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
84,939 款模型档案13162 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 16

为你发现值得关注的模型

bge-small-en-MNN

darkmaniac7

- **Website:** https://tokforge.ai - **Discord:** https://discord.gg/Acv3CBtfVm - **Google Play:** https://play.google.com/store/apps/details?id=dev.tokforge - **iOS TestFlight:** https://testflight.apple.com/join/jnufjzRr MNN-format conversion of BAAI/bge-small-en-v1.5 for use in on-device inference via the MNN runtime (Android / Linux / iOS). Produced for TokForge to consolidate embedding + LLM inference on a single runtime and remove a GGUF/llama.cpp dependency for RAG and memory/reflection embeddings. - Base model: `BAAI/bge-small-en-v1.5` (BERT encoder, 33M params) - Architecture: 12-layer BERT, hidden=384, 12 attention heads, intermediate=1536 - Pooling: **CLS token** (token 0 of `last_hidden_state`), then L2-normalize - Max sequence length: 512 - Embedding dim: 384 - Precision: fp16 weights - File size: 64 MB

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 ↗
来源 / 文档 ↗

Qwen3.5-4B-MNN

darkmaniac7

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

视觉问答
输入 文本 · 图像→ 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 ↗
来源 / 文档 ↗

A **Q4_0-quantized** single self-contained **GGUF** for `stable-diffusion.cpp`, packaging **DreamShaper-7** (SD1.5, realistic finetune) with the **LCM-LoRA** fused into the UNet for fast, guidance-free **few-step** sampling. This is the **6 GB-tier fast image route** for the TokForge apps, the smaller sibling of `TokForge-DreamShaper-LCM-GGUF` (f16, ~2.1 GB). It renders the same coherent people and hands (no SD-Turbo body-horror) at the same few-step LCM speed class, but at a smaller download + RAM footprint so it fits the 6 GB device tier where the f16 build is gated out. This GGUF was quantized with **stable-diffusion.cpp's own `-M convert --type q4_0`**, whose `tensor_should_be_converted` rule **protects embeddings and norms**; it keeps every tensor whose name contains `embedding` (and all `.bias` / `.scale` / norm tensors) at **F16**. So the CLIP text encoder's `token_embedding.weight` stays **F16**.

译文排队中 · 当前显示来源原文

图像生成
输入 文本→ 输出 图像
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 ↗