AIBase
EN

AI News

View More

xAI发布Grok Voice Think Fast2.0，语音识别与智能体能力全面升级

19.2k 15 hours ago
xAI发布Grok Voice Think Fast2.0，语音识别与智能体能力全面升级

真假视频一鉴便知！英伟达推出SVD检测服务，识别AI造假准确率高达92%

12.1k 17 hours ago
真假视频一鉴便知！英伟达推出SVD检测服务，识别AI造假准确率高达92%

Epoch AI测试三大AI文本检测器:模仿人类文风后最高近三成内容漏检

11.7k 2 hours ago
Epoch AI测试三大AI文本检测器:模仿人类文风后最高近三成内容漏检

百度文心发布PaddleOCR-VL-1.6:准确率破96.33%刷新文档解析SOTA

19.5k 4 hours ago
百度文心发布PaddleOCR-VL-1.6:准确率破96.33%刷新文档解析SOTA

Models

View More

Claude 3 Sonnet

Anthropic

Claude 3 Sonnet

$21

Input tokens/M

$105

Output tokens/M

200

Context Length

qwen3-vl-plus

Alibaba

qwen3-vl-plus

$1

Input tokens/M

$10

Output tokens/M

256

Context Length

qwen3-livetranslate-flaltimeash-re-2025-09-22

Alibaba

qwen3-livetranslate-flaltimeash-re-2025-09-22

$8

Input tokens/M

$240

Output tokens/M

52

Context Length

Doubao-Seed-Translation

Bytedance

Doubao-Seed-Translation

$1.2

Input tokens/M

$3.6

Output tokens/M

4

Context Length

qwen3-omni-30b-a3b-captioner

Alibaba

qwen3-omni-30b-a3b-captioner

$15.8

Input tokens/M

$12.7

Output tokens/M

64

Context Length

Doubao - Seedream - 4.0

Bytedance

Doubao - Seedream - 4.0

-

Input tokens/M

-

Output tokens/M

-

Context Length

Doubao - Seedream - 3.0 - t2i

Bytedance

Doubao - Seedream - 3.0 - t2i

-

Input tokens/M

-

Output tokens/M

-

Context Length

Doubao-SeedEdit-3.0-i2i

Bytedance

Doubao-SeedEdit-3.0-i2i

-

Input tokens/M

-

Output tokens/M

-

Context Length

qwen-vl-plus

Alibaba

qwen-vl-plus

$0.8

Input tokens/M

$2

Output tokens/M

128

Context Length

qwen3-asr-flash

Alibaba

qwen3-asr-flash

-

Input tokens/M

-

Output tokens/M

-

Context Length

Qianfan-VL-8B

Baidu

Qianfan-VL-8B

-

Input tokens/M

-

Output tokens/M

32

Context Length

Qianfan-VL-70B

Baidu

Qianfan-VL-70B

-

Input tokens/M

-

Output tokens/M

32

Context Length

Spark X1

Iflytek

Spark X1

$2

Input tokens/M

-

Output tokens/M

-

Context Length

qwen-mt-plus

Alibaba

qwen-mt-plus

$1.8

Input tokens/M

$5.4

Output tokens/M

16

Context Length

Grok-4 Heavy

Xai

Grok-4 Heavy

-

Input tokens/M

-

Output tokens/M

-

Context Length

Qwen3-0.6B

Alibaba

Qwen3-0.6B

$0.3

Input tokens/M

-

Output tokens/M

32

Context Length

Gemma 3n E4B Instructed LiteRT Preview

Google

Gemma 3n E4B Instructed LiteRT Preview

-

Input tokens/M

-

Output tokens/M

-

Context Length

Hunyuan-T1-Vision

Tencent

Hunyuan-T1-Vision

$3

Input tokens/M

$9

Output tokens/M

16

Context Length

QianfanHuijin-8B

Baidu

QianfanHuijin-8B

-

Input tokens/M

-

Output tokens/M

32

Context Length

Qianfan-QI-VL

Baidu

Qianfan-QI-VL

-

Input tokens/M

-

Output tokens/M

32

Context Length

VideoMAE_kinetics_wlasl_100__signer_20ep_coR

Shawon16

V

这是一个基于VideoMAE架构的视频理解模型，在Kinetics数据集上预训练，并在一个未知的、可能与手语识别相关的数据集上进行了微调。模型在评估集上取得了78.11%的准确率，适用于视频分类任务。

计算机视觉TransformersTransformers
Shawon16
211
0

VideoMAE_base_wlasl100_20epoch_Signers

Shawon16

V

这是一个基于VideoMAE-base架构在未知数据集上微调的视频理解模型，专门用于手语识别任务。模型在20个训练周期后达到了18.64%的准确率。

计算机视觉TransformersTransformers
Shawon16
147
0

VideoMAE_kinetics_wlasl2000_20epoch_signer

Shawon16

V

这是一个基于VideoMAE架构的视频理解模型，在Kinetics数据集预训练的基础上进行了微调，专门用于手语识别任务。模型在评估集上表现有待提升，准确率为0.0010。

计算机视觉TransformersTransformers
Shawon16
169
0

VideoMAE_Base_wlasl_100_longtail_200

Shawon16

V

这是一个基于VideoMAE-base架构在WLASL数据集上微调的视频动作识别模型，专门针对手语识别任务进行优化，在评估集上达到48.22%的准确率。

计算机视觉TransformersTransformers
Shawon16
654
0

VideoMAE_Base_WLASL_100_200_epochs_p20_SR_8

Shawon16

V

这是一个基于VideoMAE-Base架构在WLASL数据集上微调的视频动作识别模型。经过200轮训练，在评估集上达到52.96%的前1准确率和79.88%的前5准确率，专门用于手语动作识别任务。

