AI NEWS.ccAI正在发生 未来正在更新
♡ 我的收藏 0
AI NEWS · 模型情报站发现能力边界，让每一次选择更有依据 ↗基础档案先收录 · 缺失资料持续补齐
THE AI MODEL DIRECTORY 模型探索，从这里开始

找到适合你的 AI 模型。

从语言到影像，从开源到 API。读懂模型能力、比较真实成本，
为你的下一个想法，找到合适的智能引擎。

热门探索
84,991 款模型档案13202 家厂商 / 发布者45 个能力分类465 款有可比报价 · 30 款有公开评测
T文本生成▧图像生成▷视频生成⌘代码生成◖语音合成♫音乐生成⬡3D 建模▤文档分析
DISCOVER & COMPARE

探索 AI 模型 102

为你发现值得关注的模型

This repository contains the **1B Surface Normal Estimation** checkpoint, finetuned from the Sapiens2-1B pretrained backbone.

译文排队中 · 当前显示来源原文

深度估计
输入 图像→ 输出 图像
价格待核验多模态与渠道费用须分别核对
查看详情 ↗
来源 / 文档 ↗

DPT (Dense Prediction Transformer) heads for depth estimation, surface normal prediction, and semantic segmentation on top of the frozen TIPSv2 B/14 backbone. The backbone is loaded automatically. The depth and normals heads are trained on the NYU Depth V2 dataset and segmentation is trained on the ADE20K dataset (150 classes).

译文排队中 · 当前显示来源原文

深度估计
输入 图像→ 输出 图像
价格待核验多模态与渠道费用须分别核对
查看详情 ↗
来源 / 文档 ↗

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。

基础资料已收录 · 缺失资料后续补充

深度估计
输入 图像→ 输出 图像
价格待核验多模态与渠道费用须分别核对
查看详情 ↗
来源 / 文档 ↗

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。

基础资料已收录 · 缺失资料后续补充

深度估计
输入 图像→ 输出 图像
价格待核验多模态与渠道费用须分别核对
查看详情 ↗
来源 / 文档 ↗

Dense Prediction Transformer (DPT) model trained on 1.4 million images for monocular depth estimation. It was introduced in the paper Vision Transformers for Dense Prediction by Ranftl et al. (2021) and first released in this repository. DPT uses the Vision Transformer (ViT) as backbone and adds a neck + head on top for monocular depth estimation. This repository hosts the "hybrid" version of the model as stated in the paper. DPT-Hybrid diverges from DPT by using ViT-hybrid as a backbone and taking some activations from the backbone. The model card has been written in combination by the Hugging Face team and Intel.

译文排队中 · 当前显示来源原文

深度估计
输入 图像→ 输出 图像
价格待核验多模态与渠道费用须分别核对
查看详情 ↗
来源 / 文档 ↗

Dense Prediction Transformer (DPT) model trained on 1.4 million images for monocular depth estimation. It was introduced in the paper Vision Transformers for Dense Prediction by Ranftl et al. (2021) and first released in this repository. DPT uses the Vision Transformer (ViT) as backbone and adds a neck + head on top for monocular depth estimation. The model card has been written in combination by the Hugging Face team and Intel. In case you want to implement the entire logic yourself, here's how to do that for zero-shot depth estimation on an image:

译文排队中 · 当前显示来源原文

深度估计
输入 图像→ 输出 图像
价格待核验多模态与渠道费用须分别核对
查看详情 ↗
来源 / 文档 ↗

ZoeDepth model fine-tuned on the NYU dataset. It was introduced in the paper ZoeDepth: Zero-shot Transfer by Combining Relative and Metric Depth by Shariq et al. and first released in this repository. ZoeDepth extends the DPT framework for metric (also called absolute) depth estimation, obtaining state-of-the-art results. Disclaimer: The team releasing ZoeDepth did not write a model card for this model so this model card has been written by the Hugging Face team.

译文排队中 · 当前显示来源原文

深度估计
输入 图像→ 输出 图像
价格待核验多模态与渠道费用须分别核对
查看详情 ↗
来源 / 文档 ↗

ZoeDepth model fine-tuned on the NYU and KITTI datasets. It was introduced in the paper ZoeDepth: Zero-shot Transfer by Combining Relative and Metric Depth by Shariq et al. and first released in this repository. ZoeDepth extends the DPT framework for metric (also called absolute) depth estimation, obtaining state-of-the-art results. Disclaimer: The team releasing ZoeDepth did not write a model card for this model so this model card has been written by the Hugging Face team.

译文排队中 · 当前显示来源原文

深度估计
输入 图像→ 输出 图像
价格待核验多模态与渠道费用须分别核对
查看详情 ↗
来源 / 文档 ↗
COST EXPLORER

好模型，也要算好成本。

费用分析

调整月度 Token 用量，直观比较不同模型的预估 API 开支。

1 M = 100 万 Token · 美元计价
仅比较同一渠道的基础文本 Token 报价

使用已采集且单位可比的 USD / 百万 Token 渠道报价。报价为采集时快照；不计缓存优惠、阶梯价、推理额外输出与税费，请以来源的当前报价为准。

MODEL HANDBOOK

读懂模型，再做选择

选型与常见问题
API 价格应该怎么比较？+

先区分输入、输出和缓存价格，再使用同一任务和用量估算总费用。图像、音频和视频可能按张、时长或分辨率计费，不能直接与 Token 单价比较。

开放权重，就代表可以免费商用吗？+

不一定。必须逐一核对具体模型版本的许可证、商用限制及使用政策。自己部署还需要考虑显存、推理资源和运维费用。

排行榜第一，就是最适合我的模型吗？+

榜单取决于测试任务、版本与评测方法。建议用实际业务样本比较准确性、时延、稳定性和成本，再选择模型。

AI NEWS · 从信息到选择

资讯看趋势，工具提效率，模型筑可能。

探索 AI 资讯 ↗发现 AI 工具 ↗