LFM3-1.7B-abliterated
bowtiedrahman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 ↗DISCOVER & COMPARE
探索 AI 模型 84991
Qwen3.8-Flash-Next-IQ3_S-GGUF
boxrunnerA GGUF quantization of Qwen/Qwen3.8-Flash-Next, a 512-expert mixture-of-experts model with a 262 144-token context and image input. It averages 4.081 bits per weight. It is the same file as boxrunner/Qwen3.8-Flash-Next-mixC-GGUF (map C) with one change: the routed experts' gate and up projections are **IQ3_S** instead of IQ2_XXS. Every other tensor is byte-identical to map C. Routed-expert down is IQ4_NL, the n-gram table is IQ4_NL, and the rest is Q5_K, Q6_K and Q8_0. All 24 576 experts together take 53.3 GiB, so on a 64 GB Mac they do not all fit in memory at once. Map C's do (40.4 GiB). The two parts were cut with llama.cpp's `gguf-split`. Put them in one folder and open part 1; the engine finds part 2 itself. `llama-gguf-split --merge` turns them back into one file. The projector and the draft head are the same files as in the map C repository.
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 ↗Qwen3.8-Flash-Next-mixC-GGUF
boxrunner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 ↗Qwen3-4B-AgentCoder
br1-pist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 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 ↗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 ↗controlnet-union-sdxl-1.0-promax
brad-twinkl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 ↗Mmojo-Server
bradhutchings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 ↗reve-base
brain-bzhREVE (project page here) is a transformer-based foundation model for EEG signal processing. It was trained on 60k hours of EEG data from various sources and is designed to be adaptable to any electrode configuration and a wide range of EEG-based tasks. REVE (Representation for EEG with Versatile Embeddings), a pretrained encoder explicitly designed to generalize across diverse EEG signals. REVE introduces a novel 4D positional encoding scheme that enables it to process signals of arbitrary length and electrode arrangement. Using a masked autoencoding objective, we pretrain REVE on over 60,000 hours of EEG data from 92 datasets spanning 25,000 subjects. **Developed by** the BRAIN team and UdeM
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 ↗reve-large
brain-bzh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 向量
价格待核验多模态与渠道费用须分别核对
查看详情 ↗reve-positions
brain-bzhWrapper to provide electrode positions to use the REVE EEG Foundation Model. - **Developed by:** the BRAIN team and UdeM - **Funded by :** AI@IMT, ANR JCJC ENDIVE, Jean Zay (with project numbers), Alliance Canada and Region Bretagne. REVE (Representation for EEG with Versatile Embeddings) is a pretrained model explicitly designed to generalize across diverse EEG signals. REVE introduces a novel 4D positional encoding scheme that enables it to process signals of arbitrary length and electrode arrangement.
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 ↗gpt2-babylm-3
BrainAlign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 ↗gpt2-babylm-5
BrainAlign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 ↗gpt2-babylm-7
BrainAlign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 ↗gpt2-babylm-9
BrainAlign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 ↗cyber-analyst-4B
BrainboxAI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 ↗BaRISTA-coords
braindecode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 向量
价格待核验多模态与渠道费用须分别核对
查看详情 ↗biot-pretrained-prest-16chs
braindecode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 ↗biot-pretrained-shhs-prest-18chs
braindecode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 ↗biot-pretrained-six-datasets-18chs
braindecodeThis model has been pushed to the Hub using the PytorchModelHubMixin integration: - Code: https://braindecode.org - Paper: [More Information Needed] - Docs: https://braindecode.org/stable/generated/braindecode.models.BIOT.html
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 ↗brainbert-pretrained
braindecodePretrained weights for `braindecode.models.BrainBERT`, a faithful braindecode port of **BrainBERT** (Wang et al., ICLR 2023), a self-supervised foundation model for intracranial (sEEG/iEEG) recordings. These weights are the **official pretrained "large" checkpoint** (`stft` variant) released by the original authors. The Transformer encoder and input encoding are mapped **1:1** into the braindecode `BrainBERT` module. This repository ships the **encoder only** — 82 tensors, bit-identical to the authors' release. No downstream head is included: BrainBERT is pretrained by masked spectrogram reconstruction and has no classification head to inherit, so `final_layer` is freshly initialized by `from_pretrained` for whatever `n_outputs` you ask for.
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 ↗braindecode-bendr
braindecodeThis model has been pushed to the Hub using the PytorchModelHubMixin integration: - Code: https://braindecode.org - Paper: [More Information Needed] - Docs: https://braindecode.org/stable/generated/braindecode.models.BENDR.html
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 ↗brainomni-base-pretrained
braindecode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 ↗brant-pretrained
braindecode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 ↗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。