my-qwen-lora-cisco
banhcarrot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 ↗DISCOVER & COMPARE
探索 AI 模型 84991
Ouija2-1.7B
BansheeTechnologies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 ↗evalexplorer-classify-gguf
baobabtech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 ↗kinshield-ai-team
baopqp-qualgo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 ↗This is the model card of a 🤗 transformers model that has been pushed on the Hub. This model card has been automatically generated. Users (both direct and downstream) should be made aware of the risks, biases and limitations of the model. More information needed for further recommendations. Carbon emissions can be estimated using the Machine Learning Impact calculator presented in Lacoste et al. (2019).
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 ↗FinBERT_market_based
baptle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。
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 ↗cohere-transcribe-03-2026-CoreML-6bit
BarathwajAnandanThis is a **CoreML** conversion of CohereLabs/cohere-transcribe-03-2026 with **6-bit palettization** for on-device speech recognition on Apple Silicon (macOS / iOS). 1. Add all `.mlpackage` files to your Xcode project 2. Load `coreml_manifest.json` at runtime for tokenizer IDs and pipeline config 3. Use `MLModel` with `.computeUnits = .cpuAndGPU` for best performance 4. Process audio in **30-second chunks** with **5-second overlap** (params in manifest) The decoder runs in two phases: 1. **Full-sequence masked** decoder generates the first token from encoder output 2. **KV-cached** decoder generates subsequent tokens autoregressively
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 ↗nemotron-3.5-asr-offline-6bit-CoreML
BarathwajAnandan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 ↗nemotron-3.5-asr-streaming320-int8-CoreML
BarathwajAnandan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 ↗Qwen3.8-27B-huihui-abliterated-groupwise-int-NInfer
Barding-DefenseA **`groupwise-int`** artifact of huihui-ai/Huihui-Qwen3.8-27B-abliterated, packaged for the NInfer engine. This is the refusal-removed counterpart to the official neroued/Qwen3.8-27B-NInfer artifact, using the same weights profile. One file carries the complete container — Text, Vision, MTP, the optimized proposal head, tokenizer, chat template, generation config and media-processor resources. > **There is also an NVFP4 build > of this same checkpoint.** It is ~35 % faster on speculative decode and 1.6–2× on prefill, for 3.1 GiB > more VRAM. **Prefer NVFP4 unless VRAM is tight.** This profile's advantages are a smaller footprint > (15.9 GiB resident vs 19.0) and a dramatically simpler build — one command, no external quantizer, > no calibration data, and no patch of any kind.
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 ↗Qwen3.8-27B-huihui-abliterated-NVFP4-NInfer
Barding-DefenseAn **NVFP4** artifact of huihui-ai/Huihui-Qwen3.8-27B-abliterated, packaged for the NInfer engine. This is the refusal-removed (abliterated) counterpart to the official neroued/Qwen3.8-27B-NInfer artifact. It carries the complete container — Text, Vision, MTP, the optimized proposal head, tokenizer, chat template, generation config and media-processor resources — as one file. Qwen3.8-27B is the king of the local models right now, and the great work Neroued has done with the NInfer engine runs it extremely quickly on Blackwell. There has also been a lot of work on obliterating and otherwise liberating models, including Pliny's OBLITERATUS suite.
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 ↗Qwen3.8-27B-OBLITERATED-NVFP4-NInfer
Barding-Defense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 ↗> **A newer, better version is available: bardsai/eu-pii-anonimization-multilang-v2.** > On real web pages, scrapes, PDFs and invoices its strict F1 is 0.973 vs 0.885 for this model, and it is better on every public benchmark we tested (Gretel 0.692 vs 0.615, Nemotron-PII 0.933 vs 0.882, OpenPII 0.997 vs 0.928). Same label set; ONNX and INT8 weights included. New projects should use v2. A multilingual PII detector built for EU compliance reality: 24 official languages, GDPR special categories, AI Act high-risk data - in one model. GDPR and the AI Act require you to detect and redact personal data across every language your users write in. Most open-source PII models were trained on English with a few translations bolted on, and they cover the basics — names, emails, phone numbers — while missing exactly the categories regulators care about: biometric data, genetic data, health information, political opinions, ethnic origin.
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。
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 ↗finance-sentiment-de-base
bardsai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 ↗finance-sentiment-fr-base
bardsai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 ↗finance-sentiment-ja-base
bardsai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 ↗finance-sentiment-zh-base
bardsai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 ↗ComfyUI-MiniMax-H3-FastVideo
barelyminingTwo files that let ComfyUI run **MiniMax H3 video generation in 4 steps** using FastVideo's Video Sparse Attention. On a 24 GB RTX 3090 Ti, this drops a 5-second, 0.8 MP clip from ~8 minutes (base, 20 steps) to under 1 minute (draft) or ~2.5 minutes (best quality). Requires the companion custom node — you can't load these with a normal LoRA loader alone. > **Most people should probably use one of the established H3 turbo LoRAs** (e.g. Comfy-Org's official 4-step turbo, lightx2v's 8-step turbo) — they're simpler to set up and don't need a custom node. This project exists for people who want to experiment with FastVideo's sparse-attention approach and see if the speed/quality tradeoff works better for their use case, or for people on older cards (RTX 3090 / 4090) who can't run FastVideo's latest official releases that target Hopper/Blackwell GPUs. Compare and pick what you like. > ⚠️ **Experimental.** Tested on one machine (RTX 3090 Ti). Requires the companion custom node — this is not a drop-in for standard LoRA loading. See the node repo before downloading.
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 ↗Farsi-to-English
barghavani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-turbo-quran
baristiran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 ↗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。