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 ↗DISCOVER & COMPARE
AI 모델 탐색 1038
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 ↗Building upon Mistral Small 3 (2501), Mistral Small 3.1 (2503) **adds state-of-the-art vision understanding** and enhances **long context capabilities up to 128k tokens** without compromising text performance. With 24 billion parameters, this model achieves top-tier capabilities in both text and vision tasks. This model is an instruction-finetuned version of: Mistral-Small-3.1-24B-Base-2503. Mistral Small 3.1 can be deployed locally and is exceptionally "knowledge-dense," fitting within a single RTX 4090 or a 32GB RAM MacBook once quantized. It is ideal for: - Fast-response conversational agents. - Low-latency function calling. - Subject matter experts via fine-tuning. - Local inference for hobbyists and organizations handling sensitive data. - Programming and math reasoning. - Long document understanding. - Visual understanding.
번역 대기 중 · 원문 표시
입력 미확인→ 출력 미확인
요금 미확인멀티모달 및 채널 요금 별도 확인
자세히 보기 ↗Small-3.2 improves in the following categories: - **Instruction following**: Small-3.2 is better at following precise instructions - **Repetition errors**: Small-3.2 produces less infinite generations or repetitive answers - **Function calling**: Small-3.2's function calling template is more robust (see here and examples) In all other categories Small-3.2 should match or slightly improve compared to Mistral-Small-3.1-24B-Instruct-2503. We compare Mistral-Small-3.2-24B to Mistral-Small-3.1-24B-Instruct-2503. For more comparison against other models of similar size, please check Mistral-Small-3.1's Benchmarks'
번역 대기 중 · 원문 표시
입력 텍스트 · 이미지→ 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。
입력 텍스트 · 이미지→ 출력 텍스트
요금 미확인멀티모달 및 채널 요금 별도 확인
자세히 보기 ↗> [!NOTE] > Includes our **GGUF chat template fixes**! Tool calling works as well! If you are using `llama.cpp`, use `--jinja` to enable the system prompt. > - Fine-tune Mistral v0.3 (7B) for free using our Google Colab notebook here-Conversational.ipynb)! - View the rest of our notebooks in our docs here. Mistral-Small-3.2-24B-Instruct-2506 is a minor update of Mistral-Small-3.1-24B-Instruct-2503.
번역 대기 중 · 원문 표시
입력 텍스트 · 이미지→ 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。
입력 텍스트 · 이미지→ 출력 텍스트
요금 미확인멀티모달 및 채널 요금 별도 확인
자세히 보기 ↗> [!NOTE] > Includes Unsloth **chat template fixes**! For `llama.cpp`, use `--jinja` > Unsloth Dynamic 2.0 achieves superior accuracy & outperforms other leading quants. Mistral Small 4 is a powerful hybrid model capable of acting as both a general instruction model and a reasoning model. It unifies the capabilities of three different model families—**Instruct**, **Reasoning** (previously called Magistral), and **Devstral**—into a single, unified model.
