DFM Mimir v1.5 is the final epoch-10 **EMA** checkpoint of the XL HRM-Text training lineage, at **2,877,261 optimizer steps**. It continues the Danish and English Mimir model family on subsequent dataset mixtures, ending with DFM11. It is a continuation checkpoint, not a new model trained from scratch for ten identical epochs. It is not an XXL model. The architecture has approximately **0.981B non-embedding/head parameters**, or **1.787B total parameters** including its separate 262,144-token input embedding and output head. The family is historically described as a 1B model. This repository contains BF16 inference weights, not optimizer state or a resumable FSDP training checkpoint. The final-epoch token count is not a claim about every preceding epoch or the total training-token budget. Earlier epochs used different mixtures.

译文排队中 · 当前显示来源原文

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 ↗

加入对比来源 / 文档 ↗

DFM-Mimir-v1.5-GGUF

danish-foundation-models

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 ↗

加入对比来源 / 文档 ↗

edda-v0.1

danish-foundation-models

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

语音识别

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 ↗

加入对比来源 / 文档 ↗

edda-v0.2

danish-foundation-models

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。

语音识别

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 ↗

加入对比来源 / 文档 ↗

Swift1.5-Qwen3.8-Flash-Next-MLX-4.7bpw

Dankpaws

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。

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 ↗

加入对比来源 / 文档 ↗

roberta-large-finetuned-csqa

danlou

This model is a fine-tuned version of roberta-large on the commonsense_qa dataset. It achieves the following results on the evaluation set: - Loss: 0.9146 - Accuracy: 0.7330 The following hyperparameters were used during training: - learning_rate: 1e-05 - train_batch_size: 16 - eval_batch_size: 16 - seed: 42 - optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08 - lr_scheduler_type: linear - num_epochs: 5 - mixed_precision_training: Native AMP

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 ↗

加入对比来源 / 文档 ↗

bert-base-uncased-finetuned-advanced-srl_arg

dannashao

This model is a fine-tuned version of bert-base-uncased on the English Universal Propbank dataset for the Semantics Role Labeling (SRL) task. It achieves the following results on the evaluation set: - Loss: 0.0914 - Precision: 0.8664 - Recall: 0.8673 - F1: 0.8669 - Accuracy: 0.9812 This more advanced SRL model uses similar apporach as the Augment method described in NegBERT (Khandelwal, et al. 2020). That is, adding a special token ([V]) immediately before the predicate: > This [V] is a sentence. Note that **the special token and the predicate is considered a whole**. That is, the actual sentence is like > 'This' **'[V] is'** 'a' 'sentence' '.'

译文排队中 · 当前显示来源原文

文本分析

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 ↗

加入对比来源 / 文档 ↗

Bonsai-27B-antidoom-1bit-DSpark

Danny-Dasilva

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 ↗

加入对比来源 / 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。

每月输入 Token 10 M每月输出 Token 2 M1 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。

找到适合你的 AI 模型。

探索 AI 模型 84991

Candle_Phi-Hermes-1.3B

Candle_tiny-mistral

legal-chatbot-qwen05b-qlora-pgabl

e5-base-sts-en-de

bge-small-en-v1.5_setfit-sst2-english

mlabonne_gemma-3-27b-it-abliterated-GGUF

Gemma-3-270M-ASR-Paragraph-Breaks

Gemma-3-270M-ASR-Paragraph-Breaks-ONNX

Parakeet-TDT-0.6B-v2-English-Hebrew-Codeswitching

654321

DeepSeek-Coder-V2-Lite-Instruct_GGUF

Qwen3.5-2B_GGUF

Qwen3.5-4B_GGUF

Qwen3.5-9B_GGUF

saikei

DFM-Mimir

DFM-Mimir-v1.5

DFM-Mimir-v1.5-GGUF

edda-v0.1

edda-v0.2

Swift1.5-Qwen3.8-Flash-Next-MLX-4.7bpw

roberta-large-finetuned-csqa

bert-base-uncased-finetuned-advanced-srl_arg

Bonsai-27B-antidoom-1bit-DSpark

暂未找到匹配模型

好模型，也要算好成本。

读懂模型，再做选择

资讯看趋势，工具提效率，模型筑可能。