Nous utilisons des cookies. Les cookies et le stockage du navigateur vous gardent connecté et mémorisent vos préférences. Avec votre accord, nous mesurons aussi l’utilisation du site. Vous pouvez à tout moment. Consultez notre politique relative aux cookies.

Nouveau ici ? Découvrez comment ça marche Une visite d’une minute du bac à sable, des modèles et de votre clé API.

Qwen3 VL 8B Instruct vs ReMM SLERP 13B : prix de l’API, contexte et fonctionnalités · api14

Qwen: Qwen3 VL 8B Instruct contre ReMM SLERP 13B

Un comparatif côte à côte de Qwen: Qwen3 VL 8B Instruct (0,88 $US / 1M jetons (≈ 0,78 €)) et ReMM SLERP 13B (1,22 $US / 1M jetons (≈ 1,09 €)) d’après les prix actuels en USD et les capacités du catalogue api14. Les deux passent par la même API compatible OpenAI.

Caractéristiques

	Qwen: Qwen3 VL 8B Instruct	ReMM SLERP 13B
Fournisseur	Qwen	Undi95
Entrée	0,88 $US / 1M jetons (≈ 0,78 €)	1,22 $US / 1M jetons (≈ 1,09 €)
Sortie	2,63 $US / 1M jetons (≈ 2,34 €)	2,28 $US / 1M jetons (≈ 2,03 €)
Lecture du cache	0,42 $US / 1M jetons (≈ 0,37 €)	-
Fenêtre de contexte	262 144	6 144
Sortie max.	235 929	5 529
Entrée	image, text	text
Sortie	text	text
Appel d’outils
Sortie structurée
Contrôle du raisonnement
Ajouté le	14 oct. 2025	22 juil. 2023

Principales différences

Qwen: Qwen3 VL 8B Instruct est 29% moins cher sur les tokens d’entrée.
ReMM SLERP 13B est 13% moins cher sur les tokens de sortie.
Qwen: Qwen3 VL 8B Instruct lit 42.7× plus de contexte (262 144 tokens).
Seul Qwen: Qwen3 VL 8B Instruct prend en charge l’appel d’outils.
Une requête de 1 000 tokens en entrée et 500 en sortie coûte 0,00219 $US avec Qwen: Qwen3 VL 8B Instruct et 0,00236 $US avec ReMM SLERP 13B.

En détail

Qwen : Qwen3 VL 8B Instruct est réalisé par Qwen, et ReMM SLERP 13B est réalisé par Undi95. Les deux sont des modèles à sortie texte, donc quoi que vous envoyiez, vous recevez du texte en retour. Le modèle Qwen a été publié le 2025-10-14, tandis que ReMM SLERP 13B remonte au 2023-07-22. Cet écart d'âge importe moins que l'écart de fonctionnalités, mais il vaut la peine de savoir que l'un est un modèle vision-langage récent et l'autre une fusion plus ancienne uniquement texte.

La plus grande différence pratique est la modalité et le contexte. Qwen3 VL 8B Instruct accepte à la fois les entrées image et texte, il peut donc examiner une capture d'écran, un diagramme ou une photo en plus de votre prompt. ReMM SLERP 13B accepte uniquement le texte. Qwen3 VL 8B Instruct dispose aussi d'une fenêtre de contexte bien plus grande, à 262144 tokens, contre 6144 tokens pour ReMM SLERP 13B, donc les documents longs, les gros fichiers de code ou les historiques de conversation étendus tiennent confortablement dans le modèle Qwen et ne tiendront pas dans l'autre. Côté outillage, seul Qwen3 VL 8B Instruct prend en charge les tools, ce qui signifie que le function calling et les workflows de type agent sont disponibles là-bas et pas sur ReMM SLERP 13B. Les deux exposent des sorties structurées, donc des réponses de style JSON sont possibles sur l'un comme sur l'autre. Aucun n'est listé comme modèle de raisonnement dédié. Côté prix, Qwen3 VL 8B Instruct est l'option la moins chère pour l'entrée, tandis que ReMM SLERP 13B est moins cher pour la sortie, donc l'équilibre des coûts dépend de ce que vous envoyez par rapport à ce que vous générez.

Pour la plupart des nouveaux travaux, Qwen3 VL 8B Instruct est le choix par défaut le plus sûr. Choisissez-le lorsque votre entrée contient des images, lorsque votre prompt ou votre conversation est longue, ou lorsque vous avez besoin d'appels d'outils et de sorties structurées dans la même requête. C'est aussi le meilleur choix lorsque les tokens d'entrée dominent votre facture, puisqu'il est moins cher de ce côté. ReMM SLERP 13B a du sens lorsque vous faites de la génération de texte pure, que vos prompts et sorties sont assez courts pour rester sous 6144 tokens, et que vous n'avez pas besoin d'outils ni de compréhension d'images. Comme sa sortie est moins chère, il peut être attractif pour des charges de travail majoritairement composées de génération avec de petits prompts, comme l'écriture créative courte, des réponses de chat simples ou des transformations de texte en masse.

Appeler l'un ou l'autre modèle via api14 fonctionne de la même manière, car l'API est compatible OpenAI. Vous pointez votre client vers l'URL de base api14, envoyez votre clé, et définissez le champ model. La seule différence entre les deux est cette chaîne d'identifiant de modèle : utilisez "qwen/qwen3-vl-8b-instruct" pour le modèle Qwen et "undi95/remm-slerp-l2-13b" pour ReMM SLERP 13B. Le corps de votre requête, les messages de chat et les noms de paramètres restent les mêmes, donc le basculement est une modification d'une ligne. Si vous utilisez une bibliothèque cliente, définissez le modèle dans votre configuration ou variable d'environnement plutôt que de le coder en dur, afin de pouvoir passer de l'un à l'autre sans toucher à la logique des requêtes.

Changer de modèle en une chaîne

Les deux modèles utilisent le même endpoint et la même structure de requête. Remplacez la valeur de model "qwen/qwen3-vl-8b-instruct" par "undi95/remm-slerp-l2-13b" : prompts, streaming et outils continuent de fonctionner.

Qwen: Qwen3 VL 8B Instruct : détails et bac à sable →ReMM SLERP 13B : détails et bac à sable →

import OpenAI from "openai";

const client = new OpenAI({
  baseURL: "https://api14.com/api/v1",
  apiKey: process.env.API14_API_KEY,
});

const result = await client.chat.completions.create({
  "model": "undi95/remm-slerp-l2-13b",
  "messages": [
    {
      "role": "user",
      "content": "Explain vector databases in two sentences."
    }
  ]
});
console.log(result.choices[0].message.content);

Qwen: Qwen3 VL 8B Instruct contre ReMM SLERP 13B

Caractéristiques

Principales différences

En détail

Changer de modèle en une chaîne

Plus de comparatifs