번역 대기 중 · 원문 표시
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 ↗ModernBERT-base
unsloth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 ↗ModernBERT-large
unsloth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 ↗MOSS-Image-Base-FP8
unsloth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 이미지
요금 미확인멀티모달 및 채널 요금 별도 확인
자세히 보기 ↗MOSS-Image-Base-GGUF
unslothThis is a GGUF quantized version of MOSS-Image-Base by OpenMOSS, the 5.1B text-to-image transformer. unsloth/MOSS-Image-Base-GGUF uses Unsloth Dynamic 2.0 methodology: the `UD-` files are mixed precision, with each layer's type chosen from a measured sensitivity scan and an importance matrix collected while generating images. - Runs in Unsloth Studio and in stable-diffusion.cpp builds that include MOSS-Image (master-975 or newer), on CPU, Mac and GPU. - Only the transformer is in these files. The VAE and tokenizer are unchanged; take them from unsloth/MOSS-Image-Base-FP8, which carries the upstream diffusers folders byte for byte. The text encoder runs from the stock unsloth/Qwen3.5-9B-GGUF `Qwen3.5-9B-Q8_0.gguf`. **Recommended:** `MOSS-Image-Base-UD-Q4_K_XL.gguf` (3.42 GB) for most machines: LPIPS 0.179 against 0.293 for `Q4_K_M`. For output closer to bf16 use `UD-Q5_K_XL` (0.138) or `UD-Q6_K_XL` (0.102); `Q8_0` (0.081) is the closest. On a CUDA GPU, Unsloth Studio defaults to the INT8-ConvRot file in unsloth/MOSS-Image-Base-FP8 (LPIPS 0.096) instead. Pick **MOSS-Image-Base** in the Images tab and choose a GGUF file from this repo. Unsloth Studio runs MOSS-Image GGUFs with its bundled stable-diffusion.cpp engine and downloads the VAE, tokenizer and Qwen3.5-9B text encoder for you. Defaults: 1024x1024, 50 steps, CFG 3, shift 5.
번역 대기 중 · 원문 표시
입력 텍스트→ 출력 이미지
요금 미확인멀티모달 및 채널 요금 별도 확인
자세히 보기 ↗MOSS-Image-SFT-FP8
unsloth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 ↗MOSS-Image-SFT-GGUF
unslothThis is a GGUF quantized version of MOSS-Image-SFT by OpenMOSS, the 5.1B text-to-image transformer. unsloth/MOSS-Image-SFT-GGUF uses Unsloth Dynamic 2.0 methodology: the `UD-` files are mixed precision, with each layer's type chosen from a measured sensitivity scan and an importance matrix collected while generating images. - Runs in Unsloth Studio and in stable-diffusion.cpp builds that include MOSS-Image (master-975 or newer), on CPU, Mac and GPU. - Only the transformer is in these files. The VAE and tokenizer are unchanged; take them from unsloth/MOSS-Image-SFT-FP8, which carries the upstream diffusers folders byte for byte. The text encoder runs from the stock unsloth/Qwen3.5-9B-GGUF `Qwen3.5-9B-Q8_0.gguf`. **Recommended:** `MOSS-Image-SFT-UD-Q4_K_XL.gguf` (3.42 GB) for most machines: LPIPS 0.213 against 0.294 for `Q4_K_M`. For output closer to bf16 use `UD-Q5_K_XL` (0.121) or `UD-Q6_K_XL` (0.106); `Q8_0` (0.054) is the closest. On a CUDA GPU, Unsloth Studio defaults to the INT8-ConvRot file in unsloth/MOSS-Image-SFT-FP8 (LPIPS 0.058) instead. Pick **MOSS-Image-SFT** in the Images tab and choose a GGUF file from this repo. Unsloth Studio runs MOSS-Image GGUFs with its bundled stable-diffusion.cpp engine and downloads the VAE, tokenizer and Qwen3.5-9B text encoder for you. Defaults: 1024x1024, 50 steps, CFG 3, shift 5.
