最佳 AI 模型

AMiner

AI 模型

由智谱 GLM 模型驱动的 AI 研究助手，提供超过 3 亿条文献记录和 6000 万名学者的数据访问。它支持学术搜索、深度研究、AI 论文阅读和 AI 驱动的文献综述，通过真实引文提高科学研究效率。AMiner 是一款由智谱 GLM 模型驱动的 AI 研究助手，提供超过 3 亿条文献记录和 6000 万名学者的数据访问。它支持学术搜索、深度研究、AI 论文阅读和 AI 驱动的文献综述，通过真实引文提高科学研究效率。

RoboCat

AI 模型

可自我改进的机器人 AI 代理，可学习在不同机器人手臂上执行各种任务。它只需 100 次演示即可适应新任务，并生成自己的训练数据以提高性能，从而加速机器人研究。RoboCat 是一种可自我改进的机器人 AI 代理，可学习在不同机器人手臂上执行各种任务。它只需 100 次演示即可适应新任务，并生成自己的训练数据以提高性能，从而加速机器人研究。

Plenoxels：辐射场

AI 模型

提供了一种新颖的辐射场方法，无需依赖神经网络即可高保真地重建场景。该方法实现了比传统 NeRF 快两个数量级的优化速度，使其在各种 3D 重建任务中效率极高。它利用稀疏体素网格来存储密度和球谐系数。Plenoxels 提供了一种新颖的辐射场方法，无需依赖神经网络即可高保真地重建场景。该方法实现了比传统 NeRF 快两个数量级的优化速度，使其在各种 3D 重建任务中效率极高。它利用稀疏体素网格来存储密度和球谐系数。

该AI模型引入了一种多分辨率哈希编码技术，用于神经图形基元，可在单个GPU上实现近乎即时的神经网络训练。它显著缩短了训练时间和计算成本，适用于巨像素图像表示、神经SDF和NeRF重建等任务，并提供高质量和简洁性。

该 AI 模型引入了用于实时辐射场渲染的 3D 高斯泼溅技术，以高帧率实现了最先进的视觉质量。它使用 3D 高斯和快速的视感知渲染算法来优化场景表示，从而能够以 1080p 分辨率进行高质量的新视图合成。

GET3D

AI 模型

生成式AI模型，可以直接从2D图像集合中合成高质量的3D纹理网格。它能生成具有复杂拓扑结构和丰富几何细节的多样化形状，可用于标准的3D渲染引擎。该模型使用2D图像上的对抗性损失进行训练，并在几何和纹理之间实现了解耦。GET3D是一个生成式AI模型，可以直接从2D图像集合中合成高质量的3D纹理网格。它能生成具有复杂拓扑结构和丰富几何细节的多样化形状，可用于标准的3D渲染引擎。该模型使用2D图像上的对抗性损失进行训练，并在几何和纹理之间实现了解耦。

用于高分辨率文本到 3D 内容创建的 AI 工具。它使用粗到精的扩散策略从文本提示生成详细的 3D 网格模型。该工具提供基于提示的编辑和图像条件设置，以增强控制和创意应用，从而产生更高质量的 3D 资产。Magic3D 是一款用于高分辨率文本到 3D 内容创建的 AI 工具。它使用粗到精的扩散策略从文本提示生成详细的 3D 网格模型。该工具提供基于提示的编辑和图像条件设置，以增强控制和创意应用，从而产生更高质量的 3D 资产。

利用潜在扩散模型进行文本到音频生成的框架。它将各种模态转换为统一的“音频语言”（LOA），用于生成语音、音乐和音效。这种方法支持上下文学习，并利用自监督预训练模型进行多功能音频创作。AudioLDM 是一个利用潜在扩散模型进行文本到音频生成的框架。它将各种模态转换为统一的“音频语言”（LOA），用于生成语音、音乐和音效。这种方法支持上下文学习，并利用自监督预训练模型进行多功能音频创作。

文本到音频生成系统，采用提示增强的扩散模型。它通过伪提示增强和频谱图自编码器来解决数据稀缺和音频复杂性的问题。该系统取得了最先进的成果，并提供了从各种输入生成高清、高保真音频的可控性。Make-An-Audio 是一个文本到音频生成系统，采用提示增强的扩散模型。它通过伪提示增强和频谱图自编码器来解决数据稀缺和音频复杂性的问题。该系统取得了最先进的成果，并提供了从各种输入生成高清、高保真音频的可控性。

Decision Transformer

AI 模型

将强化学习重构为序列建模问题，利用 GPT-x 和 BERT 等 Transformer 架构。它通过对期望回报、过去状态和动作进行条件化来生成最优动作，在 Atari、OpenAI Gym 和 Key-to-Door 任务上达到了最先进的性能。Decision Transformer 将强化学习重构为序列建模问题，利用 GPT-x 和 BERT 等 Transformer 架构。它通过对期望回报、过去状态和动作进行条件化来生成最优动作，在 Atari、OpenAI Gym 和 Key-to-Door 任务上达到了最先进的性能。

GraphCast

AI 模型

用于全球天气预报的 AI 模型，可在不到一分钟的时间内提供具有前所未有准确性的 10 天预报。它显著优于传统系统，能更早地发出关于气旋和热浪等极端天气事件的预警，现已开源以造福全球科学界。GraphCast 是一款用于全球天气预报的 AI 模型，可在不到一分钟的时间内提供具有前所未有准确性的 10 天预报。它显著优于传统系统，能更早地发出关于气旋和热浪等极端天气事件的预警，现已开源以造福全球科学界。

Allegro

AI 模型

严格局部的 E(3)-等变机器学习原子间势。它作为 NequIP 的扩展包实现，专注于为材料科学及相关领域提供准确高效的模拟。文档涵盖了安装、使用以及与 LAMMPS 的集成。Allegro 是一个严格局部的 E(3)-等变机器学习原子间势。它作为 NequIP 的扩展包实现，专注于为材料科学及相关领域提供准确高效的模拟。文档涵盖了安装、使用以及与 LAMMPS 的集成。

MobileOne

AI 模型

高效的神经网络骨干网，专为移动设备设计。它针对推理速度进行了优化，在 iPhone12 上实现了低于 1 毫秒的推理时间，同时保持了高精度。该模型在图像分类、目标检测和语义分割任务上表现通用，在延迟和准确性方面均有显著提升。MobileOne 是一种高效的神经网络骨干网，专为移动设备设计。它针对推理速度进行了优化，在 iPhone12 上实现了低于 1 毫秒的推理时间，同时保持了高精度。该模型在图像分类、目标检测和语义分割任务上表现通用，在延迟和准确性方面均有显著提升。

全景特征金字塔网络

AI 模型

全景FPN将实例分割和语义分割统一到单一网络架构中。它通过使用共享的特征金字塔网络骨干网的语义分割分支来增强Mask R-CNN，为这两个任务提供了轻量级且有效的解决方案。本研究旨在为全景分割提供一个强大的基线。

BAAI 模型

AI 模型

BAAI 模型平台提供多样化的人工智能模型，涵盖自然语言处理、多模态理解和蛋白质分析等领域。您可以探索和下载用于文本生成、图像描述和蛋白质结构预测等任务的模型，以支持各种应用和研究需求。

RETRO 语言模型

AI 模型

RETRO（检索增强 Transformer）是一个将检索能力增强到 Transformer 架构中的 AI 模型。它能够访问包含网页、书籍、新闻和代码等海量文本的数据库，以提高语言生成的准确性和事实一致性。这种方法比标准 Transformer 提供了显著的性能提升。

BEGAN in Tensorflow

AI 模型

该存储库提供了BEGAN（边界平衡生成对抗网络）模型的TensorFlow实现。它允许用户训练和测试用于图像合成的生成模型，支持自定义数据集和GPU加速。该项目包括数据加载、模型架构和训练实用程序的代码。

