DISCOVER & COMPARE
探索 AI 模型 3
为你发现值得关注的模型 Uploaded by Jommarn. Includes full Diffusers format components: - `text_encoder/` (CLIPTextModel) - `text_encoder_2/` (CLIPTextModelWithProjection) - `tokenizer/` - `tokenizer_2/` - `unet/` - `vae/` - `scheduler/` - Single File: `Illustrious-XL-v2.0.safetensors`
译文排队中 · 当前显示来源原文
输入 文本→ 输出 图像
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 图像
> 📌 **Base Model:** The full unquantized FP16/BF16 weights are hosted at 👉 **Jommarn/UNSEEN_Gemma_4_26B_NSFW** (surgically abliterated from `google/gemma-4-26B-A4B-it`). > > ⚡ **This Repository:** Dedicated to optimized **Quantized (2-bit / 3-bit / 4-bit / 5-bit / 6-bit / 8-bit / 16-bit Master)** and **GGUF** deployment formats for consumer GPUs, Apple Silicon Mac, and `llama.cpp` serving. - **2-bit (`IQ2_M` ~9.67GB):** ~8–10GB VRAM (e.g., RTX 3060 12GB, RTX 4060, Mac 16GB) — *Extreme Efficiency* - **3-bit (`IQ3_M` ~12.4GB):** ~12–14GB VRAM (e.g., RTX 4070 12GB, RTX 3080, Mac 16GB) — *High Efficiency* - **4-bit (`Q4_K_M` ~15.6GB / `NF4`):** ~16–18GB VRAM (e.g., RTX 3090, RTX 4090, NVIDIA L4) — *Recommended Standard* - **5-bit (`Q5_K_M` ~18.3GB):** ~20–22GB VRAM (e.g., RTX 3090/4090 24GB, A10G 24GB) — *Balanced High-Quality* - **6-bit (`Q6_K` ~22.6GB):** ~24–26GB VRAM (e.g., RTX 4090 24GB, A100 40GB) — *High Precision* - **8-bit (`Q8_0` ~28.0GB / `INT8`):** ~28–30GB VRAM (e.g., 2x RTX 3090/4090, A100 40GB/80GB) — *99.9% Lossless* - **16-bit (`BF16` ~50.5GB):** ~52GB VRAM (e.g., A100 80GB, Mac Studio 64GB/128GB) — *100% Uncompressed Master* - **Vision Projector (16-bit):** `mmproj-gemma4-vision-f16.gguf` (~1.11GB) — *Must be loaded with `--mmproj` for image perception in llama.cpp/GGUF.* - **GGUF Weights:** Available at 👉 **Jommarn/UNSEEN_Gemma_4_26B_NSFW-GGUF** > ⚠️ **Important for GGUF Users:** To enable image understanding in `llama.cpp` or LM Studio, you **MUST** download and pass `mmproj-gemma4-vision-f16.gguf` alongside the main model. Without it, the model will operate strictly as a text-only LLM!
译文排队中 · 当前显示来源原文
输入 文本 · 图像→ 输出 文本
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。
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。
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。
