Llama-3.2-3B-Instruct-GGUF
aashish1904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。
기본 정보 등록 · 상세 정보 보완 예정
입력 텍스트→ 출력 텍스트
요금 미확인멀티모달 및 채널 요금 별도 확인
자세히 보기 ↗DISCOVER & COMPARE
AI 모델 탐색 84991
Qwen3.5-2B-Base-GGUF
aashish1904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。
기본 정보 등록 · 상세 정보 보완 예정
입력 텍스트→ 출력 텍스트
요금 미확인멀티모달 및 채널 요금 별도 확인
자세히 보기 ↗Qwen3-8B-GGUF
aashish1904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。
기본 정보 등록 · 상세 정보 보완 예정
입력 텍스트→ 출력 텍스트
요금 미확인멀티모달 및 채널 요금 별도 확인
자세히 보기 ↗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。
기본 정보 등록 · 상세 정보 보완 예정
입력 텍스트→ 출력 임베딩
요금 미확인멀티모달 및 채널 요금 별도 확인
자세히 보기 ↗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。
기본 정보 등록 · 상세 정보 보완 예정
입력 텍스트→ 출력 이미지
요금 미확인멀티모달 및 채널 요금 별도 확인
자세히 보기 ↗PatentSBERTa_V2
AAUBS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。
기본 정보 등록 · 상세 정보 보완 예정
입력 텍스트→ 출력 임베딩
요금 미확인멀티모달 및 채널 요금 별도 확인
자세히 보기 ↗Atlas-Pro-7B-Preview-1M-GGUF
aayanmishra-ml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。
기본 정보 등록 · 상세 정보 보완 예정
입력 미확인→ 출력 미확인
요금 미확인멀티모달 및 채널 요금 별도 확인
자세히 보기 ↗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。
기본 정보 등록 · 상세 정보 보완 예정
입력 미확인→ 출력 미확인
요금 미확인멀티모달 및 채널 요금 별도 확인
자세히 보기 ↗r17-m133
abacada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。
기본 정보 등록 · 상세 정보 보완 예정
입력 미확인→ 출력 미확인
요금 미확인멀티모달 및 채널 요금 별도 확인
자세히 보기 ↗bigstral-12b-32k
abacusai> In JavaScript, functions are first-class values, which means you can assign them to variables, pass them as arguments to other functions, and even nest them inside other functions. This leads to concise and expressive code. > > Here's an example of a simple recursive function that calculates the factorial of a given number in JavaScript: > > > > Now, let's try to write an equivalent code snippet in ANSI-C with similar functionality: > > > > As you can see, the ANSI-C code becomes more verbose and has several disadvantages compared to JavaScript: > > 1. Need to define a maximum recursion depth using a constant or an array index, which can lead to hardcoded limits and potential stack overflow issues. > 2. The use of preprocessor directives (#define) for defining functions and macros can make the code less readable and harder to understand. > 3. The lack of closures in ANSI-C requires using static variables or passing arguments as arguments to nested functions, making the code more verbose and less concise. > yaml dtype: float16 merge_method: passthrough slices: - sources: - layer_range: [0, 8] model: mistralai/Mistral-7B-Instruct-v0.2 - sources: - layer_range: [4, 12] model: mistralai/Mistral-7B-Instruct-v0.2 - sources: - layer_range: [8, 16] model: mistralai/Mistral-7B-Instruct-v0.2 - sources: - layer_range: [12, 20] model: mistralai/Mistral-7B-Instruct-v0.2 - sources: - layer_range: [16, 24] model: mistralai/Mistral-7B-Instruct-v0.2 - sources: - layer_range: [20, 28] model: mistralai/Mistral-7B-Instruct-v0.2 - sources: - layer_range: [24, 32] model: mistralai/Mistral-7B-Instruct-v0.2
번역 대기 중 · 원문 표시
입력 텍스트→ 출력 텍스트
요금 미확인멀티모달 및 채널 요금 별도 확인
자세히 보기 ↗bigyi-15b
abacusaiI recently made bigstral-12b and then I saw this new awesome model yi-9b and decided to make an embiggened version. Here is a recipe for Mai Tai:\n\n1: > 3 parts rum, 2: 3 parts pineapple juice, 3: half a cup of lime juice, 4: 6 to 8 fresh or frozen pineapple chunks, 5: crushed ice. > Mix all ingredients except ice and pour into glasses with ice. Garnish with a pineapple slice.
