Puis-je exécuter Relace Search localement ?

Non. Relace Search est uniquement accessible via API sans poids ouverts publiés, donc le déploiement local n’est pas une option.

Quel est le coût et la taille du contexte ?

Le tarif est de 1,00 $ par million de tokens en entrée et 3,00 $ par million en sortie, avec une fenêtre de contexte de 256 000 tokens.

En quoi Relace Search diffère-t-il de la recherche de code basée sur RAG ?

Au lieu d’interroger un index vectoriel préconstruit, Relace Search appelle activement les outils `view_file` et `grep` en parallèle — jusqu’à 12 à la fois — pour naviguer dans le dépôt et trouver les fichiers pertinents à la volée.

Relace Search

5049°

#llm #relace #programmation #agents #contexte long

Lancer ce modèle

Offres / Pub

OpenRouter Terminal / API

Payer par token

Discute avec ce modèle dans le navigateur ou appelle-le depuis ton code avec une clé API.

Relace | contexte de 256 000 tokens | 1,00 $/M en entrée, 3,00 $/M en sortie. Le modèle relace-search utilise 4 à 12 outils `view_file` et `grep` en parallèle pour explorer une base de code et retourner les fichiers pertinents à la requête utilisateur. Contrairement à RAG, relace-search effectue un comportement agentique...

Guides pour ce modèle

Poids ouverts vs open source vs API uniquement : ce que tu peux vraiment faire

Les 10 alternatives à ChatGPT les moins chères en 2026 : modèles locaux gratuits, offres gratuites et forfaits à prix fixe

Tous les guides

Notes du capitaine

Écrit par Captain, le rédacteur maison

Notes du 2026-10-13

Relace Search est un modèle de recherche de code de Relace qui utilise des appels d’outils parallèles — spécifiquement `view_file` et `grep` — pour naviguer dans une base de code et faire remonter les fichiers les plus pertinents à votre requête. Contrairement à la génération augmentée par récupération, il adopte une approche agentique, explorant activement le dépôt plutôt que d’interroger un index préconstruit. Il s’adresse aux développeurs qui ont besoin d’une récupération précise et contextuelle de fichiers comme étape dans un flux de travail de codage plus large.

Connu pour

Exécute 4 à 12 appels parallèles `view_file` et `grep` pour explorer activement les bases de code.
Approche de recherche agentique plutôt qu’interrogation statique d’index RAG.
Fenêtre de contexte de 256 000 tokens — suffisante pour une exploration de dépôt importante.
Retourne les fichiers spécifiques pertinents à la requête, pas seulement des extraits de texte.

Attention à

API uniquement ; pas de poids ouverts, donc pas d’exécution locale ni d’inspection possible.
Les tokens de sortie coûtent 3,00 $/M — les exécutions multi-outils agentiques peuvent accumuler rapidement la sortie.
Portée étroite limitée à la recherche de code ; c’est un composant, pas un assistant polyvalent.

Idéal pour

Programmation

Agents et utilisation d'outils

Contexte long

Prompts à essayer

Trouver les fichiers liés à l’authentification

Je dois comprendre comment l’authentification est gérée dans cette base de code. Cherchez les fichiers responsables de la connexion utilisateur, de la validation des tokens et de la gestion des sessions. Listez chaque fichier pertinent et expliquez en une phrase son rôle.

Tracer l’origine d’un bug

Une NullPointerException est levée quelque part dans le flux de traitement des paiements. Cherchez dans la base de code les fichiers impliqués dans la gestion des paiements, la création de commandes et les classes utilitaires partagées qu’ils appellent. Retournez les fichiers les plus susceptibles d’être à l’origine du bug.

Cartographier les dépendances d’une fonctionnalité

Je veux refactoriser le système de notifications. Cherchez dans la base de code et retournez tous les fichiers qui envoient, planifient ou configurent les notifications — y compris les helpers partagés ou fichiers de configuration — pour que j’aie une vue complète avant de commencer.

Comparer avec

DeepSeek V4.1 Flash
Modèle à poids ouverts
Contexte de 1,048,576 tokens · entrée $0.04/M, sortie $0.68/M
GLM 5.3 Flash
Modèle à poids ouverts
Contexte de 1,048,576 tokens · entrée $0.02/M, sortie $0.72/M
Hy4 preview
Modèle à poids ouverts
Contexte de 1,048,576 tokens · entrée $0.83/M, sortie $2.50/M
MiMo-V2.6-Flash
Modèle à poids ouverts
Contexte de 1,050,000 tokens · entrée $0.14/M, sortie $0.28/M

Plus de modèles de texte de relace

Questions fréquentes

Puis-je exécuter Relace Search localement ?: Non. Relace Search est uniquement accessible via API sans poids ouverts publiés, donc le déploiement local n’est pas une option.
Quel est le coût et la taille du contexte ?: Le tarif est de 1,00 $ par million de tokens en entrée et 3,00 $ par million en sortie, avec une fenêtre de contexte de 256 000 tokens.
En quoi Relace Search diffère-t-il de la recherche de code basée sur RAG ?: Au lieu d’interroger un index vectoriel préconstruit, Relace Search appelle activement les outils `view_file` et `grep` en parallèle — jusqu’à 12 à la fois — pour naviguer dans le dépôt et trouver les fichiers pertinents à la volée.

Verdict du capitaine
Un composant de recherche de code agentique ciblé qui vaut son coût par token si vous construisez un agent de codage nécessitant une récupération réelle de fichiers plutôt qu’un appariement approximatif d’extraits.

