LTX-Video-0.9.8-13B-distilled
Lightricks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 ↗DISCOVER & COMPARE
探索 AI 模型 85001
LTX-Video-ICLoRA-canny-13b-0.9.7
Lightricks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 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-Video-ICLoRA-depth-13b-0.9.7
Lightricks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 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-Video-ICLoRA-detailer-13b-0.9.8
LightricksThis is a video detailer model on top of `LTXV_13B_098_DEV` trained on custom data. IC LoRA is a method that enables adding video context into the video generation process. This approach allows for video-to-video control on top of the text-to-video model, providing more precise control over the generated content by conditioning the model on reference video frames during inference. comfy compatible model: ltxv-098-ic-lora-detailer-comfyui.safetensors
译文排队中 · 当前显示来源原文
输入 文本→ 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-Video-ICLoRA-pose-13b-0.9.7
Lightricks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 视频
价格待核验多模态与渠道费用须分别核对
查看详情 ↗ltxv-spatial-upscaler-0.9.7
Lightricks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 ↗T5-XXL-8bit
Lightricks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 ↗Inkling-MXFP4
lightseekorg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 ↗kimi-k2.5-eagle3
lightseekorg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 ↗kimi-k2.5-eagle3-mla
lightseekorg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 ↗kimi-k2.6-eagle3
lightseekorg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 ↗kimi-k2.6-eagle3.1-mla
lightseekorg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 ↗kimi-k2.6-eagle3-mla
lightseekorgkimi-k2.6-eagle3-mla is an Eagle3 MTP draft model with MLA (Multi-Latent Attention) for accelerating inference of Kimi-K2.6, trained with TorchSpec — an online speculative decoding training framework that runs FSDP training and inference concurrently. If you find this draft model useful, please give our project TorchSpec a star on GitHub. Compared with an MHA draft model, the MLA variant is a better fit for Kimi-K2.6 deployment: - Uses less KV cache, which reduces serving memory pressure. - Matches Kimi-K2.6's MLA architecture, so it fits more naturally into the inference engine's KV-cache handling under different serving scenarios such as PD-Disaggregation.
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 ↗kimi-k3-dflash2
lightseekorgDraft model for speculative decoding on `moonshotai/Kimi-K3`, served with TokenSpeed (`--speculative-algorithm DFLASH`). Acceptance length `acc_len = 1 + accepted/steps` at 7 speculative proposals, served with TokenSpeed DFLASH on two GB300 nodes (8 GPUs, TP8), MLA target and drafter. Target is `moonshotai/Kimi-K3` with the serving flags shown at the bottom of this card. Production sampling only: `temperature=1.0`, `top_p=0.95`, reasoning effort `max`, no `top_k`. RULER multi-key needle retrieval over natural-text paragraphs, with only the input length varying. `retrieval` is exact match on the needle value, recorded so that acceptance cannot be credited to a model that has stopped reading its context.
译文排队中 · 当前显示来源原文
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 ↗kimi-k3-eagle3.1-mla
lightseekorg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 ↗kimi-k3-eagle3-mla
lightseekorg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 ↗parakeet-tdt-0.6b-v3
lightware-dev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 音频→ 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 ↗XBrush-Pro4
lightweight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 图像
价格待核验多模态与渠道费用须分别核对
查看详情 ↗Autoencoders
lightx2v*From Official Models to Lightx2v Distilled Optimized Versions - Balancing Quality, Speed and Memory* For VAE, the LightX2V team has conducted a series of deep optimizations, deriving two major series: **LightVAE** and **LightTAE**, which significantly reduce memory consumption and improve inference speed while maintaining high quality. ✅ Best reconstruction accuracy ✅ Complete detail preservation ❌ Large memory usage (~8-12 GB) ❌ Slow inference speed
译文排队中 · 当前显示来源原文
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 ↗Encoders
lightx2v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 ↗Hy1.5-Distill-Models
lightx2v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 视频
价格待核验多模态与渠道费用须分别核对
查看详情 ↗Hy1.5-Quantized-Models
lightx2v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 ↗LightVAE
lightx2v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 ↗LightWan2.2-A14B
lightx2v> **An extremely efficient Wan 2.2 14B variant: NVFP4 Quantization-Aware Step Distillation with Sparse Attention for Blackwell Architecture** Follow the LightX2V environment setup and NVFP4 kernel installation. Use a Blackwell GPU with the required sparse-attention dependencies. In each launch script, set `lightx2v_path`, `model_path`, `CUDA_VISIBLE_DEVICES`, and the input/output paths. Keep `model_path` pointed at the complete corresponding Wan2.2 base model directory.
译文排队中 · 当前显示来源原文
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 ↗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。