detector-scope
liamdugan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。
输入 文本→ 输出 文本
价格待核验多模态与渠道费用须分别核对
查看详情 ↗DISCOVER & COMPARE
探索 AI 模型 85001
roberta-large-finetuned-race
LIAMF-USP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
输入 待核验→ 输出 待核验
价格待核验多模态与渠道费用须分别核对
查看详情 ↗ai-image-detector-model
LiamReardon01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。
输入 待核验→ 输出 待核验
价格待核验多模态与渠道费用须分别核对
查看详情 ↗timee
liamsbhoo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
输入 待核验→ 输出 待核验
价格待核验多模态与渠道费用须分别核对
查看详情 ↗Llama-3.2-Taiwan-3B-Instruct-GGUF
lianghsun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。
输入 文本→ 输出 文本
价格待核验多模态与渠道费用须分别核对
查看详情 ↗win98-gemma-270m-onnx
lianghsun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
输入 文本→ 输出 文本
价格待核验多模态与渠道费用须分别核对
查看详情 ↗Qwen3-8B-CC-SFT-v1
liangzhidanta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
输入 文本→ 输出 文本
价格待核验多模态与渠道费用须分别核对
查看详情 ↗Qwen3-8B-CC-SFT-v2
liangzhidanta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
输入 文本→ 输出 文本
价格待核验多模态与渠道费用须分别核对
查看详情 ↗Qwen3-8B-CC-SFT-v2-2e
liangzhidanta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
输入 文本→ 输出 文本
价格待核验多模态与渠道费用须分别核对
查看详情 ↗Wan2.2-TI2V-5B-Turbo-GGUF
liaqateagle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。
输入 图像→ 输出 视频
价格待核验多模态与渠道费用须分别核对
查看详情 ↗LTX-2.3-GGUF
Libai111111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
输入 图像→ 输出 视频
价格待核验多模态与渠道费用须分别核对
查看详情 ↗DeepSeek-V4.1-Flash-1017-EXL3-2.9bpw
LibertAIDAI**TL;DR** — EXL3 quantization of deepseek-ai/DeepSeek-V4.1-Flash-1017 at **2.90 bpw** (196.3 GiB). On held-out text its perplexity is **+1.8% (code) / +0.4% (prose)** above the unquantized model. Tensor names, dtypes and per-tensor bitrates match Mia-AiLab/DeepSeek-V4.1-Flash-EXL3-2.9bpw tensor for tensor, so the MiaAI-Lab/DeepSeek-v4.1-Flash-EXL3-2x-DGX-Sparks serving kit's bundled K map describes it unchanged. The two Engram tables are **not** in this repo: take them from the 1017 base repo, because they changed in this release. > **Chat template:** this repo ships `chat_template.jinja`, a Jinja port of DeepSeek's 1017 `encoding/encoding.py` (from jayleaton's MIT template via a community PR by dpolist, amended for the 1017 encoder). It renders byte-identically to the reference on our 8,455-case test corpus. Runtimes that require a template file at startup need it (verified to render identically under Python Jinja and TensorFold's Zig engine); vLLM-based kits use their built-in DeepSeek encoder. > **Agentic use / reasoning effort:** with tools in the conversation, each turn's reasoning stays in the prompt and is re-read by every later turn, so reasoning cost compounds. On our benchmark of the original 1017 weights (3,738 jobs: agentic coding, tau-bench, LiveCodeBench, AIME, chat), `reasoning_effort` **high** (75, the default) matched **max** (100) on quality at 0.55–0.8× the cost, and **low** (50) matched too at 0.4–0.6× (results in discussion #4). Avoid max for agent loops unless you need the headroom.
