Vi använder cookies. Cookies och webbläsarlagring håller dig inloggad och kommer ihåg dina preferenser. Med ditt tillstånd mäter vi också hur webbplatsen används. Du kan när som helst. Läs vår cookiepolicy.

Ny här? Se hur det fungerar En rundtur på 1 minut genom testmiljö, modeller och din API-nyckel.

Qwen3 VL 8B Instruct vs ReMM SLERP 13B: API-pris, kontext och funktioner · api14

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

En jämförelse sida vid sida av Qwen: Qwen3 VL 8B Instruct (0,88 US$ / 1M textdelar (≈ 8,57 kr)) och ReMM SLERP 13B (1,22 US$ / 1M textdelar (≈ 12,00 kr)) med aktuella USD-priser och funktioner från api14-katalogen. Båda körs via samma OpenAI-kompatibla API.

Specifikationer

	Qwen: Qwen3 VL 8B Instruct	ReMM SLERP 13B
Leverantör	Qwen	Undi95
Indata	0,88 US$ / 1M textdelar (≈ 8,57 kr)	1,22 US$ / 1M textdelar (≈ 12,00 kr)
Utdata	2,63 US$ / 1M textdelar (≈ 25,72 kr)	2,28 US$ / 1M textdelar (≈ 22,29 kr)
Cacheläsning	0,42 US$ / 1M textdelar (≈ 4,11 kr)	-
Kontextfönster	262 144	6 144
Max utdata	235 929	5 529
Indata	image, text	text
Utdata	text	text
Verktygsanrop
Strukturerad utdata
Styrning av resonemang
Tillagd	14 okt. 2025	22 juli 2023

Viktiga skillnader

Qwen: Qwen3 VL 8B Instruct är 29% billigare på indata-tokens.
ReMM SLERP 13B är 13% billigare på utdata-tokens.
Qwen: Qwen3 VL 8B Instruct läser 42.7× mer kontext (262 144 tokens).
Endast Qwen: Qwen3 VL 8B Instruct stöder verktygsanrop.
Ett anrop med 1 000 indata- och 500 utdata-tokens kostar 0,00219 US$ med Qwen: Qwen3 VL 8B Instruct och 0,00236 US$ med ReMM SLERP 13B.

Mer i detalj

Qwen: Qwen3 VL 8B Instruct görs av Qwen, och ReMM SLERP 13B görs av Undi95. Båda är textutmatningsmodeller, så vad du än skickar in får du text tillbaka. Qwen-modellen släpptes 2025-10-14, medan ReMM SLERP 13B går tillbaka till 2023-07-22. Det åldersgapet spelar mindre roll än funktionsgapet, men det är värt att veta att den ena är en nyare synspråkmodell och den andra är en äldre text-only-sammanslagning.

Den största praktiska skillnaden är modalitet och kontext. Qwen3 VL 8B Instruct tar emot både bild- och textinmatning, så den kan titta på en skärmbild, ett diagram eller ett foto tillsammans med din prompt. ReMM SLERP 13B tar endast emot text. Qwen3 VL 8B Instruct har också ett mycket större kontextfönster på 262144 tokens, jämfört med 6144 tokens för ReMM SLERP 13B, så långa dokument, stora kodfiler eller utökade chatthistoriker får plats bekvämt i Qwen-modellen och får inte plats i den andra. När det gäller verktyg är det bara Qwen3 VL 8B Instruct som stöder verktyg, vilket innebär att funktionsanrop och agentliknande arbetsflöden är tillgängliga där och inte på ReMM SLERP 13B. Båda exponerar strukturerade utdata, så JSON-liknande svar är möjliga på båda. Ingen av dem listas som en dedikerad resonemangsmodell. När det gäller pris är Qwen3 VL 8B Instruct det billigare alternativet för inmatning, medan ReMM SLERP 13B är billigare för utmatning, så kostnadsbalansen beror på hur mycket du skickar kontra hur mycket du genererar.

För de flesta nya arbeten är Qwen3 VL 8B Instruct det säkrare standardvalet. Välj den när din inmatning innehåller bilder, när din prompt eller konversation är lång, eller när du behöver verktygsanrop och strukturerade utdata i samma begäran. Den är också det bättre valet när inmatningstokens dominerar din räkning, eftersom den är billigare på den sidan. ReMM SLERP 13B är vettig när du gör ren textgenerering, dina prompter och utdata är tillräckligt korta för att hålla sig inom 6144 tokens, och du inte behöver verktyg eller bildförståelse. Eftersom dess utdata är billigare kan den vara attraktiv för arbetsbelastningar som mestadels är generering med små prompter, såsom kort kreativt skrivande, enkla chatsvar eller massbearbetning av text.

Att anropa endera modellen via api14 fungerar på samma sätt, eftersom API:et är OpenAI-kompatibelt. Du pekar din klient mot api14:s bas-URL, skickar din nyckel och anger fältet model. Den enda ändringen mellan de två är strängen för modell-id: använd "qwen/qwen3-vl-8b-instruct" för Qwen-modellen och "undi95/remm-slerp-l2-13b" för ReMM SLERP 13B. Din begärans kropp, chattmeddelanden och parameternamn förblir desamma, så att byta är en enradsändring. Om du använder ett klientbibliotek, ange modellen i din konfiguration eller miljövariabel i stället för att hårdkoda den, så att du kan växla mellan dem utan att röra begäranslogiken.

Det finns fortfarande fall där ReMM SLERP 13B är det bättre valet. Om din uppgift är ren text utan bilder, inga verktyg och kort kontext, och din användning är utmatningstung, ger dess billigare utdata och dess extra samplingskontroller såsom min_p och top_a dig justeringsalternativ som Qwen-modellen inte listar. I den smala formen av arbetsbelastning kan den äldre modellen vara det mer ekonomiska och mer kontrollerbara valet.

Byt med en sträng

Båda modellerna använder samma endpoint och anropsformat. Ändra model-värdet från "qwen/qwen3-vl-8b-instruct" till "undi95/remm-slerp-l2-13b", promptar, streaming och verktyg fortsätter att fungera.

Qwen: Qwen3 VL 8B Instruct: detaljer och testmiljö →ReMM SLERP 13B: detaljer och testmiljö →

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 mot ReMM SLERP 13B

Specifikationer

Viktiga skillnader

Mer i detalj

Byt med en sträng

Fler jämförelser