ruBert-large
ai-forever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 84846
ruclip-vit-base-patch16-384
ai-forever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 ↗ruclip-vit-base-patch32-384
ai-forever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 ↗ruElectra-large
ai-forever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 ↗ruGPT-3.5-13B
ai-forever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 ↗rugpt3large_based_on_gpt2
ai-forever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 ↗rugpt3medium_based_on_gpt2
ai-forever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 ↗rugpt3small_based_on_gpt2
ai-foreverThe model architecture design, pretraining, and evaluation are documented in our preprint: **A Family of Pretrained Transformer Language Models for Russian**. The model was pretrained with sequence length 1024 using transformers by the SberDevices team on 80B tokens around 3 epochs. After that, the model was finetuned with the context size of 2048. + NLP core team RnD Telegram channel: + Dmitry Zmitrovich
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 ↗ruRoberta-large
ai-foreverThe model architecture design, pretraining, and evaluation are documented in our preprint: **A Family of Pretrained Transformer Language Models for Russian**. The model is pretrained by the SberDevices team. * Task: `mask filling` * Type: `encoder` * Tokenizer: `BBPE` * Dict size: `50 257` * Num Parameters: `355 M` * Training Data Volume `250 GB`
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 ↗ruSciBERT
ai-forever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 ↗ruT5-base
ai-forever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 ↗ruT5-large
ai-forever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 ↗sage-fredt5-distilled-95m
ai-foreverThe model corrects spelling and punctuation errors and typos by bringing all the words in the text to the norm of the Russian language. Corrector is a distilled version of the original model that had been trained based on the FRED-T5-1.7B architecture. An extensive dataset with “artificial” errors was taken as a training corpus: the corpus was assembled on the basis of the Russian-language Wikipedia and transcripts of Russian-language videos, then typos and spelling errors were automatically introduced into it using the library SAGE. Below are automatic metrics for determining the correctness of the spell checkers. We compare our solution with both open automatic spell checkers and the ChatGPT family of models on all four available datasets: - **RUSpellRU**: texts collected from (LiveJournal), with manually corrected typos and errors; - **MultidomainGold**: examples from 7 text sources, including the open web, news, social media, reviews, subtitles, policy documents and literary works; - **MedSpellChecker**: texts with errors from medical anamnesis; - **GitHubTypoCorpusRu**: spelling errors and typos in commits from GitHub; **RUSpellRU** | Model | Pr. (spell) | Rec. (spell) | F1 (spell) | Pr. (punc) | Rec. (punc) | F1 (punc) | Pr. (case) | Rec. (case) | F1 (case) | | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | | sage-fredt5-distilled-95m | 83.5 | 74.8 | 78.9 | 86.8 | 80.6 | 83.6 | 94.4 | 92.5 | 93.5 | | sage-ai-service | 90.3 | 86.3 | 88.2 | 90.3 | 86.6 | 88.4 | 95.2 | 95.9 | 95.6 | | gpt-3.5-turbo | 33.6 | 58.5 | 42.7 | 85.9 | 64.6 | 73.7 | 84.9 | 73.9 | 79.0 | | gpt-4 | 54.9 | 76.7 | 64.0 | 84.0 | 82.3 | 83.2 | 91.5 | 90.2 | 90.9 |
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 ↗sage-fredt5-large
ai-forever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 ↗sbert_large_mt_nlu_ru
ai-foreverFor better quality, use mean token embeddings. You can use the model directly from the model repository to compute sentence embeddings: + SberDevices Team. + Aleksandr Abramov: HF profile, Github, Kaggle Competitions Master; + Denis Antykhov: Github;
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 ↗sbert_large_nlu_ru
ai-foreverThe model is described in this article For better quality, use mean token embeddings. You can use the model directly from the model repository to compute sentence embeddings: + SberDevices Team. + Aleksandr Abramov: HF profile, Github, Kaggle Competitions Master; + Denis Antykhov: Github; + Ibragim Badertdinov: Github
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 ↗T5-large-spell
ai-forever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 ↗Wan2.1-T2V-14B-NABLA-0.6-STA-11-3-3
ai-forever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 视频
价格待核验多模态与渠道费用须分别核对
查看详情 ↗Wan2.1-T2V-14B-NABLA-0.7
ai-forever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 视频
价格待核验多模态与渠道费用须分别核对
查看详情 ↗Zarya-0.6B
ai-forever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 ↗Zarya-4B
ai-forever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 ↗
GLM 4.5V
智谱 AIGLM-4.5V is a vision-language foundation model for multimodal agent applications. Built on a Mixture-of-Experts (MoE) architecture with 106B parameters and 12B activated parameters, it achieves state-of-the-art results in video understanding,...
译文排队中 · 当前显示来源原文
输入 文本 · 图像→ 输出 文本
$0.6 / M 输入 TokenOpenRouter · z-ai/glm-4.5v
查看详情 ↗GLM 4.6V
智谱 AIGLM-4.6V is a large multimodal model designed for high-fidelity visual understanding and long-context reasoning across images, documents, and mixed media. It supports up to 128K tokens, processes complex page layouts...
译文排队中 · 当前显示来源原文
输入 图像 · 文本 · 视频→ 输出 文本
$0.3 / M 输入 TokenOpenRouter · z-ai/glm-4.6v
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。