LFM2.5-VL-3B
litert-community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
LFM2.5-VL-450M
litert-community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 ↗LLaVA-OneVision-0.5B
litert-community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 ↗Matcha-TTS
litert-community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 音频
价格待核验多模态与渠道费用须分别核对
查看详情 ↗MI-GAN-512-Places2-LiteRT
litert-community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 图像
价格待核验多模态与渠道费用须分别核对
查看详情 ↗Ministral-3-3B-Instruct-2512
litert-communityLiteRT is Google's on-device runtime, the new name for TensorFlow Lite (Android: `com.google.ai.edge.litert:litert`), and `litert-torch`, the renamed `ai-edge-torch`, is its PyTorch converter: a PyTorch model converted unmodified with `litert_torch.convert` matched the original to 4e-7 on a Galaxy S26 (measured, LiteRT 2.2.0, Android 16, 2026-09-05). Measured on device (edge-compat): Galaxy S26 · LiteRT-LM prebuilt-adac974b · GPU · decode 22.1 tok/s · prefill 338 tok/s · TTFT 3.07 s · all 1210 ops delegated (2026-10-05); Pixel 8a · LiteRT-LM 0.16.0 · GPU · decode 6.8 tok/s · prefill 8 tok/s · TTFT 1.68 s · all 1187 ops delegated (2026-08-17); Mac Studio M4 Max · LiteRT-LM 0.17.1 · GPU · decode 129.5 tok/s · prefill 1340 tok/s · TTFT 201 ms · all 1210 ops delegated (2026-10-05). Record: https://github.com/john-rocky/edge-compat/blob/main/cards/ministral3-3b/CARD.md mistralai/Ministral-3-3B-Instruct-2512 converted to the **LiteRT-LM** (`.litertlm`) format for on-device inference with Google's LiteRT-LM runtime (the engine behind the official `litert-community/*` models).
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 ↗MobileNet-v2
litert-community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 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 ↗MobileNet-v3-small
litert-community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 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 ↗MoGe-2-LiteRT
litert-community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 图像
价格待核验多模态与渠道费用须分别核对
查看详情 ↗moonshine-tiny
litert-communityMoonshine Tiny is a 27M-parameter encoder-decoder speech-recognition model from Moonshine AI (formerly Useful Sensors), introduced in Moonshine: Speech Recognition for Live Transcription and Voice Commands. It transcribes English speech and is designed for fast on-device inference. This repository packages the model for LiteRT: a float32 model, an int8 model (dynamic-range-quantized decoder with a float32 encoder), and ahead-of-time compiled variants for a range of MediaTek and Qualcomm SoCs so the model can run on the device NPU. For an on-device Android demo that runs Moonshine (and other ASR models) with hardware acceleration, see the LiteRT speech recognition sample.
译文排队中 · 当前显示来源原文
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 ↗NAFNet-SIDD-width32-LiteRT
litert-community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 图像
价格待核验多模态与渠道费用须分别核对
查看详情 ↗Nanbeige4.2-3B
litert-community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 ↗Nemotron-3-Nano-4B
litert-community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 ↗Neo_Dragon
litert-community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 ↗NIMA-LiteRT
litert-community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 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 ↗North-Micro-Vision-Instruct
litert-community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 ↗Ovis2.5-2B
litert-community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 ↗PaddleOCR-VL-1.6
litert-community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 ↗parakeet-ctc-0.6b
litert-community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 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 ↗parakeet-tdt-0.6b-v3
litert-communityThis is nvidia/parakeet-tdt-0.6b-v3 (600M-parameter FastConformer encoder + Token-and-Duration Transducer, TDT, decoder) packaged as a `.litertlm` bundle for LiteRT-LM, Google's open-source on-device inference runtime, alongside standalone `.tflite` and AOT-compiled NPU variants for LiteRT. Everything needed to transcribe arbitrary-length audio with automatic language detection, punctuation, and capitalization is inside the one `.litertlm` file: INT8 encoder, hybrid stateful/stateless TDT decoder, unified 8,192-token multilingual SentencePiece tokenizer, and `Speech2TextMetadata` (16 kHz resampler and 128-bin Slaney log-mel front-end configuration) — no Python and no network required. All commands below accept mono or multi-channel WAV files at any sample rate (automatically resampled to 16 kHz mono) and stream confirmed and unconfirmed transcript segments to stdout (or `--output_path`). Prerequisites (Bazel, Android NDK) are in the LiteRT-LM build guide. > [!TIP] > If you omit `--model_path` and pass `--model_name=parakeet-tdt-0.6b-v3`, > `omni_runner` automatically downloads > `parakeet_tdt_0.6b_v3_5s_i8_stateful.litertlm` into `--cache_dir` on first > run.
译文排队中 · 当前显示来源原文
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 ↗Phi-4-mini-instruct
litert-communityThis model provides a few variants of microsoft/Phi-4-mini-instruct that are ready for deployment on Android using the LiteRT (fka TFLite) stack, MediaPipe LLM Inference API (in maintenance-only mode) and LiteRT-LM. *Disclaimer: The target deployment surface for the LiteRT models is Android/iOS/Web and the stack has been optimized for performance on these targets. Trying out the system in Colab is an easier way to familiarize yourself with the LiteRT stack, with the caveat that the performance (memory and latency) on Colab could be much worse than on a local device.* * Download or build the app from GitHub.
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 ↗Phi-4-mini-reasoning
litert-community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 ↗PP-OCRv5-LiteRT
litert-community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 ↗PP-OCRv6-Small-LiteRT
litert-community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 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。