计算机视觉TransformersTransformers
Shawon16
310
0

Meiki.txt.recognition.v0

rtr46

M

这是一个专门针对日本电子游戏文本优化的字符检测模型，采用帕累托最优设计，在准确率和延迟之间取得了最佳平衡。模型将文本识别重新定义为字符检测任务，在日本电子游戏数据上训练，实现了先进的识别性能。

计算机视觉OnnxOnnxMultiple Languages
rtr46
4.9k
1

Whisper Small Swh Finetuned

adoamesh

W

本模型是基于OpenAI Whisper-small模型针对斯瓦希里语进行微调的自动语音识别模型。在FLEURS-SLU数据集的斯瓦希里语部分进行训练，显著提升了斯瓦希里语的转录准确率，单词错误率相比基础模型降低了68%。

音频处理TransformersTransformersOther
adoamesh
123
1

Ai Text Detector V N4.0

abhi099k

A

基于DeBERTa-v3-large微调的AI文本检测模型，能够准确识别文本是由人类撰写还是AI生成，在自定义数据集上训练达到约97%的准确率。

自然语言处理SafetensorsSafetensorsEnglish
abhi099k
408
1

Medwhisper Large V3 Ita

ReportAId

M

MedWhisper Large ITA是基于OpenAI Whisper Large v3 Turbo的领域适配变体，专门针对意大利语医疗语音识别进行了优化。该模型在精心挑选的意大利语门诊专科就诊录音集上使用LoRA技术进行微调，显著提升了医学术语和临床表达的识别准确率。

音频处理TransformersTransformersOther
ReportAId
145
2

Churro 3B

stanford-oval

C

CHURRO是一个30亿参数的开放权重视觉语言模型，专门用于历史文档转录。它能够识别跨越22个世纪和46个语言集群的手写和印刷文本，包括历史语言和已消亡语言，在显著降低成本的条件下实现了比大型商业模型更高的准确率。

多模态SafetensorsSafetensors
stanford-oval
202
1

Asr Whisper Helpline Sw V1

openchs

A

基于OpenAI Whisper Large v2在Common Voice 17.0斯瓦希里语数据集上微调的语音识别模型，专为坦桑尼亚儿童求助热线的斯瓦希里语语音识别任务设计，相比基础模型在斯瓦希里语识别准确率上有显著提升。

音频处理TransformersTransformersOther
openchs
127
1

ScamGuard

Priyanshuchaudhary2425

S

ScamGuard是基于bert-base-cased微调的诈骗信息检测模型，在评估集上准确率达到98.13%，能够有效识别诈骗信息，提升检测准确性和效率。

自然语言处理TransformersTransformers
Priyanshuchaudhary2425
184
2

SE_DiCoW

BUT-FIT

S

SE-DiCoW是由BUT Speech@FIT联合JHU CLSP/HLTCOE和CMU LTI开发的目标说话人多说话人自动语音识别模型。该模型基于Whisper large-v3-turbo，通过自注册机制和改进的数据增强技术，在高度重叠的多说话人场景下显著提升了识别准确率。

音频处理TransformersTransformersOther
BUT-FIT
297
1

Devanagari_PP OCRv3_mobile_rec

PaddlePaddle

D

PaddleOCR团队开发的PP-OCRv3_rec系列中的天城文专用文本行识别模型，支持天城文识别，平均准确率96.44%。

计算机视觉Multiple Languages
PaddlePaddle
168
0

Korean_PP OCRv3_mobile_rec

PaddlePaddle

K

超轻量级韩语文本行识别模型，支持韩语和数字字符识别，平均准确率60.21%。

计算机视觉Multiple Languages
PaddlePaddle
277
0

Drone Audio Detection 05 17 Trial 0

preszzz

D

这是一个基于AST架构的音频检测模型，专门针对无人机音频识别任务进行微调。在评估集上取得了99.6%的准确率和99.74%的F1值，表现出色。

音频处理TransformersTransformers
preszzz
7.5k
1

Parakeet Ctc 0.6b

mlx-community

P

Parakeet CTC 0.6B是一个基于FastConformer架构的自动语音识别模型，专门为MLX框架优化转换而来。该模型支持英语语音识别任务，具有高效的推理性能和良好的识别准确率。

音频处理MlxMlx
mlx-community
981
2

OlmOCR 7B Thai V1

Adun

O

olmOCR是一款基于Qwen2-VL-7B-Instruct微调的光学字符识别模型，专注于将PDF等图像内容转换为文本，并通过微调提升特定场景下的识别准确率。

多模态SafetensorsSafetensorsOther
Adun
1.7k
0

Whisper Medium Oswald

jsbeaudry

W

基于OpenAI Whisper-medium微调的海地克里奥尔语语音识别模型，专注高准确率转录

音频处理TransformersTransformersOther
jsbeaudry
102
1

Wav2vec2 Ser English Finetuned

dihuzz

W

该模型基于Wav2Vec2架构微调训练，专门用于识别英语语音中的六种情绪状态（悲伤、愤怒、厌恶、恐惧、快乐、中性），准确率达92.42%。

音频处理SafetensorsSafetensorsEnglish
dihuzz
68
1