译文排队中 · 当前显示来源原文
输入 文本→ 输出 文本
价格待核验多模态与渠道费用须分别核对
查看详情 ↗DeepSeek-V4.1-Flash-1017-EXL3-3.5bpw
LibertAIDAI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
输入 文本→ 输出 文本
价格待核验多模态与渠道费用须分别核对
查看详情 ↗DeepSeek-V4.1-Flash-1017-NVFP4
LibertAIDAI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
输入 文本 · 图像→ 输出 文本
价格待核验多模态与渠道费用须分别核对
查看详情 ↗DeepSeek-V4.1-Flash-NVFP4
LibertAIDAI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
输入 文本 · 图像→ 输出 文本
价格待核验多模态与渠道费用须分别核对
查看详情 ↗Gemma-4-12B-IT-NVFP4
LibertAIDAI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
输入 文本 · 图像→ 输出 文本
价格待核验多模态与渠道费用须分别核对
查看详情 ↗Gemma-4-12B-IT-NVFP4-GGUF
LibertAIDAI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
输入 文本→ 输出 文本
价格待核验多模态与渠道费用须分别核对
查看详情 ↗Gemma-4-31B-IT-NVFP4-GGUF
LibertAIDAI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。
输入 文本 · 图像→ 输出 文本
价格待核验多模态与渠道费用须分别核对
查看详情 ↗GLM-5.3-Flash-NVFP4
LibertAIDAI*Weight-only NVFP4 quantization of Z.ai's GLM-5.3-Flash — the first GLM to combine **sparse and linear attention**.* A **weight-only NVFP4 (NVFP4-A16)** checkpoint. The **routed-expert FFN** tensors — 97% of the model's parameters — are quantized to **NVFP4** (E2M1, with FP8-E4M3 per-16-block scales and an FP32 per-tensor global scale). Everything outlier-sensitive stays in **BF16**: > both attention flavours (all 34 KDA linear-attention layers *and* the 11 DeepSeek-sparse layers, including the sparse indexer) · the **entire vision tower** · shared experts · MoE routers · dense-MLP layers · the MTP head · the Manifold-Constrained Hyper-Connection (mHC) tensors · token embeddings · `lm_head` · all norms
译文排队中 · 当前显示来源原文
输入 文本 · 图像→ 输出 文本
价格待核验多模态与渠道费用须分别核对
查看详情 ↗Nex-N2-mini-GGUF
LibertAIDAI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
输入 文本 · 图像→ 输出 文本
价格待核验多模态与渠道费用须分别核对
查看详情 ↗Qwen3.6-35B-A3B-NVFP4-GGUF
LibertAIDAI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。
输入 文本 · 图像→ 输出 文本
价格待核验多模态与渠道费用须分别核对
查看详情 ↗Qwen3.6-35B-A3B-NVFP4-MTP-GGUF
LibertAIDAI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
输入 文本 · 图像→ 输出 文本
价格待核验多模态与渠道费用须分别核对
查看详情 ↗Qwen3.8-27B-NVFP4-GGUF
LibertAIDAINVFP4 GGUF quantizations of Qwen/Qwen3.8-27B for llama.cpp, built for native NVFP4 tensor-core math on Blackwell GPUs. The NVFP4 weights come from our own ModelOpt post-training quantization of the BF16 release, using NVIDIA's dense recipe: NVFP4 at group size 16 on the language-model MLP linears only, calibrated on 512 samples of cnn_dailymail at sequence length 512. Attention (both the full-attention and Gated-DeltaNet linear-attention layers), the vision tower, the MTP block, embeddings and `lm_head` are left in BF16. That is 192 quantized linears, 64 layers by gate, up and down. An MTP variant with the speculative draft head is published separately at Qwen3.8-27B-NVFP4-MTP-GGUF.
译文排队中 · 当前显示来源原文
输入 文本 · 图像→ 输出 文本
价格待核验多模态与渠道费用须分别核对
查看详情 ↗Qwen3.8-27B-NVFP4-MTP-GGUF
LibertAIDAI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
输入 文本 · 图像→ 输出 文本
价格待核验多模态与渠道费用须分别核对
查看详情 ↗暂未找到匹配模型
可以调整厂商、分类或输入输出条件；新模型正持续收录。
COST EXPLORER
好模型，也要算好成本。
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
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
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。