AI NEWS.ccAI正在发生 未来正在更新
♡ 我的收藏 0
AI NEWS · 模型情报站发现能力边界，让每一次选择更有依据 ↗基础档案先收录 · 缺失资料持续补齐
THE AI MODEL DIRECTORY 模型探索，从这里开始

找到适合你的 AI 模型。

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。

热门探索
84,991 款模型档案13202 家厂商 / 发布者45 个能力分类465 款有可比报价 · 30 款有公开评测
T文本生成▧图像生成▷视频生成⌘代码生成◖语音合成♫音乐生成⬡3D 建模▤文档分析
DISCOVER & COMPARE

探索 AI 模型 8

为你发现值得关注的模型

TabSTAR

alana89

**Paper:** TabSTAR: A Foundation Tabular Model With Semantically Target-Aware Representations > While deep learning has achieved remarkable success across many domains, it > has historically underperformed on tabular learning tasks, which remain > dominated by gradient boosting decision trees (GBDTs). However, recent > advancements are paving the way for Tabular Foundation Models, which can > leverage real-world knowledge and generalize across diverse datasets, > particularly when the data contains free-text. Although incorporating language > model capabilities into tabular tasks has been explored, most existing methods > utilize static, target-agnostic textual representations, limiting their > effectiveness. We introduce TabSTAR: a Foundation Tabular Model with > Semantically Target-Aware Representations. TabSTAR is designed to enable > transfer learning on tabular data with textual features, with an architecture > free of dataset-specific parameters. It unfreezes a pretrained text encoder and > takes as input target tokens, which provide the model with the context needed > to learn task-specific embeddings. TabSTAR achieves state-of-the-art > performance for both medium- and large-sized datasets across known benchmarks > of classification tasks with text features, and its pretraining phase exhibits > scaling laws in the number of datasets, offering a pathway for further > performance improvements.

译文排队中 · 当前显示来源原文

表格与时序预测
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 ↗
来源 / 文档 ↗

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

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 ↗
来源 / 文档 ↗

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

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 ↗
来源 / 文档 ↗

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

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 ↗
来源 / 文档 ↗

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

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 ↗
来源 / 文档 ↗

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

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 ↗
来源 / 文档 ↗

TabSTAR-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

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 ↗
来源 / 文档 ↗

TabSTAR-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

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 ↗
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。

1 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。

AI NEWS · 从信息到选择

资讯看趋势，工具提效率，模型筑可能。

探索 AI 资讯 ↗发现 AI 工具 ↗