sec-embedding
DuyTa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 向量
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 84994
sec-rerank
DuyTa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。
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 ↗MiniMax-H3
dware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 ↗Uber-Realistic-Porn-Merge_URPM
dwarfbum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 ↗systemone-lite-0.5b
dwidlee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 ↗Samrudh-1-Brahma-7B
dwivedula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 ↗Hana-0.1-Fast
dwmk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 ↗e5-base-4k
dwzhuLongEmbed: Extending Embedding Models for Long Context Retrieval. Dawei Zhu, Liang Wang, Nan Yang, Yifan Song, Wenhao Wu, Furu Wei, Sujian Li, arxiv 2024. Github Repo for LongEmbed: https://github.com/dwzhu-pku/LongEmbed. Please refer to our paper at https://arxiv.org/abs/2404.12096.pdf. Note that E5-Base-4k simply expands the position embedding matrix to allow for 4,096 position ids. The embedding vectors for the original pids {0,1,2,...,511} is mapped to represent {0,8,16,...,4088}. Embedding vectors for other pids are trained. So for inputs not exceeding 512 tokens, please multiply the position ids by 8 to maintain the original behavior, as shown in the code above.
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 ↗e5rope-base
dwzhu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 向量
价格待核验多模态与渠道费用须分别核对
查看详情 ↗Run online:https://www.runninghub.ai/post/2028302502973677570?inviteCode=rh-v1331 Welcome to join our Discord channel for discussion, or contact me to collaborate on custom LoRA builds: https://discord.gg/yVAVa43mWk LoRA can significantly improve Klein consistency without any cue words. Video tutorial: https://youtu.be/JXMbbbdfnSg
译文排队中 · 当前显示来源原文
输入 图像→ 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 ↗This model is trained (code-free!) on ModelScope. Thanks to ModelScope team for providing the training infra: ----- This time, we're bringing you the groundbreaking LoRA light transfer tool. It's the first to solve the problem of Qwen-Edit-2509's inability to perform secondary lighting on images with existing lighting. For communication/cooperation, you can join the discord group to communicate： https://discord.gg/yVAVa43mWk
译文排队中 · 当前显示来源原文
输入 图像→ 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 ↗1. Overall performance was better 2. The brightness of the light can be controlled using the black and white brightness settings shown in Figure 2. 3. The lighting at some angles is still out of control; this will be fixed in the next update. 默认提示词：“使用图2的亮度贴图对图1重新照明(光源来自前方)” 只修改括号内的光源方向即可，例如现在的提示词是“光源来自前方”，可以修改为： 前方、左前方、左方、左后方、后方、右后方、右方、右前方、上方、下方 The default prompt message is: "Relight Figure 1 using the luminance map from Figure 2 (light source from the front)". You only need to modify the light source direction within the brackets. For example, the current prompt message is "light source from the front", which can be changed to: Front, Left Front, Left, Left Rear, Rear, Right Rear, Right, Right Front, Above, Below
译文排队中 · 当前显示来源原文
输入 图像→ 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 ↗client = InferenceClient( provider="wavespeed", api_key=os.environ["HF_TOKEN"], ) image = client.image_to_image( input_image, prompt="Turn the cat into a tiger.", model="dx8152/Qwen-Edit-2509-Multiple-angles", ) This model is trained (code-free!) on ModelScope. Thanks to ModelScope team for providing the training infra: Updated 2025/11/2: Some people mentioned that the model has an unstable consistency issue. I have re-uploaded a version with more training iterations, hoping to fix the consistency problem.
译文排队中 · 当前显示来源原文
输入 图像→ 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 ↗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 图像→ 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 ↗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 图像→ 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 ↗My LoRa training is all done using ModelScope. Thanks to the ModelScope team for providing the training infrastructure. Give it a try! There are two ways to use it: 1. Use the prompts in the dataset to change the image directly. 2. Use the trigger word: " 重新照明 "。 （For example:重新照明,使用窗帘透光（柔和漫射）的光线对图片进行重新照明） Meaning: Relighting, using the soft, diffuse light from the curtains to relight the image. （I also uploaded the re-light LoRAs for Kontext downloaded from the Internet. The sources are https://civit.ai/models/1779918 and https://hf.co/dong625/kontext_loras/tree/main ）
译文排队中 · 当前显示来源原文
输入 图像→ 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 ↗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 图像→ 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 ↗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 图像→ 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 ↗Wan2.2-T2V-A14B-GGUF
Dxf3316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 ↗llama-3.2-1B-lab5-6b
Dxnn1u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 ↗llama-3.2-1B-lab5-6b-d40
Dxnn1u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 ↗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 ↗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。