AI NEWS.ccAI는 지금, 미래는 업데이트 중
♡ 저장한 도구 0
AI NEWS · 모델 정보기능을 이해하고 근거 있게 선택하세요. ↗기본 정보 우선 등록 · 상세 정보 지속 보완
THE AI MODEL DIRECTORY 모델 탐색을 시작하세요

나에게 맞는 AI 모델을 찾아보세요.

언어부터 이미지, 오픈 웨이트부터 API까지. 기능과 실제 비용을 비교하세요.
다음 아이디어에 맞는 AI를 찾아보세요.

인기 검색
85,003 개 모델13202 개 제공사 / 게시자45 개 기능 분류465개 비교 가능 요금 · 30개 공개 평가
T텍스트 생성▧이미지 생성▷영상 생성⌘코드 생성◖음성 합성♫음악 생성⬡3D 모델링▤문서 분석
DISCOVER & COMPARE

AI 모델 탐색 85003

주목할 모델을 찾아보세요

AMPLIFY_120M

chandar-lab

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。

분류 준비 중
입력 미확인→ 출력 미확인
요금 미확인멀티모달 및 채널 요금 별도 확인
자세히 보기 ↗
출처 / 문서 ↗

AMPLIFY_350M

chandar-lab

AMPLIFY is an efficient, state-of-the-art protein language model pre-trained using masked language modeling on UniRef100, OAS, and SCOP (UR100P). AMPLIFY can generate residue and protein embeddings, suggest mutations, differentiate disordered proteins from non-protein sequences, and much more. AMPLIFY is available in two sizes, 120M and 350M parameters, with the `_base` models not extended beyond 512 residues (Stage 1). The model architecture and pre-training procedure are detailed below. For more details, please refer to the accompanying paper.

번역 대기 중 · 원문 표시

분류 준비 중
입력 미확인→ 출력 미확인
요금 미확인멀티모달 및 채널 요금 별도 확인
자세히 보기 ↗
출처 / 문서 ↗

NeoBERT

chandar-lab

NeoBERT is a **next-generation encoder** model for English text representation, pre-trained from scratch on the RefinedWeb dataset. NeoBERT integrates state-of-the-art advancements in architecture, modern data, and optimized pre-training methodologies. It is designed for seamless adoption: it serves as a plug-and-play replacement for existing base models, relies on an **optimal depth-to-width ratio**, and leverages an extended context length of **4,096 tokens**. Despite its compact 250M parameter footprint, it is the most efficient model of its kind and achieves **state-of-the-art results** on the massive MTEB benchmark, outperforming BERT large, RoBERTa large, NomicBERT, and ModernBERT under identical fine-tuning conditions. - Paper: paper - Repository: github. If you would like to use sequence packing (un-padding), you will need to also install flash-attention:

번역 대기 중 · 원문 표시

임베딩과 유사도
입력 텍스트→ 출력 임베딩
요금 미확인멀티모달 및 채널 요금 별도 확인
자세히 보기 ↗
출처 / 문서 ↗

**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.

번역 대기 중 · 원문 표시

텍스트 분석
입력 텍스트→ 출력 텍스트
요금 미확인멀티모달 및 채널 요금 별도 확인
자세히 보기 ↗
출처 / 문서 ↗

> **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.

번역 대기 중 · 원문 표시

텍스트 분석
입력 텍스트→ 출력 텍스트
요금 미확인멀티모달 및 채널 요금 별도 확인
자세히 보기 ↗
출처 / 문서 ↗

> **Jev-Style v3 is available — smaller and stronger:** Jev-Style-0.8B-Decision-v3-GGUF scores **79.2%** on the 2,000 typed decisions (v1: 53.4%, v2: 73.5%, as reported on the v2 card), takes **25,600-token** inputs, works across **51 languages** and scores options without the 26-letter cap (tested with 77 options), all at **0.8B** parameters. This repository preserves v1; v2 is here. > **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. A **Jev-style decision model**: it does not write text. Give it a state, a question and a list of options, and it returns the decision **with calibrated probabilities** from a single token position. Runs in **LM Studio** and **llama.cpp**.

번역 대기 중 · 원문 표시

텍스트 생성
입력 텍스트→ 출력 텍스트
요금 미확인멀티모달 및 채널 요금 별도 확인
자세히 보기 ↗
출처 / 문서 ↗

> **Jev-Style v3 is available — smaller and stronger:** Jev-Style-0.8B-Decision-v3-MLX scores **79.2%** on the 2,000 typed decisions (v1: 53.4%, v2: 73.5%, as reported on the v2 card), takes **25,600-token** inputs, works across **51 languages** and scores options without the 26-letter cap (tested with 77 options), all at **0.8B** parameters. This repository preserves v1; v2 is here. A **Jev-style decision model**: it does not write text. Give it a state, a question and a list of options, and one forward pass returns the decision **with calibrated probabilities** - in 77 ms on an M1 Max. GGUF builds (BF16 / Q8_0 / Q4_K_M) for LM Studio and llama.cpp: chaoliangUNSW/Jev-Style-Qwen3.5-2B-Decision-GGUF

번역 대기 중 · 원문 표시

텍스트 생성
입력 텍스트→ 출력 텍스트
요금 미확인멀티모달 및 채널 요금 별도 확인
자세히 보기 ↗
출처 / 문서 ↗
COST EXPLORER

좋은 모델, 명확한 비용.

비용 분석

월간 토큰 사용량으로 예상 API 비용을 비교하세요.

1 M = 100만 토큰 · USD
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

선택 가이드 및 FAQ
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.

AI NEWS · 정보에서 선택으로

뉴스로 흐름을, 도구로 효율을, 모델로 가능성을.

AI 뉴스 탐색 ↗AI 도구 찾기 ↗