Qwen: Qwen3 VL 8B Instruct lawan ReMM SLERP 13B
Perbandingan berdampingan Qwen: Qwen3 VL 8B Instruct (US$0,88 / 1 jt token (≈ Rp 15.820)) dan ReMM SLERP 13B (US$1,22 / 1 jt token (≈ Rp 22.148)) menggunakan harga USD dan kemampuan terkini dari katalog api14. Keduanya berjalan melalui API yang sama dan kompatibel dengan OpenAI.
Spesifikasi
| Qwen: Qwen3 VL 8B Instruct | ReMM SLERP 13B | |
|---|---|---|
| Penyedia | Qwen | Undi95 |
| Masukan | US$0,88 / 1 jt token (≈ Rp 15.820) | US$1,22 / 1 jt token (≈ Rp 22.148) |
| Keluaran | US$2,63 / 1 jt token (≈ Rp 47.460) | US$2,28 / 1 jt token (≈ Rp 41.132) |
| Baca cache | US$0,42 / 1 jt token (≈ Rp 7.594) | - |
| Jendela konteks | 262.144 | 6.144 |
| Output maks. | 235.929 | 5.529 |
| Masukan | image, text | text |
| Keluaran | text | text |
| panggilan alat | ||
| Output terstruktur | ||
| Pengaturan penalaran | ||
| Ditambahkan | 14 Okt 2025 | 22 Jul 2023 |
Perbedaan utama
- Qwen: Qwen3 VL 8B Instruct 29% lebih murah untuk token input.
- ReMM SLERP 13B 13% lebih murah untuk token output.
- Qwen: Qwen3 VL 8B Instruct membaca konteks 42.7× lebih banyak (262.144 token).
- Hanya Qwen: Qwen3 VL 8B Instruct yang mendukung panggilan alat.
- Permintaan dengan 1.000 token input dan 500 token output berbiaya US$0,00219 dengan Qwen: Qwen3 VL 8B Instruct dan US$0,00236 dengan ReMM SLERP 13B.
Lebih mendalam
Qwen: Qwen3 VL 8B Instruct dibuat oleh Qwen, dan ReMM SLERP 13B dibuat oleh Undi95. Keduanya adalah model keluaran teks, jadi apa pun yang Anda kirim, Anda akan menerima teks kembali. Model Qwen dirilis pada 2025-10-14, sedangkan ReMM SLERP 13B berasal dari 2023-07-22. Selisih usia itu kurang penting dibandingkan selisih fitur, tetapi perlu diketahui bahwa yang satu adalah model bahasa visi yang baru dan yang lainnya adalah gabungan teks saja yang lebih lama.
Perbedaan praktis terbesar adalah modalitas dan konteks. Qwen3 VL 8B Instruct menerima masukan gambar dan teks, sehingga dapat melihat tangkapan layar, diagram atau foto bersama prompt Anda. ReMM SLERP 13B hanya menerima teks. Qwen3 VL 8B Instruct juga memiliki jendela konteks yang jauh lebih besar pada 262144 token, dibandingkan dengan 6144 token untuk ReMM SLERP 13B, sehingga dokumen panjang, file kode besar atau riwayat obrolan yang panjang dapat muat dengan nyaman di model Qwen dan tidak akan muat di model lainnya. Pada perkakas, hanya Qwen3 VL 8B Instruct yang mendukung tools, yang berarti pemanggilan fungsi dan alur kerja bergaya agen tersedia di sana dan tidak pada ReMM SLERP 13B. Keduanya menyediakan structured outputs, sehingga respons bergaya JSON dimungkinkan pada keduanya. Tidak ada yang terdaftar sebagai model penalaran khusus. Pada harga, Qwen3 VL 8B Instruct adalah opsi yang lebih murah untuk masukan, sedangkan ReMM SLERP 13B lebih murah untuk keluaran, jadi keseimbangan biaya bergantung pada seberapa banyak yang Anda kirim versus seberapa banyak yang Anda hasilkan.
Untuk sebagian besar pekerjaan baru, Qwen3 VL 8B Instruct adalah pilihan default yang lebih aman. Pilih ini ketika masukan Anda menyertakan gambar, ketika prompt atau percakapan Anda panjang, atau ketika Anda memerlukan pemanggilan tool dan structured outputs dalam permintaan yang sama. Ini juga pilihan yang lebih baik ketika token masukan mendominasi tagihan Anda, karena lebih murah di sisi itu. ReMM SLERP 13B masuk akal ketika Anda melakukan pembuatan teks murni, prompt dan keluaran Anda cukup pendek untuk tetap berada di dalam 6144 token, dan Anda tidak memerlukan tools atau pemahaman gambar. Karena keluarannya lebih murah, ini bisa menarik untuk beban kerja yang sebagian besar berupa pembuatan dengan prompt kecil, seperti penulisan kreatif pendek, balasan obrolan sederhana atau transformasi teks massal.
Memanggil salah satu model melalui api14 bekerja dengan cara yang sama, karena API-nya kompatibel dengan OpenAI. Anda mengarahkan klien Anda ke base URL api14, mengirim kunci Anda, dan mengatur field model. Satu-satunya perubahan antara keduanya adalah string model id: gunakan "qwen/qwen3-vl-8b-instruct" untuk model Qwen dan "undi95/remm-slerp-l2-13b" untuk ReMM SLERP 13B. Body permintaan, pesan chat dan nama parameter Anda tetap sama, jadi beralih hanya perlu mengubah satu baris. Jika Anda menggunakan pustaka klien, atur model di konfigurasi atau variabel lingkungan Anda daripada menuliskannya secara hard code, sehingga Anda dapat berpindah di antara keduanya tanpa menyentuh logika permintaan.
Berganti cukup dengan satu string
Kedua model menggunakan endpoint dan bentuk permintaan yang sama. Ubah nilai model dari "qwen/qwen3-vl-8b-instruct" ke "undi95/remm-slerp-l2-13b", prompt, streaming, dan tools tetap berfungsi.
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);
Perbandingan lainnya
- LiquidAI: LFM3-1.7B lawan Ricursive: Ripple 65B Preview
- LiquidAI: LFM3-1.7B lawan Crouton Alpha
- LiquidAI: LFM3-1.7B lawan Tencent: Hy4
- LiquidAI: LFM3-1.7B lawan Z.ai: GLM 5.3 FlashX Legal
- Ricursive: Ripple 65B Preview lawan Crouton Alpha
- Ricursive: Ripple 65B Preview lawan Tencent: Hy4
- Ricursive: Ripple 65B Preview lawan Z.ai: GLM 5.3 FlashX Legal
- Crouton Alpha lawan Tencent: Hy4