번역 대기 중 · 원문 표시
입력 텍스트→ 출력 이미지
요금 미확인멀티모달 및 채널 요금 별도 확인
자세히 보기 ↗Muse-Glimmer-30B
unslothSee our Muse Glimmer guide for quantization analysis and instructions. You can now run Muse Glimmer in Unsloth with toggles for thinking. Muse Glimmer is a 30-billion-parameter causal language model with a dedicated perception encoder, distilled from Muse Spark and purpose-built for autonomous agentic tasks on consumer hardware. The model integrates multi-step reasoning, reliable tool use, multimodal understanding, and failure recovery into a single model that runs locally without requiring cloud infrastructure or network access. Building effective agents requires key capabilities working together to achieve the user’s goals. Muse Glimmer is trained and evaluated on these capabilities:
번역 대기 중 · 원문 표시
입력 텍스트 · 이미지→ 출력 텍스트
요금 미확인멀티모달 및 채널 요금 별도 확인
자세히 보기 ↗Muse-Glimmer-30B-GGUF
unslothUnsloth Dynamic 2.0 achieves superior accuracy & outperforms other leading quants. See our Muse Glimmer guide for quantization analysis and instructions. You can now run Muse Glimmer in Unsloth with toggles for thinking. See below for 2-bit Muse Glimmer execute 100+ tool calls inside of Unsloth: **Authors:** Meta Superintelligence Lab **Model Release Date:** August 2026 **License:** Apache 2.0
번역 대기 중 · 원문 표시
입력 텍스트→ 출력 텍스트
요금 미확인멀티모달 및 채널 요금 별도 확인
자세히 보기 ↗See our Muse Glimmer guide for quantization analysis and instructions. You can now run Muse Glimmer in Unsloth with toggles for thinking. Muse Glimmer is a 30-billion-parameter causal language model with a dedicated perception encoder, distilled from Muse Spark and purpose-built for autonomous agentic tasks on consumer hardware. The model integrates multi-step reasoning, reliable tool use, multimodal understanding, and failure recovery into a single model that runs locally without requiring cloud infrastructure or network access. Building effective agents requires key capabilities working together to achieve the user’s goals. Muse Glimmer is trained and evaluated on these capabilities:
번역 대기 중 · 원문 표시
입력 텍스트 · 이미지→ 출력 텍스트
요금 미확인멀티모달 및 채널 요금 별도 확인
자세히 보기 ↗Muse-Spark-Open-816B-A42B
unsloth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 · 이미지→ 출력 텍스트
요금 미확인멀티모달 및 채널 요금 별도 확인
자세히 보기 ↗--- **Authors**: Meta Superintelligence Labs **Model Release Date:** October 2026 **License**: Muse Model License Muse Spark Open is an 816B total/42B active parameter open weights model with a context window of 1M tokens. Built for coding and agentic work, Muse Spark Open is natively multimodal. This open weights version has additional safety post-training to make it more robust against misuse as a standalone model without system guardrails. We recommend deploying Muse Spark Open as part of a broader AI system, with additional guardrails suited to the specific use case. 1. **Multi-Step Reasoning** \- chains reasoning over long horizons, sustaining coherent plans across complex, extended workflows. 2. **End to End Agentic Task Completion** \- multi-step planning, sequential tool invocation, failure recovery, and long-horizon task execution, working within scaffolds, write and debug code, and resolve multi-turn requests from start to finish. 3. **Coding Agents** \- writing, debugging, and resolving real-world software engineering tasks. 4. **Tool Use** \- tool invocation across extended multi-turn workflows, diagnosing error and retrying with tool call failures 5. **Multimodal Reasoning** \- interpreting screenshots, charts, documents, images, audio and video recordings, alongside conversation for agentic and information-rich environments. 6. **Synthetic Data Generation** \- generating high-quality training data for downstream model development. 7. **LLM-as-a-judge Evaluation** \- serving as an evaluator for other models' outputs.
번역 대기 중 · 원문 표시
입력 텍스트 · 이미지→ 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。
입력 텍스트 · 이미지→ 출력 텍스트
요금 미확인멀티모달 및 채널 요금 별도 확인
자세히 보기 ↗Nanonets-OCR-s-GGUF
unslothNanonets-OCR-s is a powerful, state-of-the-art image-to-markdown OCR model that goes far beyond traditional text extraction. It transforms documents into structured markdown with intelligent content recognition and semantic tagging, making it ideal for downstream processing by Large Language Models (LLMs).
번역 대기 중 · 원문 표시
입력 텍스트 · 이미지→ 출력 텍스트
요금 미확인멀티모달 및 채널 요금 별도 확인
자세히 보기 ↗Nemotron-3-Nano-30B-A3B
unsloth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 ↗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.