantic map for every frame. A two-step streaming video model built on MiniMax-H3 Ref2VA renders those maps into photorealistic video as the player drives, with the look set by a reference image and a prompt. - Two denoising steps per chunk in the distilled student. - Diffusion render of 217.96 ms per streaming step on 8 GB200 GPUs, a 3.67× speedup over the PyTorch baseline. - Fast Causal H3 VAE decodes 2 latent frames at 720p in 24 ms on one GB200, built by a self-improving agent loop. There are five distinct model components. Qwen's two storage formats are the same model. The causal decoder is constructed directly from its architecture configuration and student checkpoint; no native H3 video VAE checkpoint is needed. Streaming reference encoding uses TAE, and video decoding uses the trained causal decoder.
翻訳待ち・原文を表示
入力 未確認→ 出力 未確認
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 ↗VILA1.5-3b
Efficient-Large-Model**Model type:** VILA is a visual language model (VLM) pretrained with interleaved image-text data at scale, enabling multi-image VLM. VILA is deployable on the edge, including Jetson Orin and laptop by AWQ 4bit quantization through TinyChat framework. We find: (1) image-text pairs are not enough, interleaved image-text is essential; (2) unfreezing LLM during interleaved image-text pre-training enables in-context learning; (3)re-blending text-only instruction data is crucial to boost both VLM and text-only performance. VILA unveils appealing capabilities, including: multi-image reasoning, in-context learning, visual chain-of-thought, and better world knowledge. - The code is released under the Apache 2.0 license as found in the LICENSE file. - The pretrained weights are released under the CC-BY-NC-SA-4.0 license. - The service is a research preview intended for non-commercial use only, and is subject to the following licenses and terms: - Model License of LLaMA - Terms of Use of the data generated by OpenAI - Dataset Licenses for each one used during training. **Where to send questions or comments about the model:** https://github.com/NVLabs/VILA/issues
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 ↗lite-whisper-large-v3
efficient-speechLite-Whisper is a compressed version of OpenAI Whisper with LiteASR. See our GitHub repository and paper for details.
翻訳待ち・原文を表示
入力 音声→ 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 ↗lite-whisper-large-v3-acc
efficient-speechLite-Whisper is a compressed version of OpenAI Whisper with LiteASR. See our GitHub repository and paper for details.
翻訳待ち・原文を表示
入力 音声→ 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 ↗lite-whisper-large-v3-fast
efficient-speechLite-Whisper is a compressed version of OpenAI Whisper with LiteASR. See our GitHub repository and paper for details. The paper is also available on Hugging Face: Link to Hugging Face Paper Page
翻訳待ち・原文を表示
入力 音声→ 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 ↗lite-whisper-large-v3-turbo
efficient-speech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 音声→ 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 ↗lite-whisper-large-v3-turbo-acc
efficient-speechLite-Whisper is a compressed version of OpenAI Whisper with LiteASR. See our GitHub repository and paper for details. The easiest way to run our model is to use our integration with HuggingFace Transformers library. We provide model weights for the compressed version of OpenAI Whisper series here.
翻訳待ち・原文を表示
入力 音声→ 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 ↗lite-whisper-large-v3-turbo-fast
efficient-speech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 音声→ 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 ↗cohere-asr-ja
efwkjn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 音声→ 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 ↗whisper-ja-1.5B
efwkjn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 音声→ 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 ↗whisper-ja-760M
efwkjn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 音声→ 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 ↗whisper-ja-anime-v0.3
efwkjn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 音声→ 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 ↗lucida
egeorcunLucida is a BiRefNet-based background-removal / image-matting model fine-tuned to excel where most open models fail: **camouflaged objects, transparent materials (glass), text & logos, VFX glows, and illustrations** — while staying competitive everywhere else. On our 203-image, 9-category benchmark (MAE, lower is better) Lucida leads every model we tested — including a commercial reference — in **camouflage (0.0270)** and **illustration (0.0092)**, beats the commercial reference in **text/logo preservation (0.0091 vs 0.0123)** and in **print-design/sticker art (0.0235 — 2x better than every model measured)**, and sets our best-ever **transparency-in-mixed-objects** handling and **overall (0.0257)** score — ahead of every model we measured, specialist or commercial, on the 203-image average. Full benchmark, gallery and training recipe: **https://github.com/egeorcun/lucida** — or try the live demo. > **Changelog note (2026-07-24):** an experimental v13 build was published for a day and then > reverted — community testing showed it regressed on real-world layered artwork > (poster/collage-style illustrations) that our synthetic design test set does not cover. > The current weights are the proven v7. The v13 improvements (reduced background haze on > real photos, a transparency milestone) will return in v14 together with the fix.
翻訳待ち・原文を表示
入力 画像→ 出力 画像
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 ↗EndoViT
egeozsoy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 未確認→ 出力 未確認
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 未確認→ 出力 未確認
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 ↗mango-artifacts
Eggchad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 ↗Qwen3.6-35B_Zenith-Abliterated
eggdog100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 · 画像→ 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。