LS-GAN

AI 模型

LS-GAN，即损失敏感生成对抗网络，是一个专注于推进GAN的项目。它引入了一种新颖的损失函数方法，旨在提高生成质量和稳定性。该项目提供了用于实现和试验LS-GAN及其变体的源代码。

StyleGAN3 是一种生成对抗网络，通过彻底改革信号处理来消除“纹理粘连”。它实现了平移和旋转的等变性，从而能够更连贯地合成视频和动画。该模型为动态视觉内容提供了改进的细节一致性。

用于高效非自回归音频生成的 AI 模型。它能以比以往方法快两个数量级的速度生成高质量音频，同时保持语音和声学条件的一致性。它能够合成自然的对话片段，并可控制语音内容、说话人声音和说话人轮次。SoundStorm 是一款用于高效非自回归音频生成的 AI 模型。它能以比以往方法快两个数量级的速度生成高质量音频，同时保持语音和声学条件的一致性。它能够合成自然的对话片段，并可控制语音内容、说话人声音和说话人轮次。

PatchTST

AI 模型

基于 Transformer 的长时序预测模型的官方实现。它将时间序列分割成块（patches）并独立处理，提供高效且有效的预测。该项目提供了监督学习和自监督学习方法的代码，实现了强大的预测能力。PatchTST 是一个基于 Transformer 的长时序预测模型的官方实现。它将时间序列分割成块（patches）并独立处理，提供高效且有效的预测。该项目提供了监督学习和自监督学习方法的代码，实现了强大的预测能力。

TimesNet

AI 模型

通用的时间序列分析基础模型，它将一维序列转换为二维空间以增强建模能力。通过利用视觉骨干网络进行强大的表示学习，在预测、插补、异常检测和分类任务中取得了最先进的成果，能够处理多样化的时间模式。TimesNet 是一个通用的时间序列分析基础模型，它将一维序列转换为二维空间以增强建模能力。通过利用视觉骨干网络进行强大的表示学习，在预测、插补、异常检测和分类任务中取得了最先进的成果，能够处理多样化的时间模式。

AlphaStar

AI 模型

在复杂实时战略游戏《星际争霸 II》中达到宗师级的 AI 模型。它利用多智能体强化学习和模仿学习，在模拟人类限制的条件下进行游戏，不设游戏限制，展示了在动态环境中先进的 AI 能力。AlphaStar 是一个在复杂实时战略游戏《星际争霸 II》中达到宗师级的 AI 模型。它利用多智能体强化学习和模仿学习，在模拟人类限制的条件下进行游戏，不设游戏限制，展示了在动态环境中先进的 AI 能力。

AlphaFold

AI 模型

人工智能系统，解决了困扰生物学界 50 年的蛋白质折叠这一重大挑战。它能根据氨基酸序列准确预测蛋白质的三维结构，从而加速生物学和医学领域的科学发现。AlphaFold 是一个人工智能系统，解决了困扰生物学界 50 年的蛋白质折叠这一重大挑战。它能根据氨基酸序列准确预测蛋白质的三维结构，从而加速生物学和医学领域的科学发现。

AUI Apollo-1

AI 模型

AUI 的 Apollo-1 是一个面向任务型对话的神经符号基础模型。它通过代码而非权重进行推理，使公司能够构建在遵循业务规则的同时与用户进行对话的智能体。Apollo-1 提供可追溯的决策制定、工具激活、基于规则的可控性以及基于事实的响应，以实现可预测的 AI。

开源 AI 模型，可以将单张肖像照片和脚本或音频转换为同步口型的对话视频，生成对齐的音频和视频，且只需一次处理即可完成。可以在线免费试用或自托管。daVinci-MagiHuman 是一个开源 AI 模型，可以将单张肖像照片和脚本或音频转换为同步口型的对话视频，生成对齐的音频和视频，且只需一次处理即可完成。可以在线免费试用或自托管。

Cat-MaineCoon

AI 模型

针对社交互动应用优化的实时音视频生成模型。它拥有 220 亿个参数，支持流式生成和亚秒级交互，非常适合创建引人入胜的社交媒体内容。Cat-MaineCoon 是一个针对社交互动应用优化的实时音视频生成模型。它拥有 220 亿个参数，支持流式生成和亚秒级交互，非常适合创建引人入胜的社交媒体内容。

纳米香蕉 - 谷歌深度Mind

AI 模型

谷歌深度Mind为其Gemini图像模型所使用的品牌，旨在进行AI图像生成和编辑。它能够同时理解文本提示和上传的图像，遵循生成内容的现实逻辑，并允许用户通过对话来细化结果。它涵盖了一个专业级别，提供精确的工作室质量编辑，以及一个快速、低成本的级别，适合任何使用Gemini创建或编辑图像的人。纳米香蕉是谷歌深度Mind为其Gemini图像模型所使用的品牌，旨在进行AI图像生成和编辑。它能够同时理解文本提示和上传的图像，遵循生成内容的现实逻辑，并允许用户通过对话来细化结果。它涵盖了一个专业级别，提供精确的工作室质量编辑，以及一个快速、低成本的级别，适合任何使用Gemini创建或编辑图像的人。

黑森林实验室 - 前沿人工智能实验室

AI 模型

领先的人工智能实验室，专注于视觉智能，开发能够理解、推理和在世界中行动的模型。他们的FLUX模型通过简单的API实现先进的图像和视频生成，满足各种创意和企业需求。黑森林实验室是一家领先的人工智能实验室，专注于视觉智能，开发能够理解、推理和在世界中行动的模型。他们的FLUX模型通过简单的API实现先进的图像和视频生成，满足各种创意和企业需求。

Grok Imagine

AI 模型

Grok Imagine由xAI开发，是一款AI图像和视频生成器，允许用户创建和编辑图像，将其动画化为视频，并使用Imagine Agent模式快速迭代。它提供了一系列满足各种创意需求的功能。

Cohere Rerank

AI 模型

Rerank通过根据语义相关性重新排序结果来增强企业搜索和检索。它提高了准确性和效率，确保只有最相关的文档被处理，从而减少延迟并提升整体性能。

Veo 3.1 — Google DeepMind

AI 模型

Veo 3.1由Google DeepMind开发，是一款领先的视频生成模型，提供增强的真实感、创意控制和提示跟随能力。它支持文本到视频、图像到视频以及文本到音频+视频的生成，非常适合电影叙事和创意项目。

Google Veo 3.1

AI 模型

提供最先进的视频生成技术，具有细致的控制能力，使用户能够创建具有原生音频的电影级 4K 视频。经过优化以提高速度和效率，非常适合快速扩展社交媒体内容和广告创意。Google Veo 3.1 提供最先进的视频生成技术，具有细致的控制能力，使用户能够创建具有原生音频的电影级 4K 视频。经过优化以提高速度和效率，非常适合快速扩展社交媒体内容和广告创意。

Gemma 3n — Google DeepMind

AI 模型

先进的开放多模态模型，旨在实现高效的设备端性能。它支持音频、文本、图像和视频处理，使得隐私优先的应用能够离线工作。Gemma 3n 是一个先进的开放多模态模型，旨在实现高效的设备端性能。它支持音频、文本、图像和视频处理，使得隐私优先的应用能够离线工作。

用于音频合成和转换的框架，使用文本指令和可选的音频输入。它使创作者能够将声音幻想变为现实，提供了使用创新技术（如ComposeableART）进行音频创作和控制的工具。Fugatto是一个用于音频合成和转换的框架，使用文本指令和可选的音频输入。它使创作者能够将声音幻想变为现实，提供了使用创新技术（如ComposeableART）进行音频创作和控制的工具。

Chatterbox Turbo

AI 模型

Resemble AI 开发的开源文本转语音模型，具有超快的性能，参数量为 3.5 亿，延迟为 75 毫秒。它支持从 5 秒的音频中进行声音克隆，并提供用于表现性输出的副语言标签。Chatterbox Turbo 是 Resemble AI 开发的开源文本转语音模型，具有超快的性能，参数量为 3.5 亿，延迟为 75 毫秒。它支持从 5 秒的音频中进行声音克隆，并提供用于表现性输出的副语言标签。