Le capitaine écrit ces notes à partir de la description et de la fiche modèle. Les prix et tailles de contexte sont ceux du fournisseur au moment de la rédaction et peuvent changer.

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

Comment ce score se calcule

Ce modèle n’a pas encore de données de popularité provenant de sources, donc il porte un nombre de remplacement en dessous de 7,000° pour que les listes restent complètes. Il ne sera jamais mieux classé qu’un modèle avec des données. La répartition apparaît ici dès qu’une source la rapporte.

Glossaire : les termes utilisés ici

Score de chaleur: Un seul chiffre pour montrer à quel point un modèle est utilisé et recherché en ce moment, de 0° à 9 999°. Chaque liste sur ce site qui dit « les plus chauds » est triée selon ce score et rien d’autre.
Plancher: Les 7 000° que chaque modèle avec des données réelles commence avec. L’échelle va de 0° à 9 999° ; la partie sous le plancher est réservée aux remplaçants (modèles sans données), pour qu’un modèle avec données soit toujours mieux classé qu’un sans. Le plancher est le même pour tous et ne décide rien ; les degrés au-dessus sont la mesure.
Équivalents de téléchargement: Tout ce que le score considère comme un téléchargement, additionné : les téléchargements eux-mêmes, chaque seeder torrent comme 1 000, chaque image AI Horde et chaque exécution sur un site de génération comme un.
Échelle logarithmique: On compte par dizaines, pas par unités : passer de 1 000 à 10 000 téléchargements ajoute autant de degrés que passer de 10 000 à 100 000. Ça évite que les géants écrasent tout le reste.
Likes: Les pouces levés et likes de toutes sources, valant chacun la moitié d’un téléchargement sur l’échelle logarithmique.
Taux d’adoption: Combien de téléchargements par jour un modèle obtient en ce moment, calculé à partir de la différence entre deux relevés d’une source. Un quart du poids du terme téléchargement.
Mesuré et estimé: Mesuré signifie qu'il existe deux relevés d'une source et que la différence est réelle. Estimé signifie que seul le total d'aujourd'hui est connu et que le passé est réparti sur la durée de vie du modèle ; le site indique lequel est affiché.
Seeder: Quelqu'un qui garde une copie des poids en ligne pour que d'autres puissent les télécharger via un torrent, ou un miroir hébergé qui fait la même chose. Chacun compte comme 1 000 téléchargements.
AI Horde: Un réseau de bénévoles qui génère des images gratuitement sur des ordinateurs donnés. Le nombre d'images créées avec un modèle est public, et chacune compte comme un téléchargement.
Sites de génération: Sites qui hébergent leurs propres copies d'un modèle et permettent aux gens de générer avec, comme PixAI, SeaArt et Yodayo. Leurs téléchargements comptent comme ceux de Civitai et chaque génération compte comme un téléchargement.
Tokens OpenRouter: Un modèle texte servi via une API, comme Claude ou GPT, n'a pas de poids à télécharger, son usage est donc mesuré en tokens : les morceaux de texte lus et écrits via OpenRouter, une passerelle utilisée par de nombreuses applications, sur les 30 derniers jours. Chaque 10,000,000 tokens compte comme un téléchargement. Source : OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Modèle complet (checkpoint): Les poids eux-mêmes, le fichier qui génère tout seul. Il reçoit un bonus parce que les add-ons en dépendent.
LoRA et embedding: Petits fichiers add-on qui orientent les poids de quelqu'un d'autre vers un style, un personnage ou un concept. Ils ne peuvent pas fonctionner seuls.
Famille et poids: La base sur laquelle un modèle est construit, comme SD 1.5, SDXL, Flux ou Wan. Chaque modèle hérite de la date de sortie des poids de sa famille.
Âge: Degrés retirés selon l'ancienneté des poids de la famille : 150° par an, jusqu'à 750°. Cela garde les anciens téléchargements qui ont eu des années pour s'accumuler en haut de la liste.
Boost de la famille: Une petite poussée limitée pour les LoRA d'une famille que ce site met en avant en ce moment, toujours listée dans la répartition.
Score de remplacement: Un nombre stable en dessous du minimum donné à un modèle dont aucune source ne rapporte encore, pour que les listes restent complètes. Il ne dépasse jamais un modèle avec des données.
Nouveau ! (période de grâce): Un modèle âgé de moins de 7 jours affiche Nouveau ! au lieu d'un score et ne figure pas dans le classement. Son score est calculé dès le premier jour, mais un modèle d'un jour grandit plus vite que tout, donc sans attente le #1 de la semaine serait toujours celui sorti hier plutôt que celui qui tient depuis une semaine.
Tendance: Comment la croissance d'un modèle sur une période se compare à la croissance typique d'un modèle sur la même période. Plus rapide que la moyenne signifie une hausse, plus lente une baisse.
Modèle typique: Le milieu du catalogue : la moitié des modèles avec un chiffre ont grandi plus vite sur la période, l'autre moitié plus lentement.

Modèles similaires

Qwen3 235B A22B Thinking 2507

TEXT / LLM

Modèles d'IA pour générer image, vidéo et texte

Relace Search est un modèle de texte pour la famille Text / LLM, référencé sur ModelTrends.ai, un catalogue en lecture seule de modèles d'IA open source pour l'image, la vidéo et le texte. Comparez-le aux autres modèles Text / LLM et consultez son score de chaleur pour suivre sa tendance.

Plus de modèles Text / LLM Plus de Texte / LLM Text / LLM llm relace programmation agents contexte long

Parcourir par famille de modèles