AI NEWS.ccAI正在发生 未来正在更新
♡ 我的收藏 0
AI NEWS · 模型情报站发现能力边界，让每一次选择更有依据 ↗基础档案先收录 · 缺失资料持续补齐
THE AI MODEL DIRECTORY 模型探索，从这里开始

找到适合你的 AI 模型。

从语言到影像，从开源到 API。读懂模型能力、比较真实成本，
为你的下一个想法，找到合适的智能引擎。

热门探索
84,838 款模型档案13099 家厂商 / 发布者45 个能力分类465 款有可比报价 · 30 款有公开评测
T文本生成▧图像生成▷视频生成⌘代码生成◖语音合成♫音乐生成⬡3D 建模▤文档分析
DISCOVER & COMPARE

探索 AI 模型 84838

为你发现值得关注的模型

Qwen3.8-27B-GGUF

Advantech-EIOT

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

分类待补充
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 ↗
来源 / 文档 ↗

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

分类待补充
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 ↗
来源 / 文档 ↗

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

文本生成
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 ↗
来源 / 文档 ↗

**Example usage**: - For text only LLMs: `llama-cli -hf aemmeath/NasledieLab-Qwen3.5-0.8B-GPT-6-Astra-Luna-Fable-5.1-Opus-5.5-distill-Karpy-GGUF --jinja` - For multimodal models: `llama-mtmd-cli -hf aemmeath/NasledieLab-Qwen3.5-0.8B-GPT-6-Astra-Luna-Fable-5.1-Opus-5.5-distill-Karpy-GGUF --jinja`

译文排队中 · 当前显示来源原文

分类待补充
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 ↗
来源 / 文档 ↗

ComfyUI-Model-Backups

AEmotionStudio

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

分类待补充
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 ↗
来源 / 文档 ↗

sam3.1

AEmotionStudio

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

分类待补充
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 ↗
来源 / 文档 ↗

SeedVR2-models

AEmotionStudio

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

分类待补充
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 ↗
来源 / 文档 ↗

> **The near-lossless Apple-Silicon build** of `AEON-7/Gemma-4-12B-it-AEON-Abliterated-K4-BF16`. Every language-decoder linear is `mxfp8` (8-bit, group 32); the tied soft-capped head and the vision/audio projectors are kept at **bf16**. Built and validated on a **MacBook Pro M4 Pro (48 GB)**. > > **Target hardware: Apple Silicon (M-series), best on 24 GB+ unified memory.** Full multimodal (text + image + audio) via `mlx-vlm`. > > Want the smallest build for a 16 GB Mac? See the compact FP4 sibling: `…-MLXFP4`. This is the **maximum-fidelity** member of the MLX quant grid: measured **top-1 token agreement 0.924 and median KL ≈ 0.002 nats** against the BF16 source on the model's own greedy output — below the perceptual/sampling-noise floor on the typical token. **Near-lossless**, and the recommended build when quality is paramount. **0 → running on a fresh Mac** (no Python, no tools needed) — `uv` installs a correct Python + the deps for you:

译文排队中 · 当前显示来源原文

视觉问答
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 ↗
来源 / 文档 ↗

> **The compact, fast, 16 GB-friendly Apple-Silicon build** of `AEON-7/Gemma-4-12B-it-AEON-Abliterated-K4-BF16`. True 4-bit `mxfp4` on the bulk of the decoder, **8-bit `mxfp8` on the two residual-writers that carry the abliteration edit**, and **bf16** on the soft-capped head and the vision/audio projectors. Built and validated on a **MacBook Pro M4 Pro (48 GB)**. > > **Target hardware: Apple Silicon (M-series), runs on 16 GB+ unified memory** (peaks ~10.1 GB). Full multimodal (text + image + audio) via `mlx-vlm`. > > Want maximum fidelity? See the near-lossless 8-bit sibling: `…-MLX-8bit`. This is the **smallest** member of the MLX quant grid (9.3 GB) and the **fastest single-stream** — a high-quality compact build for Apple Silicon on a tight unified-memory budget. It stays fully coherent, keeps the abliteration intact (**0/8 refusals on the harmful probe**), and preserves the full vision/audio path. For the tightest possible match to BF16, the near-lossless **MLX-8bit** sibling is one click away. **0 → running on a fresh Mac** (no Python, no tools needed) — `uv` installs a correct Python + the deps for you:

译文排队中 · 当前显示来源原文

视觉问答
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 ↗
来源 / 文档 ↗
COST EXPLORER

好模型，也要算好成本。

费用分析

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

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

选型与常见问题
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。

AI NEWS · 从信息到选择

资讯看趋势，工具提效率，模型筑可能。

探索 AI 资讯 ↗发现 AI 工具 ↗