DeepSeek V4 Flash

AI 模型

为高级文本生成任务设计的 AI 模型集合。它利用开源和开放科学原则来实现人工智能的民主化，提供一系列具有不同参数的模型，以满足多样化的应用需求。DeepSeek V4 Flash 是一个为高级文本生成任务设计的 AI 模型集合。它利用开源和开放科学原则来实现人工智能的民主化，提供一系列具有不同参数的模型，以满足多样化的应用需求。

LTX-2.5 Pro

AI 模型

先进的开放权重扩散变换器模型，旨在用于多模态视频、音频和世界模拟。它提供高保真渲染、更流畅的运动和精确的控制，使其成为专业视频制作和实时应用的理想选择。LTX-2.5 Pro 是一款先进的开放权重扩散变换器模型，旨在用于多模态视频、音频和世界模拟。它提供高保真渲染、更流畅的运动和精确的控制，使其成为专业视频制作和实时应用的理想选择。

BAAI/bge-reranker-v2-m3

AI 模型

轻量级的多语言重排序模型，旨在快速推理和便捷部署。它为查询和文档输出相似度评分，支持中文和英文。BAAI/bge-reranker-v2-m3 是一个轻量级的多语言重排序模型，旨在快速推理和便捷部署。它为查询和文档输出相似度评分，支持中文和英文。

BgGPT-Gemma-2-27B-IT-v1.0

AI 模型

由 INSAIT 开发的保加利亚语言模型，基于谷歌的 Gemma 2 27B。它在保加利亚文化和语言任务中表现出色，同时保留了英语能力。BgGPT-Gemma-2-27B-IT-v1.0 是由 INSAIT 开发的保加利亚语言模型，基于谷歌的 Gemma 2 27B。它在保加利亚文化和语言任务中表现出色，同时保留了英语能力。

LTX-Video 模型

AI 模型

Lightricks 开发的基于 DiT 的视频生成模型，能够实时生成高质量视频。它以 1216×704 分辨率生成 30 FPS 视频，经过多样化数据集的训练，以实现逼真的内容。LTX-Video 是 Lightricks 开发的基于 DiT 的视频生成模型，能够实时生成高质量视频。它以 1216×704 分辨率生成 30 FPS 视频，经过多样化数据集的训练，以实现逼真的内容。

Qwen3-0.6B 模型

AI 模型

先进的语言模型，提供密集和专家混合能力。它在推理、多语言支持和代理集成方面表现出色，适合复杂任务。Qwen3-0.6B 是一款先进的语言模型，提供密集和专家混合能力。它在推理、多语言支持和代理集成方面表现出色，适合复杂任务。

Qwen3-Coder-480B-A35B-Instruct

AI 模型

强大的 AI 模型，专为代理编码任务设计。它支持长上下文能力，并在工具调用方面表现出色，使其适用于复杂的编码环境。Qwen3-Coder-480B-A35B-Instruct 是一个强大的 AI 模型，专为代理编码任务设计。它支持长上下文能力，并在工具调用方面表现出色，使其适用于复杂的编码环境。

Qwen3-32B 模型

AI 模型

大型语言模型，提供先进的推理、多语言支持和代理能力。它在复杂任务中表现出色，支持超过 100 种语言，实现思维模式与非思维模式之间的无缝切换，以优化性能。Qwen3-32B 是一款大型语言模型，提供先进的推理、多语言支持和代理能力。它在复杂任务中表现出色，支持超过 100 种语言，实现思维模式与非思维模式之间的无缝切换，以优化性能。

OuteTTS-0.2-500M

AI 模型

先进的文本转语音模型，提供更高的准确性、自然的语音合成和多语言支持。基于 Qwen-2.5-0.5B 构建，它增强了语音克隆能力，并扩展了超过 50 亿个音频标记的词汇量。OuteTTS-0.2-500M 是一个先进的文本转语音模型，提供更高的准确性、自然的语音合成和多语言支持。基于 Qwen-2.5-0.5B 构建，它增强了语音克隆能力，并扩展了超过 50 亿个音频标记的词汇量。

Qwen3-VL-235B-A22B-Instruct

AI 模型

强大的视觉语言模型，提供卓越的文本理解、视觉感知和推理能力。它支持灵活的部署，具备增强的多模态推理和空间感知能力。Qwen3-VL-235B-A22B-Instruct 是一个强大的视觉语言模型，提供卓越的文本理解、视觉感知和推理能力。它支持灵活的部署，具备增强的多模态推理和空间感知能力。

Qwen3.5-4B 模型

AI 模型

具有视觉编码器的因果语言模型，旨在实现高性能的多模态学习。它支持 201 种语言，并提供高效的混合架构以实现可扩展的强化学习。Qwen3.5-4B 是一种具有视觉编码器的因果语言模型，旨在实现高性能的多模态学习。它支持 201 种语言，并提供高效的混合架构以实现可扩展的强化学习。

Wan2.1-T2V-14B 模型

AI 模型

先进的视频生成模型，擅长文本到视频、图像到视频和视频编辑任务。它支持消费级 GPU，并生成具有显著运动动态的高质量视觉效果。Wan2.1-T2V-14B 是一款先进的视频生成模型，擅长文本到视频、图像到视频和视频编辑任务。它支持消费级 GPU，并生成具有显著运动动态的高质量视觉效果。

Indic Parler-TTS

AI 模型

支持 21 种语言的多语言文本转语音模型，包括英语和多种印度语言。它提供可定制的语音合成，具有情感渲染、口音灵活性和说话者多样性等功能。Indic Parler-TTS 是一个支持 21 种语言的多语言文本转语音模型，包括英语和多种印度语言。它提供可定制的语音合成，具有情感渲染、口音灵活性和说话者多样性等功能。

MiMo-V2.5-Pro

AI 模型

先进的开源混合专家语言模型，旨在处理复杂任务。它具有混合注意力架构，支持最长 100 万个标记的上下文长度，非常适合要求高的软件工程和长时间跨度的任务。MiMo-V2.5-Pro 是一个先进的开源混合专家语言模型，旨在处理复杂任务。它具有混合注意力架构，支持最长 100 万个标记的上下文长度，非常适合要求高的软件工程和长时间跨度的任务。

Virtuoso-Lite AI Model

AI 模型

基于 Llama-3 架构的 100 亿参数语言模型。它在推理、代码生成和数学问题解决方面表现出色，提供强大的性能和紧凑的体积。Virtuoso-Lite 是一个基于 Llama-3 架构的 100 亿参数语言模型。它在推理、代码生成和数学问题解决方面表现出色，提供强大的性能和紧凑的体积。

DeepSeek-V3.2 AI模型

AI 模型

先进的AI模型，旨在高效推理和代理任务。它具有DeepSeek稀疏注意力、可扩展的强化学习和大规模代理任务合成管道。DeepSeek-V3.2是一个先进的AI模型，旨在高效推理和代理任务。它具有DeepSeek稀疏注意力、可扩展的强化学习和大规模代理任务合成管道。

MusicGen Large

AI 模型

由 Meta AI 开发的文本到音乐模型，能够根据文本描述或音频提示生成高质量的音乐样本。它使用单阶段自回归 Transformer 模型进行高效的音乐生成。MusicGen Large 是由 Meta AI 开发的文本到音乐模型，能够根据文本描述或音频提示生成高质量的音乐样本。它使用单阶段自回归 Transformer 模型进行高效的音乐生成。

