moirai-1.0-R-large
Salesforce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 미확인→ 출력 미확인
요금 미확인멀티모달 및 채널 요금 별도 확인
자세히 보기 ↗DISCOVER & COMPARE
AI 모델 탐색 120
moirai-1.0-R-small
SalesforceMoirai, the Masked Encoder-based Universal Time Series Forecasting Transformer is a Large Time Series Model pre-trained on LOTSA data. For more details on the Moirai architecture, training, and results, please refer to the paper. Fig. 1: Overall architecture of Moirai. Visualized is a 3-variate time series, where variates 0 and 1 are target variables (i.e. to be forecasted, and variate 2 is a dynamic covariate (values in forecast horizon known). Based on a patch size of 64, each variate is patchified into 3 tokens. The patch embeddings along with sequence and variate id are fed into the Transformer. The shaded patches represent the forecast horizon to be forecasted, whose corresponding output representations are mapped into the mixture distribution parameters. This release is for research purposes only in support of an academic paper. Our models, datasets, and code are not specifically designed or evaluated for all downstream purposes. We strongly recommend users evaluate and address potential concerns related to accuracy, safety, and fairness before deploying this model. We encourage users to consider the common limitations of AI, comply with applicable laws, and leverage best practices when selecting use cases, particularly for high-risk scenarios where errors or misuse could significantly impact people’s lives, rights, or safety. For further guidance on use cases, refer to our AUP and AI AUP.
번역 대기 중 · 원문 표시
입력 미확인→ 출력 미확인
요금 미확인멀티모달 및 채널 요금 별도 확인
자세히 보기 ↗moirai-1.1-R-base
SalesforceThis is new updated version of Moirai-1.0-R (https://huggingface.co/Salesforce/moirai-1.0-R-base). The new Moirai model achieved significant improvements (~20%) for low-frequency cases like Yearly and Quarterly data in Normalised Mean Absolute Error (NMAE) for 40 datasets on the Monash repository. This release is for research purposes only in support of an academic paper. Our models, datasets, and code are not specifically designed or evaluated for all downstream purposes. We strongly recommend users evaluate and address potential concerns related to accuracy, safety, and fairness before deploying this model. We encourage users to consider the common limitations of AI, comply with applicable laws, and leverage best practices when selecting use cases, particularly for high-risk scenarios where errors or misuse could significantly impact people’s lives, rights, or safety. For further guidance on use cases, refer to our AUP and AI AUP.
번역 대기 중 · 원문 표시
입력 미확인→ 출력 미확인
요금 미확인멀티모달 및 채널 요금 별도 확인
자세히 보기 ↗moirai-1.1-R-large
SalesforceThis is new updated version of Moirai-1.0-R (https://huggingface.co/Salesforce/moirai-1.0-R-large). The Moirai-1.1-R model achieved significant improvements (~20%) for low-frequency cases like Yearly and Quarterly data in Normalised Mean Absolute Error (NMAE) for 40 datasets on the Monash repository. This release is for research purposes only in support of an academic paper. Our models, datasets, and code are not specifically designed or evaluated for all downstream purposes. We strongly recommend users evaluate and address potential concerns related to accuracy, safety, and fairness before deploying this model. We encourage users to consider the common limitations of AI, comply with applicable laws, and leverage best practices when selecting use cases, particularly for high-risk scenarios where errors or misuse could significantly impact people’s lives, rights, or safety. For further guidance on use cases, refer to our AUP and AI AUP.
번역 대기 중 · 원문 표시
입력 미확인→ 출력 미확인
요금 미확인멀티모달 및 채널 요금 별도 확인
자세히 보기 ↗moirai-1.1-R-small
SalesforceThis is new updated version of Moirai-1.0-R (https://huggingface.co/Salesforce/moirai-1.0-R-base). The Moirai-1.1-R model achieved significant improvements (~20%) for low-frequency cases like Yearly and Quarterly data in Normalised Mean Absolute Error (NMAE) for 40 datasets on the Monash repository. This release is for research purposes only in support of an academic paper. Our models, datasets, and code are not specifically designed or evaluated for all downstream purposes. We strongly recommend users evaluate and address potential concerns related to accuracy, safety, and fairness before deploying this model. We encourage users to consider the common limitations of AI, comply with applicable laws, and leverage best practices when selecting use cases, particularly for high-risk scenarios where errors or misuse could significantly impact people’s lives, rights, or safety. For further guidance on use cases, refer to our AUP and AI AUP.
