This is a ColBERT model finetuned from google/bert_uncased_L-2_H-128_A-2 on the msmarco-bm25 dataset. It maps sentences & paragraphs to sequences of 128-dimensional dense vectors and can be used for semantic textual similarity using the MaxSim operator. This model is primarily designed for unit tests in limited compute environments such as GitHub Actions. But it does work to an extent for basic use cases. As of Sentence Transformers v6.0.0, this model loads directly as a multi-vector (ColBERT-style late interaction) retriever via the `MultiVectorEncoder`:

译文排队中 · 当前显示来源原文

向量与相似度

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 ↗

加入对比来源 / 文档 ↗

fasttext

NeuML

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

向量与相似度

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 ↗

加入对比来源 / 文档 ↗

fasttext-quantized

NeuML

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

向量与相似度

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 ↗

加入对比来源 / 文档 ↗

gemma-4-tiny-random-litert-lm

NeuML

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。

分类待补充

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 ↗

加入对比来源 / 文档 ↗

gliner-bert-tiny

NeuML

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。

文本分析

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 ↗

加入对比来源 / 文档 ↗

glove-6B

NeuML

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。

向量与相似度

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 ↗

加入对比来源 / 文档 ↗

glove-6B-quantized

NeuML

This model is an export of these GloVe-6B English Vectors (_300d_) for `staticvectors`. `staticvectors` enables running inference in Python with NumPy. This helps it maintain solid runtime performance. _This model is a quantized version of the base model. It's using 10x256 Product Quantization._

译文排队中 · 当前显示来源原文

向量与相似度

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 ↗

加入对比来源 / 文档 ↗

language-id-quantized

NeuML

This model is an export of this FastText Language Identification model for `staticvectors`. `staticvectors` enables running inference in Python with NumPy. This helps it maintain solid runtime performance. Language detection is an important task and identification with n-gram models is an efficient and highly accurate way to do it. _This model is a quantized version of the base language id model. It's using 2x256 Product Quantization like the original quantized model from FastText. This shrinks this model down to 4MB with only a minor hit on accuracy._

译文排队中 · 当前显示来源原文

文本分析

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 ↗

加入对比来源 / 文档 ↗

ljspeech-jets-onnx

NeuML

This model can also be run directly with ONNX provided the input text is tokenized. Tokenization can be done with ttstokenizer. Note that the txtai pipeline has additional functionality such as batching large inputs together that would need to be duplicated with this method.

译文排队中 · 当前显示来源原文

语音合成

输入文本→ 输出音频

价格待核验多模态与渠道费用须分别核对

查看详情 ↗

加入对比来源 / 文档 ↗

pubmedbert-base-embeddings

NeuML

This is a PubMedBERT-base model fined-tuned using sentence-transformers. It maps sentences & paragraphs to a 768 dimensional dense vector space and can be used for tasks like clustering or semantic search. The training dataset was generated using a random sample of PubMed title-abstract pairs along with similar title pairs. PubMedBERT Embeddings produces higher quality embeddings than generalized models for medical literature. Further fine-tuning for a medical subdomain will result in even better performance. This model can be used to build embeddings databases with txtai for semantic search and/or as a knowledge source for retrieval augmented generation (RAG).

译文排队中 · 当前显示来源原文

文本分析开放权重

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 ↗

加入对比来源 / 文档 ↗

pubmedbert-base-embeddings-100K

NeuML

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

向量与相似度

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 ↗

加入对比来源 / 文档 ↗

pubmedbert-base-embeddings-500K

NeuML

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

向量与相似度

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 ↗

加入对比来源 / 文档 ↗

pubmedbert-base-embeddings-8M

NeuML

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

向量与相似度

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 ↗

加入对比来源 / 文档 ↗

pubmedbert-base-embeddings-matryoshka

NeuML

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。

向量与相似度

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 ↗

加入对比来源 / 文档 ↗

pylate-bert-tiny

NeuML

This is a PyLate model finetuned from google/bert_uncased_L-2_H-128_A-2 on the msmarco-bm25 dataset. It maps sentences & paragraphs to sequences of 128-dimensional dense vectors and can be used for semantic textual similarity using the MaxSim operator. This model is primarily designed for unit tests in limited compute environments such as GitHub Actions. But it does work to an extent for basic use cases.

译文排队中 · 当前显示来源原文

向量与相似度

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 ↗

加入对比来源 / 文档 ↗

COST EXPLORER

好模型，也要算好成本。

费用分析

调整月度 Token 用量，直观比较不同模型的预估 API 开支。

每月输入 Token 10 M每月输出 Token 2 M1 M = 100 万 Token · 美元计价
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

选型与常见问题

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。

找到适合你的 AI 模型。

探索 AI 模型 29

bert-hash-nano-embeddings-litert

bert-small-cord19qa

bert-tiny-prompts

bert-tiny-sts-last-pooling

bioclinical-modernbert-base-embeddings

biomedbert-base-embeddings

biomedbert-base-reranker

biomedbert-hash-nano-embeddings

biomedbert-small-embeddings

colbert-bert-tiny

fasttext

fasttext-quantized

gemma-4-tiny-random-litert-lm

gliner-bert-tiny

glove-6B

glove-6B-quantized

language-id-quantized

ljspeech-jets-onnx

pubmedbert-base-embeddings

pubmedbert-base-embeddings-100K

pubmedbert-base-embeddings-500K

pubmedbert-base-embeddings-8M

pubmedbert-base-embeddings-matryoshka

pylate-bert-tiny

暂未找到匹配模型

好模型，也要算好成本。

读懂模型，再做选择

资讯看趋势，工具提效率，模型筑可能。