SmolVLM2: 视频理解模型

AI 模型

先进的视频理解模型，旨在高效地运行在各种设备上。它提供增强的视频分析和视觉推理能力，使视频理解在不同平台上变得可及。SmolVLM2 是一个先进的视频理解模型，旨在高效地运行在各种设备上。它提供增强的视频分析和视觉推理能力，使视频理解在不同平台上变得可及。

facebook/bart-large-cnn 模型

AI 模型

基于变换器的人工智能模型，旨在进行文本摘要和理解任务。经过 CNN Daily Mail 数据集的微调，它在生成简洁摘要和理解复杂文本输入方面表现出色。facebook/bart-large-cnn 模型是一个基于变换器的人工智能模型，旨在进行文本摘要和理解任务。经过 CNN Daily Mail 数据集的微调，它在生成简洁摘要和理解复杂文本输入方面表现出色。

DeepSeek-V3-0324

AI 模型

先进的 AI 模型，提供了在推理能力、网页开发和中文写作能力方面的显著提升。它增强了多轮互动重写和翻译质量，使其成为开发者和研究人员的多功能工具。DeepSeek-V3-0324 是一个先进的 AI 模型，提供了在推理能力、网页开发和中文写作能力方面的显著提升。它增强了多轮互动重写和翻译质量，使其成为开发者和研究人员的多功能工具。

SeamlessM4T v2 大型模型

AI 模型

支持近100种语言的多语言和多模态机器翻译模型，能够进行语音和文本翻译。与其前身相比，它提供了更高的质量和速度。SeamlessM4T v2 大型模型是一个支持近100种语言的多语言和多模态机器翻译模型，能够进行语音和文本翻译。与其前身相比，它提供了更高的质量和速度。

Wav2Vec2 Large XLSR-53

AI 模型

预训练的语音模型，旨在实现跨语言语音识别。它需要针对特定任务进行微调，如自动语音识别，在多种语言中提供更好的错误率。Wav2Vec2 Large XLSR-53 是一个预训练的语音模型，旨在实现跨语言语音识别。它需要针对特定任务进行微调，如自动语音识别，在多种语言中提供更好的错误率。

Gemma 3-27B IT 模型

AI 模型

谷歌推出的最先进的多模态 AI 模型，能够处理文本和图像输入以生成文本输出。它支持超过 140 种语言，并设计用于在资源有限的环境中高效部署。Gemma 3-27B IT 是谷歌推出的最先进的多模态 AI 模型，能够处理文本和图像输入以生成文本输出。它支持超过 140 种语言，并设计用于在资源有限的环境中高效部署。

Gemma 3-4B 模型

AI 模型

谷歌推出的最先进的多模态 AI 模型，能够处理文本和图像输入以生成文本输出。它支持超过 140 种语言，并设计用于在资源有限的环境中高效部署。Gemma 3-4B 是谷歌推出的最先进的多模态 AI 模型，能够处理文本和图像输入以生成文本输出。它支持超过 140 种语言，并设计用于在资源有限的环境中高效部署。

siglip-so400m-patch14-384模型

AI 模型

SigLIP是一个形状优化的多模态模型，预训练于WebLi，旨在实现零样本图像分类和图像-文本检索。它使用sigmoid损失函数以提高性能和可扩展性。

Jina Embeddings v3

AI 模型

多语言、多任务的文本嵌入模型，旨在支持各种自然语言处理应用。它支持长输入序列和特定任务的嵌入，使其在不同用例中具有多功能性。Jina Embeddings v3 是一个多语言、多任务的文本嵌入模型，旨在支持各种自然语言处理应用。它支持长输入序列和特定任务的嵌入，使其在不同用例中具有多功能性。

gemma-3n-E4B-it 模型

AI 模型

谷歌推出的一款轻量级、先进的人工智能模型，旨在低资源设备上高效执行。它支持多模态输入，处理文本、图像、视频和音频，并生成具有开放权重的文本输出，适用于预训练和指令调优的变体。Gemma-3n-E4B-it 是谷歌推出的一款轻量级、先进的人工智能模型，旨在低资源设备上高效执行。它支持多模态输入，处理文本、图像、视频和音频，并生成具有开放权重的文本输出，适用于预训练和指令调优的变体。

Gemma 3n 模型

AI 模型

谷歌推出的一系列轻量级开源 AI 模型，旨在低资源设备上高效执行。它支持多模态输入，包括文本、图像、视频和音频，并生成文本输出。这些模型通过选择性参数激活技术优化了性能。Gemma 3n 是谷歌推出的一系列轻量级开源 AI 模型，旨在低资源设备上高效执行。它支持多模态输入，包括文本、图像、视频和音频，并生成文本输出。这些模型通过选择性参数激活技术优化了性能。

Llama-3.2-11B-Vision-Instruct

AI 模型

多模态 AI 模型，旨在进行视觉识别、图像推理和图像描述。由 Meta 开发，它整合了文本和图像输入，以提供先进的图像理解能力。Llama-3.2-11B-Vision-Instruct 是一个多模态 AI 模型，旨在进行视觉识别、图像推理和图像描述。由 Meta 开发，它整合了文本和图像输入，以提供先进的图像理解能力。

Llama-4 Maverick 17B-128E Instruct

AI 模型

由 Meta 开发的多模态 AI 模型，旨在实现先进的文本和图像理解。它利用专家混合架构在各种应用中提供高性能。Llama-4 Maverick 17B-128E Instruct 是由 Meta 开发的多模态 AI 模型，旨在实现先进的文本和图像理解。它利用专家混合架构在各种应用中提供高性能。

TrOCR 模型

AI 模型

为光学字符识别 (OCR) 任务设计的编码器-解码器模型。它利用基于 Transformer 的架构处理图像并生成文本，适用于识别图像中的手写文本。TrOCR 是一个为光学字符识别 (OCR) 任务设计的编码器-解码器模型。它利用基于 Transformer 的架构处理图像并生成文本，适用于识别图像中的手写文本。

Llama-4-Scout-17B-16E-Instruct

AI 模型

Meta 设计的多模态 AI 模型。它利用专家混合架构提供先进的文本和图像理解能力，支持多语言输出和针对多种应用的微调。Llama-4-Scout-17B-16E-Instruct 是 Meta 设计的多模态 AI 模型。它利用专家混合架构提供先进的文本和图像理解能力，支持多语言输出和针对多种应用的微调。

Ministral 3 AI Model

AI 模型

紧凑型 AI 模型，专为边缘部署设计，提供多语言支持和视觉能力。它针对指令任务进行了优化，能够在低资源设备上高效运行。Ministral 3 是一款紧凑型 AI 模型，专为边缘部署设计，提供多语言支持和视觉能力。它针对指令任务进行了优化，能够在低资源设备上高效运行。

Florence-2 模型

AI 模型

微软开发的先进视觉基础模型，旨在处理各种视觉和视觉语言任务。它采用基于提示的方法来处理诸如图像描述和物体检测等任务，利用庞大的数据集进行多任务学习。Florence-2 是微软开发的先进视觉基础模型，旨在处理各种视觉和视觉语言任务。它采用基于提示的方法来处理诸如图像描述和物体检测等任务，利用庞大的数据集进行多任务学习。

Phi-4-reasoning-plus 模型

AI 模型

由微软研究院开发的最先进的推理模型。它通过监督学习和强化学习对 Phi-4 进行了微调，旨在处理数学、科学和编码中的高级推理任务。Phi-4-reasoning-plus 是由微软研究院开发的最先进的推理模型。它通过监督学习和强化学习对 Phi-4 进行了微调，旨在处理数学、科学和编码中的高级推理任务。

Pixtral-12B-2409 模型

AI 模型

具有 120 亿参数的多模态 AI 模型，配备 4 亿参数的视觉编码器，旨在处理高级图像和文本任务。Pixtral-12B-2409 是一个具有 120 亿参数的多模态 AI 模型，配备 4 亿参数的视觉编码器，旨在处理高级图像和文本任务。

Mistral-Small-3.1-24B-Instruct-2503

AI 模型

先进的 AI 模型，拥有 240 亿个参数，提供最先进的视觉和文本能力。它支持长达 128k 令牌的上下文理解，非常适合对话代理和视觉分析。Mistral-Small-3.1-24B-Instruct-2503 是一个先进的 AI 模型，拥有 240 亿个参数，提供最先进的视觉和文本能力。它支持长达 128k 令牌的上下文理解，非常适合对话代理和视觉分析。

