Model
.ai
追踪开放 AI 模型
本模型的指南
全部指南
cognitivecomputations | 8,192 令牌上下文 | $0.35/M 输入,$0.40/M 输出。Dolphin 2.9.1 是微调的 Llama-3-70b 模型。新模型基于筛选数据训练,更加合规但不受审查。其在指令、对话、编码和函数调用能力上均有所提升。
Dolphin 2.9.1 是 Cognitive Computations 对 Meta 的 Llama 3 70B 进行微调的版本,使用过滤后的数据训练,生成一个能够遵循指令且不会像基础 Llama 版本那样频繁拒绝响应的模型。它集成了指令遵循、多轮对话、编码和函数调用功能于一体。每千个令牌成本不到半美分,适合希望获得功能强大且合规的 70B 级模型但又不想支付高昂前沿价格的开发者。

以……著称

  • 无审查的指令遵循:拒绝响应比基础 Llama 3 70B 少。
  • 改进的函数调用,适用于工具使用和代理流水线。
  • 相对于其价格档位,编码和对话表现稳健。
  • 极低成本:每百万输入令牌 0.35 美元,输出令牌 0.40 美元。

注意

  • 权重未公开,仅通过 API 访问。
  • 8192 令牌上下文长度按当前标准较短,处理长文档需分块。
  • 无审查微调可能产生其他模型会拒绝的输出,请谨慎使用。

推荐尝试的提示词

函数调用示例
你有一个工具叫 get_weather(location: str, units: str) -> dict。写出调用该函数以获取奥斯陆当前摄氏度天气的 JSON 函数调用,然后写一个简短的 Python 包装函数,使用基于 requests 的真实 API 调用该接口。
直接的代码审查
请审查以下 Python 函数,准确指出其错误、为何在高负载下会失败,以及我应如何重写。请直接批评,不要委婉。 def get_user(id): conn = sqlite3.connect('app.db') return conn.execute(f'SELECT * FROM users WHERE id = {id}').fetchone()
多轮角色扮演场景
你是一位简洁且怀疑的高级工程师,正在面试一位声称构建了分布式键值存储的候选人。请逐条提出三个深入的技术问题,等待我的回答,如果任何回答含糊或不可信,请强烈质疑。

与……比较

  • GPT-5.6 Luna
    仅限API模型
    1,050,000 令牌上下文 · $0.20/M 输入,$1.20/M 输出
  • Solar Pro 4
    仅限API模型
    524,288 令牌上下文 · $0.09/M 输入,$0.36/M 输出
  • GPT-6 Luna
    仅限API模型
    1,050,000 令牌上下文 · $0.10/M 输入,$0.50/M 输出
  • Claude Opus 5.5
    仅限API模型
    1,000,000 令牌上下文 · $4.00/M 输入,$20.00/M 输出
来自 cognitivecomputations 的更多文本模型

常见问题

我可以本地运行 Dolphin 2.9.1 Llama 3 70B 吗?
权重未在公共仓库发布,因此无法本地使用——只能通过 API 访问该模型。
费用是多少,支持多长上下文?
输入每百万令牌 0.35 美元,输出每百万令牌 0.40 美元,上下文窗口为 8192 令牌。
Dolphin 与标准 Llama 3 70B 有何不同?
Cognitive Computations 在过滤数据上进行了微调,减少拒绝响应,提升了指令遵循、编码和函数调用能力,相较于 Meta 基础版本表现更佳。
船长评语
一款价格低廉、合规的 70B 微调模型,适合函数调用和无护栏指令任务——但需注意上下文较短。
船长根据模型自身描述和模型卡撰写这些笔记。价格和上下文大小为撰写时提供商的数据,可能会变动。
Ranking badge
Updated Oct 22, 2026
ModelTrends.ai 上的 dolphin 2.9.1 llama 3 70b:Heat 5,630°
Made this model? Show this badge on your page.
Paste it into your Hugging Face card or Civitai description.
这个评分是怎么计算的
这个模型还没有任何来源的流行度数据,所以它用一个低于 7,000° 的替代数值来保持列表完整。它永远不会排在有数据的模型前面。一旦有来源报告数据,分解就会显示在这里。
术语表:这里用到的术语
热度得分
一个数字,表示模型当前的使用和需求程度,范围从0°到9,999°。本站所有标注为最热门的榜单都按这个分数排序,别无他物。
基准线
所有有真实数据的模型起始于7,000°。分数范围是0°到9,999°;基准线以下的部分保留给无数据的替代模型,这样有数据的模型总是排在无数据模型之上。基准线对所有人相同,不影响排名;超过基准线的度数才是实际测量值。
下载等价量
得分中当作下载计算的所有项目总和:下载本身,每个种子上传者算1,000,每个AI Horde图片和每次生成网站的运行算一个。
对数刻度
以十为单位计数,而不是以一为单位:从1,000到10,000下载增加的热度和从10,000到100,000增加的热度相同。这样可以防止巨头压倒一切。
点赞
来自所有来源的点赞和竖起大拇指,每个点赞在对数刻度上价值半个下载。
采用率
模型当前每天的下载次数,基于两次读数的差值。权重是下载项的四分之一。
测量与估算
测量表示有两个来源的读数,且差异是真实的。估算表示只知道今天的总数,过去的数据是根据模型的生命周期分配的;网站会说明显示的是哪种。
做种者
指那些在线保存权重副本供他人通过种子下载的人,或者提供同样服务的托管镜像。每个做种者相当于1000次下载。
AI Horde
一个志愿者网络,在捐赠的电脑上免费生成图片。它用某个模型生成的图片数量是公开的,每张图片算作一次下载。
生成网站
托管自己模型副本并允许用户生成的站点,比如PixAI、SeaArt和Yodayo。它们的下载计数和Civitai一样,每次生成算一次下载。
OpenRouter 令牌
通过API提供的文本模型,如Claude或GPT,没有权重需要下载,因此其使用量以令牌计量:过去30天内通过OpenRouter(一种许多应用使用的网关)读取和生成的文本片段。每10,000,000个令牌计为一次下载。来源:OpenRouter (openrouter.ai/rankings),CC BY 4.0。
完整模型(检查点)
权重文件本身,是能独立生成的文件。它会获得额外加分,因为附加组件依赖它。
LoRA和嵌入
小型附加文件,用来引导别人的权重朝向某种风格、角色或概念。它们不能单独运行。
家族与权重
模型构建所基于的基础,比如SD 1.5、SDXL、Flux或Wan。每个模型继承其家族权重的发布日期。
年龄
根据家族权重发布多久,扣除的度数:每年150°,最多750°。它保留了那些积累了多年下载量的老模型,防止它们被挤出榜单顶部。
家族加成
对当前网站重点推广的某个家族的LoRA给予的小幅度限制性加分,总是在分数细目中列出。
替代分数
给还没有任何来源报告的模型一个稳定的最低分数,这样榜单才完整。它永远不会高于有数据的模型。
新模型!(宽限期)
不到7天的新模型显示“新模型!”而非分数,且不参与排名。其分数从第一天开始计算,但一天大的模型增长最快,若不等待,周榜#1总是昨天刚发布的模型,而非持续一周的。
趋势
模型在某段时间内的增长与同一时间段内典型模型增长的对比。比典型快表示上升,比典型慢表示下降。
典型模型
目录的中间值:一半有数据的模型增长比它快,一半比它慢。