번역 대기 중 · 원문 표시
입력 텍스트→ 출력 텍스트
요금 미확인멀티모달 및 채널 요금 별도 확인
자세히 보기 ↗Llama-3-Smaug-8B
abacusaiThis model was built using the Smaug recipe for improving performance on real world multi-turn conversations applied to meta-llama/Meta-Llama-3-8B-Instruct. This version of Smaug uses new techniques and new data compared to Smaug-72B, and more information will be released later on. For now, see the previous Smaug paper: https://arxiv.org/abs/2402.13228.
번역 대기 중 · 원문 표시
입력 텍스트→ 출력 텍스트
요금 미확인멀티모달 및 채널 요금 별도 확인
자세히 보기 ↗Slerp-CM-mist-dpo
abacusaiThe model did achieve an improvement in TruthfulQA over `cookinai/CatMacaroni-Slerp` and GSM8K over `mncai/mistral-7b-dpo-v5` which was the goal of the merge leading to an average score that was a better than both. It is unclear why the TruthfulQA metric is still meaningfully lower than the base `mncai/mistral-7b-dpo-v5`.
번역 대기 중 · 원문 표시
입력 텍스트→ 출력 텍스트
요금 미확인멀티모달 및 채널 요금 별도 확인
자세히 보기 ↗Smaug-34B-v0.1
abacusaiThis model is a finetune of jondurbin's excellent bagel model. This model has not utilised any form of merging. We created Smaug-34B-v0.1 using a new fine-tuning technique, DPO-Positive (DPOP), and new pairwise preference versions of ARC, HellaSwag, and MetaMath (as well as other existing datasets). We introduce the technique and the full training details in our new paper: https://arxiv.org/abs/2402.13228. We show that on datasets in which the edit distance between pairs of completions is low (such as in math-based datasets), standard DPO loss can lead to a reduction of the model's likelihood of the preferred examples, as long as the relative probability between the preferred and dispreferred classes increases. Using these insights, we design DPOP, a new loss function and training procedure which avoids this failure mode. Surprisingly, we also find that DPOP outperforms DPO across a wide variety of datasets and downstream tasks, including datasets with high edit distances between completions.
번역 대기 중 · 원문 표시
입력 텍스트→ 출력 텍스트
요금 미확인멀티모달 및 채널 요금 별도 확인
자세히 보기 ↗Smaug-72B-v0.1
abacusaiWe recently released Smaug-72B-v0.1 which has taken first place on the Open LLM Leaderboard by HuggingFace. It is the first open-source model to surpass an average score of 80%. Smaug-72B is finetuned directly from moreh/MoMo-72B-lora-1.8.7-DPO and is ultimately based on Qwen-72B. We created Smaug-72B-v0.1 using a new fine-tuning technique, DPO-Positive (DPOP), and new pairwise preference versions of ARC, HellaSwag, and MetaMath (as well as other existing datasets). We introduce the technique and the full training details in our new paper: https://arxiv.org/abs/2402.13228.
번역 대기 중 · 원문 표시
입력 텍스트→ 출력 텍스트
요금 미확인멀티모달 및 채널 요금 별도 확인
자세히 보기 ↗Smaug-AI-Image-Detector
abacusaiSmaug-AI-Image-Detector sets a new state of the art for open-source AI-generated image detection. It is a fine-tune of Google's EmbeddingGemma-2 by Abacus.AI and the strongest open-source detector on real-world images. **A dedicated vision model, 41% smaller than its base.** We streamlined EmbeddingGemma-2 into a vision-only architecture by removing its 305M-parameter audio tower: 439M parameters instead of 744M, with no loss in accuracy. Architecture EmbeddingGemma-2 image encoder + linear classifier Total Parameters 439M (base model: 744M) Audio Tower Removed: vision-only architecture, −305M parameters Input Any image; scored as three 528 × 528 crops at native resolution Output Probability that the image is AI-generated Hardware NVIDIA GPU (~1 GB), Apple Silicon (Metal), or CPU Precision bfloat16 weights Formats PyTorch / sentence-transformers (this repo); GGUF for llama.cpp: Smaug-AI-Image-Detector-GGUF Base Model google/embeddinggemma-2 Adaptation Full fine-tune
번역 대기 중 · 원문 표시
입력 이미지→ 출력 미확인
요금 미확인멀티모달 및 채널 요금 별도 확인
자세히 보기 ↗Smaug-AI-Image-Detector-GGUF
abacusai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。
기본 정보 등록 · 상세 정보 보완 예정
입력 이미지→ 출력 미확인
요금 미확인멀티모달 및 채널 요금 별도 확인
자세히 보기 ↗Smaug-Flash
abacusai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。
기본 정보 등록 · 상세 정보 보완 예정
입력 텍스트→ 출력 텍스트
요금 미확인멀티모달 및 채널 요금 별도 확인
자세히 보기 ↗Smaug-Humanizer
abacusai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。
기본 정보 등록 · 상세 정보 보완 예정
입력 텍스트→ 출력 텍스트
요금 미확인멀티모달 및 채널 요금 별도 확인
자세히 보기 ↗Smaug-Humanizer-GGUF
abacusai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。
입력 텍스트→ 출력 텍스트
요금 미확인멀티모달 및 채널 요금 별도 확인
자세히 보기 ↗Smaug-Llama-3-70B-Instruct
abacusaiThis model was built using a new Smaug recipe for improving performance on real world multi-turn conversations applied to meta-llama/Meta-Llama-3-70B-Instruct. The model outperforms Llama-3-70B-Instruct substantially, and is on par with GPT-4-Turbo, on MT-Bench (see below). EDIT: Smaug-Llama-3-70B-Instruct is the top open source model on Arena-Hard currently! It is also nearly on par with Claude Opus - see below.