RolmOCR

AI 模型

Reducto AI开发的开源OCR工具，相比其前身olmOCR，提供更快的处理速度和更低的内存使用。它旨在高效处理各种文档类型，而无需使用元数据输入。RolmOCR是Reducto AI开发的开源OCR工具，相比其前身olmOCR，提供更快的处理速度和更低的内存使用。它旨在高效处理各种文档类型，而无需使用元数据输入。

OpenAI Whisper 模型

AI 模型

用于自动语音识别和翻译的预训练模型。它支持多种语言，并设计为在不同数据集上进行泛化，无需微调，使其在各种 ASR 任务中具有多功能性。OpenAI Whisper 是一个用于自动语音识别和翻译的预训练模型。它支持多种语言，并设计为在不同数据集上进行泛化，无需微调，使其在各种 ASR 任务中具有多功能性。

nomic-embed-text-v2-moe

AI 模型

最先进的多语言专家混合文本嵌入模型。它支持大约 100 种语言，并在多语言检索任务中表现出色，提供灵活的嵌入维度和降低的存储成本。nomic-embed-text-v2-moe 是一款最先进的多语言专家混合文本嵌入模型。它支持大约 100 种语言，并在多语言检索任务中表现出色，提供灵活的嵌入维度和降低的存储成本。

Dia-1.6B AI模型

AI 模型

Nari Labs开发的文本转语音模型，具有16亿个参数。它能够从文本生成逼真的对话，支持情感和语调控制，并能够产生非语言声音。目前仅支持英语。Dia-1.6B是Nari Labs开发的文本转语音模型，具有16亿个参数。它能够从文本生成逼真的对话，支持情感和语调控制，并能够产生非语言声音。目前仅支持英语。

Whisper Large V3 Turbo

AI 模型

先进的自动语音识别和翻译模型，经过优化以提高速度，并减少了解码层。它支持多种语言，并提供强大的转录能力。Whisper Large V3 Turbo 是一款先进的自动语音识别和翻译模型，经过优化以提高速度，并减少了解码层。它支持多种语言，并提供强大的转录能力。

GOT-OCR2.0 AI Model

AI 模型

先进的 OCR 模型，旨在实现高效的文本识别。它利用统一的端到端方法来提高准确性和性能，使其非常适合于文本提取和处理的各种应用。GOT-OCR2.0 是一个先进的 OCR 模型，旨在实现高效的文本识别。它利用统一的端到端方法来提高准确性和性能，使其非常适合于文本提取和处理的各种应用。

Bark AI Model

AI 模型

Suno开发的基于变换器的文本到音频模型，能够生成真实的多语言语音和其他音频形式。它支持通过预训练模型检查点进行推理的研究。Bark是Suno开发的基于变换器的文本到音频模型，能够生成真实的多语言语音和其他音频形式。它支持通过预训练模型检查点进行推理的研究。

Solar Pro Preview Instruct

AI 模型

先进的大型语言模型，拥有 220 亿个参数，旨在高效地在单个 GPU 上运行。与较小的模型相比，它提供了卓越的性能，并与那些显著更大的模型相媲美，使其成为 AI 任务的强大工具。Solar Pro Preview Instruct 是一个先进的大型语言模型，拥有 220 亿个参数，旨在高效地在单个 GPU 上运行。与较小的模型相比，它提供了卓越的性能，并与那些显著更大的模型相媲美，使其成为 AI 任务的强大工具。

GLM-4.7-Flash 模型

AI 模型

30B-A3B MoE 模型，旨在实现轻量级部署，平衡性能与效率。它在各种基准测试中表现出色，是 AI 应用的强大选择。GLM-4.7-Flash 是一款 30B-A3B MoE 模型，旨在实现轻量级部署，平衡性能与效率。它在各种基准测试中表现出色，是 AI 应用的强大选择。

GLM-4.6 模型

AI 模型

先进的 AI 模型，相较于其前身 GLM-4.5 提供了改进。它具有更长的上下文窗口、更优越的编码性能和增强的推理能力，适合复杂任务和代理框架。GLM-4.6 是一个先进的 AI 模型，相较于其前身 GLM-4.5 提供了改进。它具有更长的上下文窗口、更优越的编码性能和增强的推理能力，适合复杂任务和代理框架。

GLM-OCR

AI 模型

多模态 OCR 模型，旨在实现复杂文档理解。它通过多标记预测损失和稳定的强化学习提高训练效率和识别准确性。该模型针对现实场景进行了优化，在各种文档布局中提供强大的性能。GLM-OCR 是一个多模态 OCR 模型，旨在实现复杂文档理解。它通过多标记预测损失和稳定的强化学习提高训练效率和识别准确性。该模型针对现实场景进行了优化，在各种文档布局中提供强大的性能。

InternVL

AI 模型

由 OpenGVLab 开发的开源多模态大型语言模型系列。它作为 GPT-4o 的替代方案，专注于视觉-语言任务。该项目旨在以多功能和可访问的格式提供先进的对话能力。InternVL 是由 OpenGVLab 开发的开源多模态大型语言模型系列。它作为 GPT-4o 的替代方案，专注于视觉-语言任务。该项目旨在以多功能和可访问的格式提供先进的对话能力。

LG AI Research EXAONE 4.5

AI 模型

LG AI Research 的 EXAONE 4.5 是一款为专业使用而设计的大型语言模型，集成了视觉和语言能力。它在理解复杂工业环境方面表现出色，并支持多语言操作，提升了各个行业的 AI 驱动解决方案。

Celeris-1 AI模型

AI 模型

尖端语言模型，专为超低延迟应用而设计，使实时AI交互在语音、代理等领域成为可能。它提供快速的响应时间和高准确性，改变了智能处理的速度。Celeris-1是一个尖端语言模型，专为超低延迟应用而设计，使实时AI交互在语音、代理等领域成为可能。它提供快速的响应时间和高准确性，改变了智能处理的速度。

Hy3 预览

AI 模型

腾讯混元的 Hy3 预览是一个开源语言模型，具有 2950 亿个参数。它在数学、编码和多语言任务中表现出色，提供与 256K 上下文窗口相竞争的性能。可在腾讯云和 OpenRouter 上使用。

NVIDIA Parakeet ASR模型

AI 模型

拥有6亿参数的自动语音识别模型，旨在提供高质量的英语转录，支持标点符号、大小写和准确的时间戳预测。NVIDIA Parakeet是一个拥有6亿参数的自动语音识别模型，旨在提供高质量的英语转录，支持标点符号、大小写和准确的时间戳预测。

MAI-Image-2.6

AI 模型

微软人工智能推出的先进图像模型，旨在实现高质量生成和精确编辑。它提供专业级控制，并整合来自网络的信息以增强创意。MAI-Image-2.6 是微软人工智能推出的先进图像模型，旨在实现高质量生成和精确编辑。它提供专业级控制，并整合来自网络的信息以增强创意。

MiMo-V2.5 AI模型

AI 模型

小米推出的旗舰AI模型，具备万亿参数能力，旨在提升现实世界的生产力。它在长时间任务中表现出色，支持在单一上下文中处理多达100万的tokens，非常适合复杂项目。MiMo-V2.5是小米推出的旗舰AI模型，具备万亿参数能力，旨在提升现实世界的生产力。它在长时间任务中表现出色，支持在单一上下文中处理多达100万的tokens，非常适合复杂项目。

Agnes 2.5 Pro

AI 模型

商业 AI 模型，旨在处理高级编码、科学推理、长上下文分析、代理工作流程和多模态理解。它为复杂的 AI 任务提供了一个稳定的平台。Agnes 2.5 Pro 是一款商业 AI 模型，旨在处理高级编码、科学推理、长上下文分析、代理工作流程和多模态理解。它为复杂的 AI 任务提供了一个稳定的平台。

