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。
This model was converted to GGUF format from `Qwen/Qwen3-Reranker-0.6B` using llama.cpp via the ggml.ai's GGUF-my-repo space. Refer to the original model card for more details on the model.
译文排队中 · 当前显示来源原文
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
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。
1. Model Summary 2. Evaluation 3. Training 4. Limitations 5. License SmolLM3 is a 3B parameter language model designed to push the boundaries of small models. It supports 6 languages, advanced reasoning and long context. SmolLM3 is a fully open model that offers strong performance at the 3B–4B scale. The model is a decoder-only transformer using GQA and NoRope, it was pretrained on 11.2T tokens with a staged curriculum of web, code, math and reasoning data. Post-training included midtraining on 140B reasoning tokens followed by supervised fine-tuning and alignment via Anchored Preference Optimization (APO).
译文排队中 · 当前显示来源原文
For more info, please refer to this PR: https://github.com/ggml-org/llama.cpp/pull/13050
译文排队中 · 当前显示来源原文
For more info, please refer to this PR: https://github.com/ggml-org/llama.cpp/pull/13050
译文排队中 · 当前显示来源原文
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。
For more info, please refer to this PR: https://github.com/ggml-org/llama.cpp/pull/13050
译文排队中 · 当前显示来源原文
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。
Original model: https://huggingface.co/HuggingFaceTB/SmolVLM2-500M-Video-Instruct For more info, please refer to this PR: https://github.com/ggml-org/llama.cpp/pull/13050
译文排队中 · 当前显示来源原文
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。
This model is ModelCloud/tinyllama-15M-stories repeated 4 times to make 4 experts. The model is used for testing, not intended to be used in production (unless your product is some kind of bedtime story teller) A LoRA adapter trained on first 100 paragraphs of shakespeare can be found inside `moe_shakespeare15M`
译文排队中 · 当前显示来源原文
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。
基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
Q8_0 GGUF of ggml-org/tinylaya-for-testing, a slice of convaiinnovations/laya for testing purposes only. The output is not meaningful. Do not use this model for anything other than testing a loader or a runtime.
译文排队中 · 当前显示来源原文
Q8_0 GGUF (text model + mmproj) of a very small slice of openjev/openjev, for testing purposes only. The slice keeps the first 4 of 64 text layers and the first 2 of 27 vision blocks, and also cuts the width (hidden size 5120 -> 64, fewer attention heads, smaller FFN). About 34M parameters, most of them in the token embedding and output matrices. The output is not meaningful. Do not use this model for anything other than testing a loader or a runtime.
译文排队中 · 当前显示来源原文
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。
基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
可以调整厂商、分类或输入输出条件；新模型正持续收录。
调整月度 Token 用量，直观比较不同模型的预估 API 开支。
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。
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。
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。
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。