번역 대기 중 · 원문 표시
입력 미확인→ 출력 미확인
요금 미확인멀티모달 및 채널 요금 별도 확인
자세히 보기 ↗moirai-2.0-R-small
SalesforceMoirai 2.0 is a decoder-only universal time series forecasting transformer model pre-trained on: - Subset of GIFT-Eval Pretrain, and Train datasets (Non-leaking historical context). - Mixup data generated from non-leaking subsets of Chronos Dataset. - Synthetic time series produced via KernelSynth introduced in Chronos paper. - Internal Salesforce operational data. We make significant improvements over the first version of Moirai (please refer to the paper for previous version): - Switched from a distributional loss to a quantile loss formulation. - Moved from single-token to multi-token prediction, improving efficiency and stability. - Added a data filtering mechanism to filter out non-forecastable, low quality, time series during pretraining. - Added a new patch token embedding which includes missing value information. - Added patch-level random mask to improve robustness of the model during inference. To perform inference with Moirai 2.0, install the uni2ts library from our GitHub repo.
번역 대기 중 · 원문 표시
입력 미확인→ 출력 미확인
요금 미확인멀티모달 및 채널 요금 별도 확인
자세히 보기 ↗moirai-agent
Salesforce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 ↗moirai-moe-1.0-R-base
Salesforce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 미확인→ 출력 미확인
요금 미확인멀티모달 및 채널 요금 별도 확인
자세히 보기 ↗moirai-moe-1.0-R-small
Salesforce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 미확인→ 출력 미확인
요금 미확인멀티모달 및 채널 요금 별도 확인
자세히 보기 ↗FlexTab
SAP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。
입력 미확인→ 출력 미확인
요금 미확인멀티모달 및 채널 요금 별도 확인
자세히 보기 ↗LimiX-2
stable-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。
기본 정보 등록 · 상세 정보 보완 예정
입력 미확인→ 출력 미확인
요금 미확인멀티모달 및 채널 요금 별도 확인
자세히 보기 ↗Nori
Synthefy**Nori** is a tabular foundation model for **regression** via in-context learning (ICL). Given a few labeled rows as context, it predicts on new query rows in a **single forward pass**, with no task-specific training or fine-tuning. The model is trained **entirely on synthetic data**. - **Documentation:** https://docs.synthefy.com/nori/ - **Repository:** https://github.com/Synthefy/synthefy-nori - **Library:** `pip install synthefy-nori` - **Checkpoint:** `nori.pt` (this repo) - **Parameters:** ~5.9M - **License:** Apache-2.0 Mean and median R² of the base model across 96 regression tasks from three public benchmark suites (single H200, up to 50K context rows per dataset):
번역 대기 중 · 원문 표시
입력 미확인→ 출력 미확인
요금 미확인멀티모달 및 채널 요금 별도 확인
자세히 보기 ↗Nori-1-5
Synthefy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 미확인→ 출력 미확인
요금 미확인멀티모달 및 채널 요금 별도 확인
자세히 보기 ↗Nori-100M
Synthefy**Nori-100M** is the ~98.3M-parameter variant of Nori, a tabular foundation model for **regression** via in-context learning (ICL). Given a few labeled rows as context, it predicts on new query rows in a **single forward pass**, with no task-specific training or fine-tuning. The model is trained **entirely on synthetic data**. - **Documentation:** https://docs.synthefy.com/nori/ - **Repository:** https://github.com/Synthefy/synthefy-nori - **Library:** `pip install synthefy-nori` - **Checkpoint:** `nori.pt` (this repo) - **Parameters:** ~98.3M (98,304,698) - **Architecture:** 42 layers, embed_dim 352, hid_dim 1056, 8 heads - **License:** Apache-2.0 It uses a GPU when one is available and falls back to CPU. A one-shot helper skips the object entirely:
번역 대기 중 · 원문 표시
입력 미확인→ 출력 미확인
요금 미확인멀티모달 및 채널 요금 별도 확인
자세히 보기 ↗Nori-30M
Synthefy**Nori-30M** is the ~29.2M-parameter variant of Nori, a tabular foundation model for **regression** via in-context learning (ICL). Given a few labeled rows as context, it predicts on new query rows in a **single forward pass**, with no task-specific training or fine-tuning. The model is trained **entirely on synthetic data**. - **Documentation:** https://docs.synthefy.com/nori/ - **Repository:** https://github.com/Synthefy/synthefy-nori - **Library:** `pip install synthefy-nori` - **Checkpoint:** `nori.pt` (this repo) - **Parameters:** ~29.2M - **License:** Apache-2.0 Mean and median R² across 96 regression tasks from three public benchmark suites, on the same protocol as the base Nori:
번역 대기 중 · 원문 표시
입력 미확인→ 출력 미확인
요금 미확인멀티모달 및 채널 요금 별도 확인
자세히 보기 ↗tafsut-univariate-base
Tafsut-FM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 ↗t0-alpha
theforecastingcompany`t0-alpha` is an open-weights time-series forecasting foundation model from The Forecasting Company. `t0` is a transformer-based model that produces probabilistic multi-horizon forecasts and natively operates on multiple covariates. `t0-alpha` is the first public iteration of the model. You can use `t0` on Retrocast, The Forecasting Company's platform for forecasting on your own data and comparing forecasts across open-weight models.
번역 대기 중 · 원문 표시
입력 미확인→ 출력 미확인
요금 미확인멀티모달 및 채널 요금 별도 확인
자세히 보기 ↗t0-beta
theforecastingcompany`t0-beta` is an open-weights time-series forecasting foundation model from The Forecasting Company. `t0` is a transformer-based model that produces probabilistic multi-horizon forecasts and natively operates on multiple covariates. `t0-beta` is the second public iteration of the model. It predicts 21 quantile levels natively, and is an incremental improvement over `t0-alpha`.
번역 대기 중 · 원문 표시
입력 미확인→ 출력 미확인
요금 미확인멀티모달 및 채널 요금 별도 확인
자세히 보기 ↗t0-gamma
theforecastingcompany`t0-gamma` is an open-weights time-series forecasting foundation model from The Forecasting Company. `t0` is a transformer-based model that produces probabilistic multi-horizon forecasts and natively operates on multiple covariates. `t0-gamma` is the third public iteration of the model. You can use `t0` on Retrocast, The Forecasting Company's platform for forecasting on your own data and comparing forecasts across open-weight models.
번역 대기 중 · 원문 표시
입력 미확인→ 출력 미확인
요금 미확인멀티모달 및 채널 요금 별도 확인
자세히 보기 ↗sundial-base-128m
thuml🚩 **News (2025.08)** Sundial has been integrated into Apache IoTDB, a native time-series database. 🚩 **News (2025.05)** Get **1st MASE** on the GIFT-Eval Benchmark. 🚩 **News (2025.02)** Get **1st MSE/MAE** zero-shot performance on Time-Series-Library datasets.
번역 대기 중 · 원문 표시
입력 미확인→ 출력 미확인
요금 미확인멀티모달 및 채널 요금 별도 확인
자세히 보기 ↗timer-base-84m
thuml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 미확인→ 출력 미확인
요금 미확인멀티모달 및 채널 요금 별도 확인
자세히 보기 ↗TimeBraid-2.5B
XinyueWangg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 ↗FoMo-0D
YuchenShen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 미확인→ 출력 미확인
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.