Quasar 438B | CompactifAI API

AI 模型

与 OpenAI 兼容的 LLM 推理 API，提供工具调用、结构化输出、多模态和语音转文本功能。由 Multiverse Computing 开发，支持高级推理和多样化应用的结构化输出。Quasar 438B 是一个与 OpenAI 兼容的 LLM 推理 API，提供工具调用、结构化输出、多模态和语音转文本功能。由 Multiverse Computing 开发，支持高级推理和多样化应用的结构化输出。

Sora AI 视频工具

AI 模型

将文本和图像转化为沉浸式视频，使用户能够动画化故事和可视化想法。尽管不再可用，用户仍然可以导出他们的数据。Sora 将文本和图像转化为沉浸式视频，使用户能够动画化故事和可视化想法。尽管不再可用，用户仍然可以导出他们的数据。

DALL·E 3 | OpenAI

AI 模型

OpenAI 开发的前沿 AI 模型，能够将文本转换为高度准确的图像。该模型对 ChatGPT 用户和开发者开放，相较于之前的版本，它更严格地遵循提供的文本提示。DALL·E 3 是 OpenAI 开发的前沿 AI 模型，能够将文本转换为高度准确的图像。该模型对 ChatGPT 用户和开发者开放，相较于之前的版本，它更严格地遵循提供的文本提示。

Gemini 3.8 Flash — Google DeepMind

AI 模型

Gemini 3.8 Flash 由 Google DeepMind 开发，是一个针对编码和代理任务优化的先进 AI 模型。它在复杂工作流程中表现出色，提供多模态理解，并在各个领域中具有高性能。

TxGemma — Google DeepMind

AI 模型

Google DeepMind 提供的一系列开放模型，旨在提高治疗开发的效率。它提供多功能模型，可以模拟实验室测试，可能降低研究成本和从实验室到临床的时间。TxGemma 是 Google DeepMind 提供的一系列开放模型，旨在提高治疗开发的效率。它提供多功能模型，可以模拟实验室测试，可能降低研究成本和从实验室到临床的时间。

MedGemma — Google DeepMind

AI 模型

MedGemma由Google DeepMind开发，是一组针对医疗文本和图像理解优化的开放模型，帮助开发医疗AI应用。它支持高维成像、解剖定位和医疗文档理解，增强临床工作流程和隐私保护工具。

Claude Haiku 4.5

AI 模型

来自 Anthropic 的快速、轻量级 AI 模型，旨在提供高性能的编码和实时应用。它为开发者和企业提供了成本高效的解决方案，在并行执行和子代理编排方面表现出色。Claude Haiku 4.5 是来自 Anthropic 的快速、轻量级 AI 模型，旨在提供高性能的编码和实时应用。它为开发者和企业提供了成本高效的解决方案，在并行执行和子代理编排方面表现出色。

双子座闪电版

AI 模型

谷歌DeepMind最快、最具性价比的3.5级模型，每秒输出350个标记。它在低延迟、高吞吐量的任务中表现出色，非常适合复杂的代理任务，如编码、用户界面生成和翻译。双子座闪电版是谷歌DeepMind最快、最具性价比的3.5级模型，每秒输出350个标记。它在低延迟、高吞吐量的任务中表现出色，非常适合复杂的代理任务，如编码、用户界面生成和翻译。

Arcee-Blitz 模型

AI 模型

基于 Mistral 的 24B 模型，旨在实现高效和多功能。它在各种任务中表现出色，避免了大型模型的复杂性，提供了更好的性能和世界知识。根据 Apache-2.0 发布，支持开源创新。Arcee-Blitz 是一个基于 Mistral 的 24B 模型，旨在实现高效和多功能。它在各种任务中表现出色，避免了大型模型的复杂性，提供了更好的性能和世界知识。根据 Apache-2.0 发布，支持开源创新。

Qwen2-VL-72B-Instruct

AI 模型

先进的 AI 模型，旨在实现最先进的视觉理解和多语言支持。它在处理图像、视频和复杂推理任务方面表现出色，适用于 AI 驱动环境中的多种应用。Qwen2-VL-72B-Instruct 是一个先进的 AI 模型，旨在实现最先进的视觉理解和多语言支持。它在处理图像、视频和复杂推理任务方面表现出色，适用于 AI 驱动环境中的多种应用。

Qwen1.5-110B 模型

AI 模型

基于变换器的语言模型，提供显著的性能提升、多语言支持和稳定的 32K 上下文长度。非常适合高级 AI 应用。Qwen1.5-110B 是一种基于变换器的语言模型，提供显著的性能提升、多语言支持和稳定的 32K 上下文长度。非常适合高级 AI 应用。

Mistral-Large-Instruct-2411

AI 模型

具有 1230 亿参数的高密度大型语言模型，提供先进的推理、编码和多语言能力。它支持长上下文、函数调用和系统提示，适用于多种 AI 应用。Mistral-Large-Instruct-2411 是一个具有 1230 亿参数的高密度大型语言模型，提供先进的推理、编码和多语言能力。它支持长上下文、函数调用和系统提示，适用于多种 AI 应用。

Qwen2-VL-7B-Instruct

AI 模型

先进的人工智能模型，旨在实现视觉理解和多语言支持。它在处理图像和视频方面表现出色，在各种基准测试中提供了最先进的性能。该模型支持与设备的集成，以便根据视觉和文本输入进行自动化操作。Qwen2-VL-7B-Instruct 是一个先进的人工智能模型，旨在实现视觉理解和多语言支持。它在处理图像和视频方面表现出色，在各种基准测试中提供了最先进的性能。该模型支持与设备的集成，以便根据视觉和文本输入进行自动化操作。

Luma Photon

AI 模型

下一代 AI 图像生成模型，提供超高质量和成本效益。它在创造力和理解力方面超越现有模型，非常适合设计师和视觉思考者。Luma Photon 是一款下一代 AI 图像生成模型，提供超高质量和成本效益。它在创造力和理解力方面超越现有模型，非常适合设计师和视觉思考者。

GLM-5.3-Flash

AI 模型

具有 3200 亿参数的多模态 AI 模型，旨在提高效率和性能。它在编码和代理基准方面提供了先进的能力，性能超越了之前的版本，同时降低了成本。GLM-5.3-Flash 是一个具有 3200 亿参数的多模态 AI 模型，旨在提高效率和性能。它在编码和代理基准方面提供了先进的能力，性能超越了之前的版本，同时降低了成本。

GPT-5.6 Terra 模型

AI 模型

OpenAI 开发的 AI 模型，旨在平衡智能与成本。它支持多种推理工作，并提供多个定价层以满足不同需求。GPT-5.6 Terra 是 OpenAI 开发的 AI 模型，旨在平衡智能与成本。它支持多种推理工作，并提供多个定价层以满足不同需求。

Lucid Origin

AI 模型

Leonardo.Ai 开发的 AI 图像模型，提供生动的色彩、多样的视觉效果和清晰的文本，支持全高清。它旨在为追求图像生成精确性和一致性的创作者提供服务。Lucid Origin 是 Leonardo.Ai 开发的 AI 图像模型，提供生动的色彩、多样的视觉效果和清晰的文本，支持全高清。它旨在为追求图像生成精确性和一致性的创作者提供服务。

ProGen3 蛋白质生成模型

AI 模型

用于蛋白质生成的 AI 模型，利用在大量蛋白质序列上训练的亿参数语言模型。它能够创造新型蛋白质并重新设计现有蛋白质以提高功能性。ProGen3 是一套用于蛋白质生成的 AI 模型，利用在大量蛋白质序列上训练的亿参数语言模型。它能够创造新型蛋白质并重新设计现有蛋白质以提高功能性。

Ring-2.6-1T 模型

AI 模型

万亿参数推理模型，旨在应对复杂任务场景。它增强了代理执行，支持灵活的推理层次，并采用创新的训练范式以提高稳定性和效率。Ring-2.6-1T 是一个万亿参数推理模型，旨在应对复杂任务场景。它增强了代理执行，支持灵活的推理层次，并采用创新的训练范式以提高稳定性和效率。

