Llama-4-scout-GGUF
glogwa68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
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
This is a sentence-transformers model finetuned from sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 on the csv dataset. It maps sentences & paragraphs to a 384-dimensional dense vector space and can be used for semantic textual similarity, semantic search, paraphrase mining, text classification, clustering, and more. - **Model Type:** Sentence Transformer - **Base model:** sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 - **Maximum Sequence Length:** 128 tokens - **Output Dimensionality:** 384 dimensions - **Similarity Function:** Cosine Similarity - **Training Dataset:** - csv - **Documentation:** Sentence Transformers Documentation - **Repository:** Sentence Transformers on GitHub - **Hugging Face:** Sentence Transformers on Hugging Face
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
**Supported languages:** English, Hindi, Bengali, Telugu, Tamil, Marathi, Gujarati, Kannada, Malayalam, Odia, and Punjabi. gnani-evon-v3.3 is a hybrid Mamba architecture 30B MOE A3B model trained **end-to-end for best-in-class Indic capability** — continued pretraining, supervised fine-tuning, and reinforcement learning — delivering deep comprehension, extractive QA, and reasoning across Hindi, Bengali, Telugu, Tamil, Marathi, Gujarati, Kannada, Malayalam, Odia, Punjabi, and English. Developed by Gnani.ai, each stage was oriented toward native-script Indic language understanding and instruction following. It supports 128K context length. **The objective for this release was best-in-class Indic capability.** gnani-evon-v3.3 concentrates on Indic-language comprehension, extraction, and reasoning depth, giving us a strong foundation to build on in upcoming releases.
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。
基础资料已收录 · 缺失资料后续补充
> **📢 V2.0 is available** — We have released an updated model with **enhanced tool-calling** capabilities. Welcome to try the new version: > - Transformers: MiniCPM5-1B-Claude-Opus-Fable5-V2-Thinking > - GGUF: MiniCPM5-1B-Claude-Opus-Fable5-V2-Thinking-GGUF GGUF quantizations of **MiniCPM5-1B-Claude-Opus-Fable5-Thinking** for llama.cpp, Ollama, LM Studio, jan, KoboldCpp, and other GGUF runtimes. This repository provides local-deployment builds of a 1B **Thinking** model fine-tuned on **Fable 5** data atop openbmb/MiniCPM5-1B. The GGUF files embed MiniCPM5's native chat template for llama.cpp-compatible runtimes.
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。
基础资料已收录 · 缺失资料后续补充
GGUF quantizations of **MiniCPM5-1B-Claude-Opus-Fable5-V2-Thinking** for llama.cpp, Ollama, LM Studio, jan, KoboldCpp, and other GGUF runtimes. This repository provides local-deployment builds of a 1B **Thinking** model fine-tuned on **Fable 5** data (V2) atop openbmb/MiniCPM5-1B. Compared with V1, V2 strengthens **tool calling / function calling**, while keeping MiniCPM5's native chat template embedded in the GGUF files. Transformers checkpoint: **MiniCPM5-1B-Claude-Opus-Fable5-V2-Thinking**
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。
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。