Qwen3.5-9B-Red_Team
LuisPPB16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 ↗DISCOVER & COMPARE
探索 AI 模型 85003
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 ↗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-E2B-IT-SFT-RLVR-Medical-GGUF
lukasdrews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 ↗Qwen3.8-27B-2bit-MLX
lukaskremla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-2bit-MLX-TextOnly
lukaskremla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 ↗Qwen3.8-27B-3bit-MLX
lukaskremla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-3bit-MLX-TextOnly
lukaskremla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 ↗Qwen3.8-27B-4bit-MLX-TextOnly
lukaskremla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 ↗cifar10-vit-classifier
luke12121212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 ↗MiniMax-M2.7-NVFP4
lukealonsoNote: If you're experiencing issues with spurious spaces after punctuation, try downgrading transformers to 0.4.67 **MiniMax-M2.7-NVFP4** is an NVFP4-quantized version of MiniMaxAI/MiniMax-M2.7, a 230B-parameter Mixture-of-Experts language model with 10B active parameters. The original model weights were converted from the official FP8 checkpoint to BF16, then quantized to NVFP4 (4-bit with blockwise FP8 scales per 16 elements) using NVIDIA Model Optimizer.
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 ↗dspv2_guide
LukeBailey181Pub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 ↗nsfw-image-detector
LukeJacob2023This model is a fine-tuned version of google/vit-base-patch16-224-in21k on the imagefolder dataset. It achieves the following results on the evaluation set: - Loss: 0.8138 - Accuracy: 0.9316 - Accuracy K: 0.9887 A custom dataset about 28k images, if you need to improve your domain's accurate, you can contribute the dataset to me. The following hyperparameters were used during training: - learning_rate: 2e-05 - train_batch_size: 32 - eval_batch_size: 32 - seed: 42 - optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08 - lr_scheduler_type: linear - lr_scheduler_warmup_steps: 500 - num_epochs: 10 - mixed_precision_training: Native AMP
译文排队中 · 当前显示来源原文
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 ↗chime-sms-2m
lukeslp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 ↗drummer2-540m
lukeslp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 ↗Qwen3.5-9B-abliterated
lukey03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 ↗Qwen3.5-9B-abliterated-GGUF
lukey03GGUF quantized versions of lukey03/Qwen3.5-9B-abliterated for use with Ollama, llama.cpp, and other GGUF-compatible inference engines. Qwen3.5 is **natively multimodal** — vision is built into every Qwen3.5 model via early fusion training. There is no separate "VL" variant. The vision GGUF was created by: 1. Starting with the official `Qwen/Qwen3.5-9B` GGUF (883 tensors: 427 text + 441 vision + 15 MTP) 2. Replacing 400 text model tensors with abliterated weights (the remaining 27 text tensors use different quantization types and are not affected by abliteration — they target `attn_qkv` and `attn_v`, while abliteration only modifies `o_proj`/`output_proj` and `down_proj`) 3. Keeping all 441 vision encoder tensors and 15 MTP (multi-token prediction) tensors from the official model
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 ↗This is a fully uncensored version of Qwen3.5-9B with **all refusal behavior removed** using a two-stage approach: 3 iterative passes of orthogonal projection (Arditi et al., 2024) followed by LoRA fine-tuning on stubborn refusal categories. MLX runs natively on Apple Silicon with unified memory — no GPU/CPU copying overhead, making it the fastest option for Mac users. See the full model card for complete methodology, benchmarks, example outputs, and system prompt recommendations.
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 ↗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 ↗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 ↗
luma_video_api
LumaLuma AI API 文生视频，支持上传2张参考图片；可以打造出 Luma 官网同款平台，支持官网所有操作; 兼容 GoAmz; SVIP、SSVIP 分组为快速模式，价格略高，大概40秒出视频，排队优先无水印；VIP、VVIP 分组为慢速模式，价格略低，大概5分钟出视频 点击查看接入文档
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 ↗Qwen2.5-7B-Instruct-abliterated-v2-Q4_K_M-GGUF
lumen-modelsEste repositorio contiene el modelo **Qwen 2.5 7B Instruct (v2)**, liberado de censura mediante la avanzada técnica *Abliterated* por `huihui-ai`, y convertido al formato ligero **GGUF** (Cuantización **Q4_K_M**) por **Lumen Models**. Está optimizado para ejecutarse de forma 100% local, privada y eficiente en ordenadores comunes (8GB - 16GB de RAM) utilizando programas gratuitos como **LM Studio**, **Ollama**, **Jan** o **Faraday**. 1. Descarga el archivo `.gguf` de la pestaña **Files and versions**. 2. Ábrelo en tu software favorito: * **LM Studio:** Arrastra el archivo a la carpeta de modelos y cárgalo. * **Ollama:** Crea un `Modelfile` apuntando a este archivo. 3. ¡Disfruta de una IA inteligente, rápida y totalmente libre en tu PC!
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 ↗gnani-evon-v3.3-30B-A3B-GGUF
luminenio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。