GPT-5 AI Model

AI 模型

GPT-5于2025年8月推出，是OpenAI最先进的模型，提供更高的智能和可靠性。它在编码、问题解决和生成各个领域的精确响应方面表现出色，使其成为企业和开发者的多功能工具。

GPT 图像 1 模型

AI 模型

OpenAI 的多模态模型，能够处理文本和图像输入以生成图像输出。它提供不同使用级别的多种层次，适合寻求先进图像生成能力的开发者和企业。GPT 图像 1 是 OpenAI 的多模态模型，能够处理文本和图像输入以生成图像输出。它提供不同使用级别的多种层次，适合寻求先进图像生成能力的开发者和企业。

Qwen3 VL 8B Instruct (阿里巴巴)

AI 模型

阿里巴巴的Qwen3 VL 8B Instruct是一种强大的视觉语言模型，提供卓越的文本理解、视觉感知和多模态推理能力。它支持使用Dense和MoE架构的灵活部署，增强了各种应用中的AI能力。

intfloat multilingual-e5-large

AI 模型

intfloat multilingual-e5-large模型是一款强大的AI工具，旨在提供多语言文本嵌入。它支持100种语言，并针对文本检索和语义相似性等任务进行了优化，在各种数据集上表现出色。

Google Gemma 2 9B Instruct

AI 模型

轻量级、先进的开放模型，专为文本生成任务而设计。它是 Gemma 家族的一部分，提供问答、摘要和推理的能力，适合在资源有限的环境中部署。Google Gemma 2 9B Instruct 是一个轻量级、先进的开放模型，专为文本生成任务而设计。它是 Gemma 家族的一部分，提供问答、摘要和推理的能力，适合在资源有限的环境中部署。

QwerySmith 1.0

AI 模型

专门的文本到 SQL 模型，旨在将自然语言查询转换为 SQL 命令。它使用 QLoRA 和 Unsloth 进行微调，提供高准确性以生成有效的 SQL 查询，非常适合数据库管理任务。QwerySmith 1.0 是一个专门的文本到 SQL 模型，旨在将自然语言查询转换为 SQL 命令。它使用 QLoRA 和 Unsloth 进行微调，提供高准确性以生成有效的 SQL 查询，非常适合数据库管理任务。

Gemini 3.8 Flash TTS 和 Flash-Lite TTS

AI 模型

Google DeepMind 开发的先进文本转语音模型。它们提供富有表现力的语音生成和实时语音翻译，适用于生成性语音设计和日常音频任务。Gemini 3.8 Flash TTS 和 Flash-Lite TTS 是 Google DeepMind 开发的先进文本转语音模型。它们提供富有表现力的语音生成和实时语音翻译，适用于生成性语音设计和日常音频任务。

EmbeddingGemma — Google DeepMind

AI 模型

EmbeddingGemma由Google DeepMind开发，是一个轻量级的开放嵌入模型系列，优化用于设备端使用。它支持多模态任务，使日常设备上的跨模态搜索和检索系统成为可能。

Clef

AI 模型

27B的多模态模型，旨在将类型化问题的状态和模式转化为决策。它处理文本、JSON、图像或视频等输入，并在单次前向传递中返回每个问题每个选项的概率。Clef是一个27B的多模态模型，旨在将类型化问题的状态和模式转化为决策。它处理文本、JSON、图像或视频等输入，并在单次前向传递中返回每个问题每个选项的概率。

Krea 2 Turbo

AI 模型

由 Krea.ai, Inc. 开发的文本到图像扩散模型。它根据自然语言文本描述生成图像，支持创意、商业和研究用例。访问受限，需要同意 Krea 2 社区许可证。Krea 2 Turbo 是由 Krea.ai, Inc. 开发的文本到图像扩散模型。它根据自然语言文本描述生成图像，支持创意、商业和研究用例。访问受限，需要同意 Krea 2 社区许可证。

EmbeddingGemma 2

AI 模型

由 Google DeepMind 开发的多模态嵌入模型。它将文本、图像、视频和音频映射到统一的向量空间，支持超过 100 种语言和代码任务。旨在用于设备上的应用程序，提供低延迟的语义表示。EmbeddingGemma 2 是由 Google DeepMind 开发的多模态嵌入模型。它将文本、图像、视频和音频映射到统一的向量空间，支持超过 100 种语言和代码任务。旨在用于设备上的应用程序，提供低延迟的语义表示。

MiniMax Music 3

AI 模型

高性能的音乐生成模型，可以创作完整的歌曲，时长可达五分钟。它使用先进的人工智能技术，生成连贯的音乐结构，配以富有表现力的声乐和不断演变的编曲。MiniMax Music 3 是一个高性能的音乐生成模型，可以创作完整的歌曲，时长可达五分钟。它使用先进的人工智能技术，生成连贯的音乐结构，配以富有表现力的声乐和不断演变的编曲。

Gemma 4 12B 统一模型

AI 模型

Gemma 4 12B 统一模型由 Google DeepMind 开发，是一个多模态 AI 模型，旨在实现高效的本地执行。它支持文本、图像和音频输入，提供先进的推理和编码能力，并具有较大的上下文窗口。

Audio8 ASR Infinite

AI 模型

旨在响应迅速和准确性的流式语音识别模型。它支持无限长度的转录，具有可配置的延迟设置，并支持中英文双语。Audio8 ASR Infinite 是一款旨在响应迅速和准确性的流式语音识别模型。它支持无限长度的转录，具有可配置的延迟设置，并支持中英文双语。

YuE2-3B

AI 模型

开放的音乐生成模型，可以将歌词和风格提示转化为完整的歌曲，包括人声和伴奏。它允许用户通过可编辑的乐谱编辑旋律和和弦，提供具有竞争力的歌曲质量。YuE2-3B 是一个开放的音乐生成模型，可以将歌词和风格提示转化为完整的歌曲，包括人声和伴奏。它允许用户通过可编辑的乐谱编辑旋律和和弦，提供具有竞争力的歌曲质量。

TimesFM 3.0 (PyTorch)

AI 模型

由 Google Research 开发的预训练时间序列基础模型。它旨在进行时间序列预测，并提供 PyTorch 权重和配置。TimesFM 3.0 是由 Google Research 开发的预训练时间序列基础模型。它旨在进行时间序列预测，并提供 PyTorch 权重和配置。

Nemotron 3.5 ASR

AI 模型

NVIDIA 开发的多语言流式自动语音识别模型，支持 40 种语言的转录。它提供高质量的转录，具有低延迟和高吞吐量，适用于多种声学条件。Nemotron 3.5 ASR 是 NVIDIA 开发的多语言流式自动语音识别模型，支持 40 种语言的转录。它提供高质量的转录，具有低延迟和高吞吐量，适用于多种声学条件。

Krea 2 Raw

AI 模型

文本到图像的扩散模型，旨在根据自然语言描述生成图像。它作为微调和后训练的基础，支持创意和商业应用。Krea 2 Raw 是一个文本到图像的扩散模型，旨在根据自然语言描述生成图像。它作为微调和后训练的基础，支持创意和商业应用。

Higgs TTS 3

AI 模型

Higgs TTS 3由Boson AI开发，是一个多语言文本转语音模型，旨在实现富有表现力的对话语音。它支持超过100种语言，并提供零样本语音克隆和情感控制等功能，非常适合数字创作者和研究人员。

Nemotron 3 Diarization

AI 模型

说话者分离模型，能够识别音频录音中“谁在何时说话”。它支持最多八个说话者，并提供流式和离线推理能力，适用于各种应用。Nemotron 3 Diarization 是一个说话者分离模型，能够识别音频录音中“谁在何时说话”。它支持最多八个说话者，并提供流式和离线推理能力，适用于各种应用。

