mvinverse
maddog241This model has been pushed to the Hub using the PytorchModelHubMixin integration: - Code: MVInverse Code - Paper: MVInverse Paper - Page: MVInverse Page
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 ↗DISCOVER & COMPARE
探索 AI 模型 85003
Hammer2.0-0.5b
MadeAgents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 ↗Hammer2.1-0.5b
MadeAgents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 ↗Hammer2.1-1.5b
MadeAgents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 ↗rerank-indonesia
madebyaris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 ↗sdxl-vae-fp16-fix
madebyollinSDXL-VAE-FP16-Fix is the SDXL VAE*, but modified to run in fp16 precision without generating NaNs. 1. Download the fixed sdxl.vae.safetensors file 2. Move this `sdxl.vae.safetensors` file into the webui folder under `stable-diffusion-webui/models/VAE` 3. In your webui settings, select the fixed VAE you just added 4. If you were using the `--no-half-vae` command line arg for SDXL (in `webui-user.bat` or wherever), you can now remove it (Disclaimer - I haven't tested this, just aggregating various instructions I've seen elsewhere :P PRs to improve these instructions are welcomed!)
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 ↗taef1
madebyollinTAEF1 is very tiny autoencoder which uses the same "latent API" as FLUX.1's VAE. FLUX.1 is useful for real-time previewing of the FLUX.1 generation process.
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 ↗taesd
madebyollinFor SDXL, use TAESDXL instead (the SD and SDXL VAEs are incompatible).
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 ↗taesd3
madebyollin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 ↗taesdxl
madebyollinTAESDXL is very tiny autoencoder which uses the same "latent API" as SDXL-VAE. TAESDXL is useful for real-time previewing of the SDXL generation process.
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 ↗texture-fix-vae-for-qwen-image-2.1
madebyollinTexture-Fix-VAE-for-Qwen-Image-2.1 is the Qwen-Image-2.1 VAE, but finetuned to produce cleaner textures with no checkerboard artifacts (and no NaNs when running in fp16). Texture-Fix-VAE-for-Qwen-Image-2.1's improved decoding is most noticeable in detailed, photo-style images. The latents for the VAE comparison image below were generated by Qwen-Image-2.1 from the photo-style prompt: > Landscape photograph of a subalpine wildflower meadow in the Pacific Northwest in midsummer: a clear mountain stream winding over mossy boulders through purple lupine and red paintbrush, dense old-growth Douglas fir and western red cedar forest behind, a snow-capped volcano in the distance, golden late-afternoon light, highly detailed
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 ↗whisper-small-egyptian-arabic
MAdel121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 ↗autonlp-Gibberish-Detector-492513457
madhurjindal{ "@context": "https://schema.org", "@type": "SoftwareApplication", "name": "Gibberish Detector - High-Accuracy Text Classification Model", "url": "https://huggingface.co/madhurjindal/autonlp-Gibberish-Detector-492513457", "applicationCategory": "NaturalLanguageProcessing", "description": "State-of-the-art gibberish detection model using DistilBERT. Detect nonsensical text, spam, and incoherent input with 97.36% accuracy. Perfect for chatbots, content moderation, and text validation.", "keywords": "gibberish detector, gibberish detection, text classification, spam filter, content moderation, text validation, NLP model, DistilBERT, AutoNLP, text quality, input validation, chatbot filter", "creator": { "@type": "Person", "name": "Madhur Jindal" }, "datePublished": "2021-05-01", "softwareVersion": "1.0", "operatingSystem": "Cross-platform", "offers": { "@type": "Offer", "price": "0", "priceCurrency": "USD" } } **State-of-the-art gibberish detection model** that accurately identifies nonsensical text, spam, and incoherent input in English. Built with DistilBERT and AutoNLP, this model achieves **97.36% accuracy** in multi-class text classification, making it the ideal solution for content moderation, chatbot input validation, and text quality assurance. - **🎯 97.36% Accuracy**: Industry-leading performance in gibberish detection - **⚡ Fast Inference**: Optimized DistilBERT architecture for real-time applications - **🏷️ Multi-Class Detection**: Distinguishes between Noise, Word Salad, Mild Gibberish, and Clean text - **🔧 Easy Integration**: Simple API with transformers pipeline - **🌐 Production Ready**: Tested on diverse real-world datasets - **💚 Eco-Friendly**: Low carbon footprint (5.53g CO2 emissions)
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 ↗Jailbreak-Detector
madhurjindalWelcome to the **Jailbreak-Detector** model, an advanced AI solution engineered for detecting jailbreak attempts in user interactions. This state-of-the-art model is pivotal for maintaining the security, integrity, and reliability of AI systems across various applications, including automated customer service, content moderation, and other interactive AI platforms. By leveraging this model, organizations can enhance their AI system's defenses against malicious activities, ensuring safe and secure user interactions. In the rapidly evolving field of artificial intelligence (AI), ensuring the security and integrity of deployed models is of paramount importance. One critical challenge is the potential for "jailbreaking"—a process where users exploit vulnerabilities to manipulate AI systems into performing unintended or harmful actions. To mitigate this risk, we present the **Jailbreak-Detector** model, meticulously trained to identify and classify jailbreak attempts.
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 ↗Jailbreak-Detector-Large
madhurjindal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 ↗madrimed1.2-VL-2B-GGUF
madrisight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 ↗relsgg-vits16plus
maelic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 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 ↗JEMM
MaestroYan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 ↗maetok-b-128
MAETok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 ↗Qwen3.8-27B-pi-exl3-5bpw
maeuryhoisj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 ↗mplug-owl-llama-7b
MAGAer13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 ↗mplug-owl2-llama2-7b
MAGAer13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 ↗FLUX.1-schnell-bnb-nf4
magespace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 ↗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。