번역 대기 중 · 원문 표시
입력 텍스트→ 출력 텍스트
요금 미확인멀티모달 및 채널 요금 별도 확인
자세히 보기 ↗Smaug-Llama-3-70B-Instruct-32K
abacusaiThis is a 32K version of Smaug-Llama-3-70B-Instruct. It uses PoSE (https://arxiv.org/abs/2309.10400) and LoRA (https://arxiv.org/abs/2106.09685) adapter transfer. More details are coming soon. Score vs selected others (sourced from: (https://lmsys.org/blog/2024-04-19-arena-hard/#full-leaderboard-with-gpt-4-turbo-as-judge)). GPT-4o and Gemini-1.5-pro-latest were missing from the original blob post, and we produced those numbers from a local run using the same methodology. Note that we believe the number of tokens/verbosity of the model strongly influences the GPT-4 judge in this case, and at least partially explains the improvement in Arena-Hard score for the 32K model.
번역 대기 중 · 원문 표시
입력 텍스트→ 출력 텍스트
요금 미확인멀티모달 및 채널 요금 별도 확인
자세히 보기 ↗Smaug-Mini
abacusai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。
기본 정보 등록 · 상세 정보 보완 예정
입력 텍스트 · 이미지→ 출력 텍스트
요금 미확인멀티모달 및 채널 요금 별도 확인
자세히 보기 ↗Smaug-Mixtral-v0.1
abacusaiThis model is part of the Smaug series of finetuned models. This one based on https://huggingface.co/mistralai/Mixtral-8x7B-v0.1 We use a new fine-tuning technique, DPO-Positive (DPOP), and new pairwise preference versions of ARC, HellaSwag, and MetaMath (as well as other existing datasets). We introduce the technique and the full training details in our new paper: https://arxiv.org/abs/2402.13228. We show that on datasets in which the edit distance between pairs of completions is low (such as in math-based datasets), standard DPO loss can lead to a reduction of the model's likelihood of the preferred examples, as long as the relative probability between the preferred and dispreferred classes increases. Using these insights, we design DPOP, a new loss function and training procedure which avoids this failure mode. Surprisingly, we also find that DPOP outperforms DPO across a wide variety of datasets and downstream tasks, including datasets with high edit distances between completions.
번역 대기 중 · 원문 표시
입력 텍스트→ 출력 텍스트
요금 미확인멀티모달 및 채널 요금 별도 확인
자세히 보기 ↗일치하는 모델 없음
제공사, 분류, 입출력 조건을 조정하세요. 새 모델이 계속 등록됩니다.
COST EXPLORER
좋은 모델, 명확한 비용.
월간 토큰 사용량으로 예상 API 비용을 비교하세요.
1 M = 100만 토큰 · USD
동일 채널의 기본 텍스트 토큰 요금 비교
동일 채널의 기본 텍스트 토큰 요금 비교
수집된 백만 토큰당 USD 요금입니다. 캐시 할인, 구간 요금, 추가 추론 출력, 세금은 제외됩니다. 최신 요금은 출처에서 확인하세요.
MODEL HANDBOOK
이해하고 선택하세요
API 요금은 어떻게 비교하나요?+
입력, 출력, 캐시 요금을 구분하고 동일 작업량으로 비교하세요. 이미지, 음성, 영상은 개수, 시간, 해상도로 과금될 수 있습니다.
오픈 웨이트는 무료 상업 이용을 뜻하나요?+
반드시 그렇지는 않습니다. 버전별 라이선스, 상업 이용 제한, 정책을 확인하세요. 자체 호스팅에는 연산 및 유지 비용도 듭니다.
1위 모델이 나에게 가장 적합한가요?+
순위는 작업, 버전, 평가 방식에 따라 다릅니다. 실제 업무로 정확도, 지연, 안정성, 비용을 비교하세요.