NVIDIA NemotronLabs VoiceChat

AI 模型

实时全双工语音模型，用于对话式人工智能。它将语音理解和生成集成在一个架构中，减少延迟并增强自然对话流。NVIDIA NemotronLabs VoiceChat 是一个实时全双工语音模型，用于对话式人工智能。它将语音理解和生成集成在一个架构中，减少延迟并增强自然对话流。

PaddleOCR-VL-1.6

AI 模型

先进的文档解析模型，增强了区域优化和后训练过程。它在 OmniDocBench 上实现了最先进的准确性，支持文本、公式和表格识别。PaddleOCR-VL-1.6 是一个先进的文档解析模型，增强了区域优化和后训练过程。它在 OmniDocBench 上实现了最先进的准确性，支持文本、公式和表格识别。

Ideogram 4

AI 模型

尖端的文本到图像模型，提供对图像构图、风格和布局的无与伦比的控制。它支持原生 2k 分辨率和多语言文本渲染，非常适合设计导向的应用。Ideogram 4 是一款尖端的文本到图像模型，提供对图像构图、风格和布局的无与伦比的控制。它支持原生 2k 分辨率和多语言文本渲染，非常适合设计导向的应用。

TabFM 1.0.0 (PyTorch)

AI 模型

由 Google Research 开发的零-shot 表格基础模型，旨在对结构化数据进行分类和回归。它无需微调，并支持混合数值和分类列。TabFM 1.0.0 是由 Google Research 开发的零-shot 表格基础模型，旨在对结构化数据进行分类和回归。它无需微调，并支持混合数值和分类列。

Cosmos3-Edge

AI 模型

NVIDIA的Cosmos3-Edge是一种多模态AI模型，旨在用于物理AI应用。它能够从文本、图像和视频生成动态输出，支持机器人技术、自动驾驶和智能环境。该模型可在全球范围内部署，适用于商业和非商业用途。

Qwen3-ASR-1.7B-hf

AI 模型

先进的开源自动语音识别（ASR）模型，支持 52 种语言和方言的语言识别和语音识别。它在复杂的声学环境中提供高质量、稳健的识别，并支持流式和离线推理。Qwen3-ASR-1.7B-hf 是一个先进的开源自动语音识别（ASR）模型，支持 52 种语言和方言的语言识别和语音识别。它在复杂的声学环境中提供高质量、稳健的识别，并支持流式和离线推理。

Whistle — 多语言语音转文本模型

AI 模型

紧凑的语音转文本模型，设计用于各种设备，提供转录、单词时间戳和多语言语音嵌入。它高效运行，无需依赖或 GPU 要求。Whistle 是一个紧凑的语音转文本模型，设计用于各种设备，提供转录、单词时间戳和多语言语音嵌入。它高效运行，无需依赖或 GPU 要求。

Moondream Parakeet Redux

AI 模型

Parakeet-tdt-0.6b-v3 模型的紧凑版本，经过优化以提高速度和效率。它在多语言任务上提供了更好的性能，同时在英语语音识别方面保持了竞争力的准确性。Moondream Parakeet Redux 是 parakeet-tdt-0.6b-v3 模型的紧凑版本，经过优化以提高速度和效率。它在多语言任务上提供了更好的性能，同时在英语语音识别方面保持了竞争力的准确性。

Kumo Tabular

AI 模型

NVIDIA 预训练的表格基础模型，旨在进行分类和回归任务。它在使用结构化数据预测类别概率方面提供了先进的能力，使其成为数据科学家和分析师的宝贵工具。Kumo Tabular 是 NVIDIA 预训练的表格基础模型，旨在进行分类和回归任务。它在使用结构化数据预测类别概率方面提供了先进的能力，使其成为数据科学家和分析师的宝贵工具。

FrogNano-4B-2609

AI 模型

微软开发的一款紧凑型编码代理。它专注于仓库级软件工程任务，利用强化学习来改善代码导航和调试。该工具专为以 Python 为主的环境设计，能够为仓库更改生成结构化的工具调用。FrogNano-4B-2609 是微软开发的一款紧凑型编码代理。它专注于仓库级软件工程任务，利用强化学习来改善代码导航和调试。该工具专为以 Python 为主的环境设计，能够为仓库更改生成结构化的工具调用。

GLiNER2.5-Decide

AI 模型

拥有 3.4 亿参数的英语分类模型，旨在支持操作决策。它支持单标签和多标签任务，在客户支持、银行和旅行请求等多个领域提供高准确性。GLiNER2.5-Decide 是一个拥有 3.4 亿参数的英语分类模型，旨在支持操作决策。它支持单标签和多标签任务，在客户支持、银行和旅行请求等多个领域提供高准确性。

Wan-Animate-2

AI 模型

创新的角色动画框架，利用驱动视频生成高保真运动。它提供基于文本的视角控制，并包括一个轻量级变体以实现实时流动画。Wan-Animate-2 是一个创新的角色动画框架，利用驱动视频生成高保真运动。它提供基于文本的视角控制，并包括一个轻量级变体以实现实时流动画。

稳定音频 3 小型音效

AI 模型

潜在扩散模型，旨在生成和编辑音频。它支持可变长度的音频生成和修补，非常适合高效创建和编辑短音效。稳定音频 3 小型音效是一个潜在扩散模型，旨在生成和编辑音频。它支持可变长度的音频生成和修补，非常适合高效创建和编辑短音效。

稳定音频 3 中型

AI 模型

潜在扩散模型，旨在高效生成和编辑音频。它支持可变长度的音频创建和修复，能够进行针对性的编辑和录音的延续。稳定音频 3 中型是一个潜在扩散模型，旨在高效生成和编辑音频。它支持可变长度的音频创建和修复，能够进行针对性的编辑和录音的延续。

Ming-Image-0.1-Design

AI 模型

6B 文本到图像模型，旨在创建用户界面、信息图、海报和其他文本丰富的视觉设计。它支持 RGBA 输出以实现透明背景，使其在各种设计应用中具有多功能性。Ming-Image-0.1-Design 是一个 6B 文本到图像模型，旨在创建用户界面、信息图、海报和其他文本丰富的视觉设计。它支持 RGBA 输出以实现透明背景，使其在各种设计应用中具有多功能性。

TripoSplat

AI 模型

生成性 AI 模型，可以将单个 2D 图像转换为高质量的 3D 高斯分布。由 TripoAI 开发，适用于增强现实 (AR)/虚拟现实 (VR)、游戏开发和仿真环境中的资产创建。TripoSplat 是一个生成性 AI 模型，可以将单个 2D 图像转换为高质量的 3D 高斯分布。由 TripoAI 开发，适用于增强现实 (AR)/虚拟现实 (VR)、游戏开发和仿真环境中的资产创建。

IndexTTS-2.5

AI 模型

零样本文本到语音模型，可以从单个参考音频片段克隆声音。它支持多种语言，并提供跨语言语音转移和情感控制。IndexTTS-2.5 是一个零样本文本到语音模型，可以从单个参考音频片段克隆声音。它支持多种语言，并提供跨语言语音转移和情感控制。

稳定音频 3 小音乐

AI 模型

旨在生成音乐的 AI 模型。它通过复杂的算法为用户提供创建音频内容的能力，增强音乐制作中的创造力和生产力。稳定音频 3 小音乐是一个旨在生成音乐的 AI 模型。它通过复杂的算法为用户提供创建音频内容的能力，增强音乐制作中的创造力和生产力。

Shieldstral

AI 模型

紧凑的 3B 参数、政策自适应的多模态安全分类器。它根据以自然语言表达的安全政策评估内容，返回一个连续的安全评分。这个灵活的工具支持仅文本、仅图像和文本+图像的审核，能够在不重新训练的情况下适应新政策。Shieldstral 是一个紧凑的 3B 参数、政策自适应的多模态安全分类器。它根据以自然语言表达的安全政策评估内容，返回一个连续的安全评分。这个灵活的工具支持仅文本、仅图像和文本+图像的审核，能够在不重新训练的情况下适应新政策。