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 ↗DISCOVER & COMPARE
探索 AI 模型 84853
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 ↗TabSTAR-v1.1-cls-20261011
alana89TabSTAR-v2 classification checkpoint, epoch 17 of `cls50k-active-261004_233909`. Pretrained checkpoint; this file records how it was trained and how it differs from the original TabSTAR (v1). - **Task type**: classification only (separate model per task type) - **Pool**: decontaminated T4 pool `t4_tabstarv1.1_runs_decontamination`, 200,142 classification tables; 50,000 sampled per epoch (`--num_datasets 50000`, `--pool_mode active`) - **Learning rate**: 1e-4, **weight decay**: 1e-3, linear warmup over the first 10% of steps - **Epochs**: 25 planned, early-stopping patience 5 - **Batch size**: 512 global (micro-batch 32, no gradient accumulation) - **Text encoder**: `intfloat/e5-small-v2`, top 6 layers unfrozen, text batch size 1024 - **Finetunability check**: every epoch, 30 minute timeout per check; epoch 17 is among the top finetunability Elo epochs Downstream finetuning (TabArena-Lite) uses the repo defaults, none tuned per checkpoint:
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 ↗TabSTAR-v1.1-reg-20261009
alana89TabSTAR-v2 regression checkpoint, epoch 16 of `reg50k-active-261004_233909`. Pretrained checkpoint; this file records how it was trained and how it differs from the original TabSTAR (v1). - **Task type**: regression only (separate model per task type) - **Pool**: decontaminated T4 pool `t4_tabstarv1.1_runs_decontamination`, 200,013 regression tables; 50,000 sampled per epoch (`--num_datasets 50000`, `--pool_mode active`) - **Learning rate**: 1e-4, **weight decay**: 1e-3, linear warmup over the first 10% of steps - **Epochs**: 25 planned, early-stopping patience 5 - **Batch size**: 512 global (micro-batch 32, no gradient accumulation) - **Text encoder**: `intfloat/e5-small-v2`, top 6 layers unfrozen, text batch size 1024 - **Regression head**: dual head, a scalar sub-head plus a distributional sub-head over 200 bins - **Finetunability check**: every epoch, 30 minute timeout per check; epoch 16 had the top finetunability Elo Downstream finetuning (TabArena-Lite) uses the repo defaults, none tuned per checkpoint:
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 ↗kol-cleanup-360m-coreml
alandotcom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 ↗tiny-sd3-modular
AlanPonnachanThis is the model card of a 🧨 diffusers model that has been pushed on the Hub. This model card has been automatically generated. Users (both direct and downstream) should be made aware of the risks, biases and limitations of the model. More information needed for further recommendations. Carbon emissions can be estimated using the Machine Learning Impact calculator presented in Lacoste et al. (2019).
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 ↗ruT5_q_a
AlanRobotics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 ↗experimental_merge_241026_v1
alansmithee-cpu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 ↗experimental_merge_241026_v2
alansmithee-cpu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 ↗AlayaWorld
AlayaLab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 视频
价格待核验多模态与渠道费用须分别核对
查看详情 ↗AnyGameRenderer
AlayaLab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 ↗Evoke-Turbo
AlayaLab**Alaya-EVOKE-Turbo** is a **controllability-optimized** version of Alaya-EVOKE, focusing on camera-motion following and scene/subject instruction adherence. It uses the same architecture and inference workflow: **3 steps, no CFG, 384 × 640 at 24 fps**. Merged Turbo transformer weights, stored in **FP32** to match Evoke. Download the shared base components and depth backend separately: See Evoke for camera control, other inference modes, and long rollouts.
译文排队中 · 当前显示来源原文
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 ↗GLM-5.3-DFlash2
AlayaNeW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-5.3-DSpark
AlayaNeW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-5.3-INT4-FP8Mix
AlayaNeW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 ↗D12_model
Albadri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 ↗DTS6_model
Albadri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 ↗gemma-3-sudoku-coach
alban12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 ↗DINOv3_mirror
AlbeRota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 ↗albert-base-v1
albertPretrained model on English language using a masked language modeling (MLM) objective. It was introduced in this paper and first released in this repository. This model, as all ALBERT models, is uncased: it does not make a difference between english and English. Disclaimer: The team releasing ALBERT did not write a model card for this model so this model card has been written by the Hugging Face team. ALBERT is a transformers model pretrained on a large corpus of English data in a self-supervised fashion. This means it was pretrained on the raw texts only, with no humans labelling them in any way (which is why it can use lots of publicly available data) with an automatic process to generate inputs and labels from those texts. More precisely, it was pretrained with two objectives:
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 ↗albert-base-v2
albertPretrained model on English language using a masked language modeling (MLM) objective. It was introduced in this paper and first released in this repository. This model, as all ALBERT models, is uncased: it does not make a difference between english and English. Disclaimer: The team releasing ALBERT did not write a model card for this model so this model card has been written by the Hugging Face team. ALBERT is a transformers model pretrained on a large corpus of English data in a self-supervised fashion. This means it was pretrained on the raw texts only, with no humans labelling them in any way (which is why it can use lots of publicly available data) with an automatic process to generate inputs and labels from those texts. More precisely, it was pretrained with two objectives:
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 ↗albert-large-v1
albert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 ↗albert-large-v2
albert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 ↗albert-xlarge-v1
albert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 ↗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。