ShareGPT4V-7B
Lin-Chen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 ↗DISCOVER & COMPARE
探索 AI 模型 85001
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 ↗MiniMax-H3
lin929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 ↗animagine-xl
Linaqruf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 ↗anime-detailer-xl-lora
Linaqruf.title-container { display: flex; flex-direction: column; justify-content: center; align-items: center; height: 100vh; background-color: #f5f5f5; } .title { font-size: 3em; text-align: center; color: #333; text-transform: uppercase; padding: 0.5em; font-weight: bold; } .title span { background: -webkit-linear-gradient(45deg, #ff9a9e, #fad0c4, #f6d365); -webkit-background-clip: text; -webkit-text-fill-color: transparent; }
译文排队中 · 当前显示来源原文
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 ↗hitokomoru-diffusion
Linaqruf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 ↗pastel-anime-xl-lora
Linaqruf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 ↗style-enhancer-xl-lora
Linaqruf.title-container { display: flex; flex-direction: column; /* Allow vertical stacking of title and subtitle */ justify-content: center; align-items: center; height: 100vh; background-color: #f5f5f5; } .title { font-size: 2em; text-align: center; color: #333; font-family: 'Verdana', sans-serif; text-transform: uppercase; padding: 1em; box-shadow: 0px 0px 0px rgba(0,0,0,0.1); } .title span { background: -webkit-linear-gradient(45deg, #ff9a9e, #fad0c4, #f6d365); -webkit-background-clip: text; -webkit-text-fill-color: transparent; }
译文排队中 · 当前显示来源原文
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 ↗clip-japanese-base
line-corporationThis is a Japanese CLIP (Contrastive Language-Image Pre-training) model developed by LY Corporation. This model was trained on ~1B web-collected image-text pairs, and it is applicable to various visual tasks including zero-shot image classification, text-to-image or image-to-text retrieval. The model uses an Eva02-B Transformer architecture as the image encoder and a 12-layer BERT as the text encoder. The text encoder was initialized from rinna/japanese-clip-vit-b-16. - STAIR Captions (v2014 val set of MSCOCO) for image-to-text (i2t) and text-to-image (t2i) retrieval. We measure performance using R@1, which is the average recall of i2t and t2i retrieval. - Recruit Datasets for image classification. - ImageNet-1K for image classification. We translated all classnames into Japanese. The classnames and templates can be found in ja-imagenet-1k-classnames.txt and ja-imagenet-1k-templates.txt.
译文排队中 · 当前显示来源原文
输入 文本→ 输出 向量
价格待核验多模态与渠道费用须分别核对
查看详情 ↗clip-japanese-base-v2
line-corporationThis is a Japanese CLIP (Contrastive Language-Image Pre-training) model developed by LY Corporation. This model is an updated version of line-corporation/clip-japanese-base. It increases the training data to approximately ~2B image–text pairs and applies model distillation to improve overall performance. The model uses an Eva02-B Transformer architecture as the image encoder and a 12-layer BERT as the text encoder. The text encoder was initialized from rinna/japanese-clip-vit-b-16.
译文排队中 · 当前显示来源原文
输入 文本→ 输出 向量
价格待核验多模态与渠道费用须分别核对
查看详情 ↗japanese-large-lm-1.7b
line-corporation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 ↗japanese-large-lm-3.6b
line-corporation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 ↗japanese-large-lm-3.6b-instruction-sft
line-corporation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 ↗line-distilbert-base-japanese
line-corporationThis is a DistilBERT model pre-trained on 131 GB of Japanese web text. The teacher model is BERT-base that built in-house at LINE. The model was trained by LINE Corporation. The model architecture is the DitilBERT base model; 6 layers, 768 dimensions of hidden states, 12 attention heads, 66M parameters. The texts are first tokenized by MeCab with the Unidic dictionary and then split into subwords by the SentencePiece algorithm. The vocabulary size is 32768.
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 ↗Gated-Deltanet-1.3B
linear-moe-hub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 ↗whisper-small-sinhala
Lingalingeswaran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 ↗ganga-1b
LingoIITGN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 ↗qwen-indic-v1
LingoIITGN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 向量
价格待核验多模态与渠道费用须分别核对
查看详情 ↗Lingshu-32B
lingshu-medical-mllm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 ↗Lingshu-7B
lingshu-medical-mllmWebsite 🤖 7B Model 🤖 32B Model MedEvalKit Technical Report Lingshu MCP This repository contains the model of the paper Lingshu: A Generalist Foundation Model for Unified Multimodal Medical Understanding and Reasoning. We also release a comprehensive medical evaluation toolkit in MedEvalKit, which supports fast evaluation of major multimodal and textual medical tasks. > **Disclaimer**: > We must note that even though the weights, codes, and demos are released in an open manner, similar to other pre-trained language models, and despite our best efforts in red teaming and safety fine-tuning and enforcement, our models come with potential risks, including but not limited to inaccurate, misleading or potentially harmful generation. > Developers and stakeholders should perform their own red teaming and provide related security measures before deployment, and they must abide by and comply with local governance and regulations. > In no event shall the authors be held liable for any claim, damages, or other liability arising from the use of the released weights, codes, or demos.
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 ↗Lingshu-I-8B
lingshu-medical-mllm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 ↗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 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 ↗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 ↗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 ↗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。