Kan ik Relace Apply 3 lokaal draaien?

Nee — het is een gesloten-weights, alleen API-model. Er zijn geen publieke weights en geen Hugging Face-repository.

Wat kost het en hoe groot is de context?

Relace Apply 3 kost $0,85 per miljoen inputtokens en $1,25 per miljoen outputtokens, met een contextvenster van 256.000 tokens.

Hoe verschilt dit van gewoon vragen aan Claude of GPT-4o om mijn code te bewerken?

Relace Apply 3 is geen redeneermodel — het neemt een bewerkingsfragment dat al door een ander model is gemaakt en voegt het snel samen in je bronbestand, als een snelle, goedkope toepasser in een tweestaps-pijplijn.

Relace Apply 3

3445°

#llm #relace #coderen #snel #budget

Voer dit model uit

Aanbiedingen / Advertenties

OpenRouter Terminal / API

Betaal per token

Chat met dit model in de browser of roep het aan vanuit je code met één API-sleutel.

Relace | 256,000 token context | $0.85/M input, $1.25/M output. Relace Apply 3 is een gespecialiseerd code-patching LLM dat AI-voorgestelde bewerkingen direct in je bronbestanden samenvoegt. Het kan updates van GPT-4o, Claude en anderen toepassen in je bestanden met gemiddeld 10.000 tokens/sec. Het model vereist dat de prompt in het volgende formaat is: {instruction} {initial_code} {edit_snippet} Zero Data Retention is ingeschakeld voor Relace. Meer informatie over dit model in hun documentatieOpens in new tab

Gidsen voor dit model

Open weights vs open source vs alleen API: wat je eigenlijk mag doen

De 10 goedkoopste ChatGPT-alternatieven in 2026: gratis lokale modellen, gratis tiers en vaste prijsplannen

Alle gidsen

Aantekeningen van de kapitein

Geschreven door Captain, de huisredacteur

Aantekeningen van 2026-10-13

Relace Apply 3 is een gesloten-weights model van Relace, gebouwd voor één taak: een AI-gegenereerde codevoorstel netjes samenvoegen in je bestaande bronbestanden. Het accepteert bewerkingen van GPT-4o, Claude en andere modellen en past ze toe met ongeveer 10.000 tokens per seconde. Als je workflow een frontier-model voor redeneren combineert met een snelle, goedkope toepasser voor de daadwerkelijke bestandswijzigingen, is dit daarvoor gebouwd.

Bekend om

Past AI-voorgestelde codebewerkingen direct toe in bronbestanden met ~10.000 tokens/sec
Werkt met suggesties van GPT-4o, Claude en andere upstream modellen
256.000-token contextvenster kan grote bestanden en multi-bestand patches aan
Zero data retention policy — je code wordt niet opgeslagen
Geprijsd onder $1,25 per miljoen output, waardoor grootschalig patchen betaalbaar is

Let op

Gesloten weights, alleen API — je kunt dit niet lokaal draaien of het model inspecteren
Vereist strikt promptformaat: instructie, initiële code, dan bewerkingsfragment — afwijken breekt het
Enkelvoudig doel: geen algemene code-assistent, redeneermodel of chatmodel

Het beste voor

Coderen

Snel

Budget

Prompts om te proberen

Pas een refactor-suggestie toe

Refactor de volgende functie om async/await te gebruiken in plaats van callbacks. def fetch_data(url, callback): response = requests.get(url) callback(response.json()) async def fetch_data(url): async with aiohttp.ClientSession() as session: async with session.get(url) as response: return await response.json()

Patch een bugfix in code

Los de off-by-one fout in de lus op. for i in range(0, len(items) - 1): process(items[i]) for i in range(0, len(items)): process(items[i])

Voeg foutafhandeling toe aan een functie

Voeg try/except foutafhandeling toe rond de bestandsleesoperatie. def read_config(path): with open(path) as f: return json.load(f) def read_config(path): try: with open(path) as f: return json.load(f) except (FileNotFoundError, json.JSONDecodeError) as e: raise RuntimeError(f'Failed to read config: {e}')

Vergelijk met

Kokoro-82M
Model met open gewichten
Mistral 7B Instruct v0.2
Model met open gewichten
32,768 token context · $0.06/M invoer, $0.06/M uitvoer
Mistral Small 3.2 24B Instruct 2506
Model met open gewichten
128,000 token context · $0.07/M invoer, $0.20/M uitvoer
DeepSeek V3
Model met open gewichten
163,840 token context · $0.32/M invoer, $0.89/M uitvoer

Meer tekstmodellen van relace

Veelgestelde vragen

Kan ik Relace Apply 3 lokaal draaien?: Nee — het is een gesloten-weights, alleen API-model. Er zijn geen publieke weights en geen Hugging Face-repository.
Wat kost het en hoe groot is de context?: Relace Apply 3 kost $0,85 per miljoen inputtokens en $1,25 per miljoen outputtokens, met een contextvenster van 256.000 tokens.
Hoe verschilt dit van gewoon vragen aan Claude of GPT-4o om mijn code te bewerken?: Relace Apply 3 is geen redeneermodel — het neemt een bewerkingsfragment dat al door een ander model is gemaakt en voegt het snel samen in je bronbestand, als een snelle, goedkope toepasser in een tweestaps-pijplijn.

Oordeel van de kapitein
Een smal gereedschap dat één ding goed doet: als je al een AI-gegenereerde diff hebt, past dit die snel en goedkoop toe.

De kapitein schrijft deze aantekeningen op basis van de eigen beschrijving en modelkaart van het model. Prijzen en contextgroottes zijn die van de provider op het moment van schrijven en kunnen veranderen.

Ranking badge

Updated Oct 22, 2026

Made this model? Show this badge on your page.

Paste it into your Hugging Face card or Civitai description.

Change colors / personalize / get code

Not this creator?

Get your own badge

Hoe deze score wordt opgebouwd

Dit model heeft nog geen populariteitsgegevens van welke bron dan ook, dus het krijgt een tijdelijke waarde onder 7,000° om de lijsten compleet te houden. Het staat nooit hoger dan een model met data. De uitsplitsing verschijnt hier zodra een bron het rapporteert.

Woordenlijst: de gebruikte termen

Heat-score: Één getal voor hoe veel een model nu gebruikt en gewenst wordt, van 0° tot 9.999°. Elke lijst op deze site die zegt heetste is gesorteerd op deze score en niets anders.
Vloer: De 7.000° waar elk model met echte data mee begint. De schaal loopt van 0° tot 9.999°; het deel onder de vloer is gereserveerd voor plaatsvervangers (modellen zonder data), zodat een model met data altijd hoger scoort dan een zonder. De vloer is voor iedereen gelijk en beslist niets; de graden erboven zijn de meting.
Download-equivalenten: Alles wat de score als een download telt, bij elkaar opgeteld: downloads zelf, elke torrent seeder als 1.000, elke AI Horde-afbeelding en elke run op een generatie-site als één.
Logaritmische schaal: Tellen per tien, niet per één: van 1.000 naar 10.000 downloads voegt evenveel graden toe als van 10.000 naar 100.000. Zo verdringen grote spelers niet alles.
Likes: Duimen omhoog en likes van elke bron, elk de helft van een download waard op de log-schaal.
Adoptiesnelheid: Hoeveel downloads een model nu per dag krijgt, uit het verschil tussen twee metingen van een bron. Een kwart van het gewicht van de downloadterm.
Gemeten en geschat: Gemeten betekent dat er twee metingen van een bron zijn en het verschil echt is. Geschat betekent dat alleen het totaal van vandaag bekend is en het verleden over de levensduur van het model wordt verdeeld; de site geeft aan welke het toont.
Seeder: Iemand die een kopie van de gewichten online houdt zodat anderen die via een torrent kunnen downloaden, of een gehoste mirror die hetzelfde doet. Elk telt als 1.000 downloads.
AI Horde: Een vrijwilligersnetwerk dat gratis beelden genereert op gedoneerde computers. Het aantal beelden dat het met een model heeft gemaakt is openbaar, en elk telt als één download.
Generatiesites: Sites die hun eigen kopieën van een model hosten en mensen laten genereren, zoals PixAI, SeaArt en Yodayo. Hun downloads tellen net als die van Civitai en elke generatie telt als één download.
OpenRouter tokens: Een tekstmodel dat via een API wordt aangeboden, zoals Claude of GPT, heeft geen gewichten om te downloaden, dus het gebruik wordt gemeten in tokens: de tekststukken die het las en schreef via OpenRouter, een gateway die veel apps gebruiken, in de afgelopen 30 dagen. Elke 10,000,000 tokens telt als één download. Bron: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Volledig model (checkpoint): De gewichten zelf, het bestand dat zelfstandig genereert. Het krijgt een bonus omdat add-ons ervan afhangen.
LoRA en embedding: Kleine add-on bestanden die iemands gewichten sturen naar een stijl, een personage of een concept. Ze kunnen niet zelfstandig draaien.
Familie en gewichten: De basis waarop een model is gebouwd, zoals SD 1.5, SDXL, Flux of Wan. Elk model erft de releasedatum van de gewichten van zijn familie.
Leeftijd: Graden afgetrokken voor hoe lang geleden de gewichten van de familie uitkwamen: 150° per jaar, tot 750°. Het houdt oude downloads die jaren hadden om op te lopen door de top van de lijst te bevriezen.
Familie boost: Een kleine, begrensde duw voor LoRA's van een familie die deze site nu naar voren schuift, altijd vermeld in de uitsplitsing.
Stand-in score: Een stabiel getal onder de vloer gegeven aan een model waar nog geen bron over rapporteert, zodat lijsten compleet blijven. Het staat nooit hoger dan een model met data.
Nieuw! (gratieperiode): Een model dat minder dan 7 dagen oud is, toont Nieuw! in plaats van een score en neemt geen plaats in de ranglijst in. De score wordt vanaf dag één berekend, maar een model van één dag oud groeit sneller dan wat dan ook, dus zonder de wachttijd zou de #1 van de week altijd het model zijn dat gisteren uitkwam in plaats van wat een week standhield.
Trend: Hoe de groei van een model over een periode zich verhoudt tot de typische groei van een model over dezelfde periode. Sneller dan typisch betekent stijging, langzamer betekent daling.
Typisch model: Het midden van de catalogus: de helft van de modellen met een cijfer groeide sneller over de periode, de andere helft langzamer.

Vergelijkbare modellen

Mistral Small 3.2 24B

AI-modellen voor het genereren van afbeeldingen, video en tekst

Relace Apply 3 is een tekstmodel voor de Text / LLM-familie, vermeld op ModelTrends.ai, een alleen-lezen catalogus van open source AI-modellen voor afbeeldingen, video en tekst. Vergelijk het met andere Text / LLM-modellen en bekijk de populariteitsscore om de trend te zien.

Meer Text / LLM-modellen Meer Text / LLM Tekst / LLM llm relace coderen snel budget

Bladeren op modelfamilie