Kann ich Relace Search lokal ausführen?

Nein. Relace Search ist nur per API verfügbar, es wurden keine offenen Gewichte veröffentlicht, daher ist eine lokale Nutzung nicht möglich.

Was kostet Relace Search und wie groß ist der Kontext?

Die Preise betragen 1,00 $ pro Million Eingabe-Tokens und 3,00 $ pro Million Ausgabe-Tokens, mit einem Kontextfenster von 256.000 Tokens.

Worin unterscheidet sich Relace Search von RAG-basierter Code-Suche?

Statt einen vorgefertigten Vektorindex abzufragen, ruft Relace Search aktiv parallel `view_file`- und `grep`-Tools auf – bis zu 12 gleichzeitig –, um das Repository zu navigieren und relevante Dateien direkt zu finden.

Relace Search

5049°

#llm #relace #programmieren #agenten #langer kontext

Modell ausführen

Angebote / Werbung

OpenRouter Terminal / API

Bezahlung pro Token

Chatte mit diesem Modell im Browser oder rufe es mit einem API-Schlüssel aus deinem Code auf.

Relace | 256.000 Token Kontext | $1,00/M Eingabe, $3,00/M Ausgabe. Das relace-search Modell verwendet 4-12 `view_file` und `grep` Werkzeuge parallel, um einen Codebestand zu durchsuchen und relevante Dateien für die Benutzeranfrage zurückzugeben. Im Gegensatz zu RAG führt relace-search agentische...

Anleitungen zu diesem Modell

Offene Gewichte vs. Open Source vs. Nur API: Was du wirklich darfst

Die 10 günstigsten ChatGPT-Alternativen 2026: kostenlose lokale Modelle, Gratis-Stufen und Flatrate-Tarife

Alle Anleitungen

Captain's Notizen

Geschrieben von Captain, dem Hausredakteur

Notizen vom 2026-10-13

Relace Search ist ein Code-Suchmodell von Relace, das parallele Tool-Aufrufe – speziell `view_file` und `grep` – nutzt, um eine Codebasis zu erkunden und die für Ihre Anfrage relevantesten Dateien zu finden. Anders als Retrieval-Augmented Generation verfolgt es einen agentischen Ansatz, indem es das Repository aktiv erkundet, statt einen vorgefertigten Index abzufragen. Es richtet sich an Entwickler, die präzise, kontextbewusste Dateisuche als Teil eines größeren Programmier-Workflows benötigen.

Bekannt für

Führt 4–12 parallele `view_file`- und `grep`-Aufrufe aus, um Codebasen aktiv zu erkunden.
Agentischer Suchansatz statt statischer RAG-Indexabfrage.
256.000 Tokens Kontextfenster – ausreichend für große Repository-Erkundung.
Gibt die spezifischen Dateien zurück, die relevant sind, nicht nur Textausschnitte.

Achte auf

Nur API-Zugang; keine offenen Gewichte, daher keine lokale Ausführung oder Einsicht möglich.
Ausgabetokens kosten 3,00 $/M – agentische Multi-Tool-Läufe können Ausgaben schnell erhöhen.
Eng begrenzt auf Code-Suche; es ist eine Komponente, kein allgemeiner Assistent.

Am besten für

Programmieren

Agenten und Werkzeugnutzung

Langer Kontext

Prompts zum Ausprobieren

Finde auth-bezogene Dateien

Ich muss verstehen, wie Authentifizierung in dieser Codebasis gehandhabt wird. Suche nach Dateien, die für Benutzer-Login, Token-Validierung und Sitzungsverwaltung zuständig sind. Liste jede relevante Datei auf und erkläre in einem Satz ihre Rolle.

Fehlerursprung nachverfolgen

Im Zahlungsprozess wird irgendwo eine NullPointerException ausgelöst. Suche im Code nach Dateien, die mit Zahlungsabwicklung, Auftragserstellung und gemeinsam genutzten Hilfsklassen zu tun haben. Gib die wahrscheinlichsten Dateien zurück, in denen der Fehler entstehen könnte.

Abhängigkeiten einer Funktion kartieren

Ich möchte das Benachrichtigungssystem refaktorieren. Suche im Code alle Dateien, die Benachrichtigungen senden, planen oder konfigurieren – einschließlich gemeinsamer Helfer oder Konfigurationsdateien – damit ich vor Beginn einen vollständigen Überblick habe.

Vergleichen mit

DeepSeek V4.1 Flash
Modell mit offenen Gewichten
1,048,576 Token Kontext · $0.04/M Eingabe, $0.68/M Ausgabe
GLM 5.3 Flash
Modell mit offenen Gewichten
1,048,576 Token Kontext · $0.02/M Eingabe, $0.72/M Ausgabe
Hy4 preview
Modell mit offenen Gewichten
1,048,576 Token Kontext · $0.83/M Eingabe, $2.50/M Ausgabe
MiMo-V2.6-Flash
Modell mit offenen Gewichten
1,050,000 Token Kontext · $0.14/M Eingabe, $0.28/M Ausgabe

Mehr Textmodelle von relace

Häufig gestellte Fragen

Kann ich Relace Search lokal ausführen?: Nein. Relace Search ist nur per API verfügbar, es wurden keine offenen Gewichte veröffentlicht, daher ist eine lokale Nutzung nicht möglich.
Was kostet Relace Search und wie groß ist der Kontext?: Die Preise betragen 1,00 $ pro Million Eingabe-Tokens und 3,00 $ pro Million Ausgabe-Tokens, mit einem Kontextfenster von 256.000 Tokens.
Worin unterscheidet sich Relace Search von RAG-basierter Code-Suche?: Statt einen vorgefertigten Vektorindex abzufragen, ruft Relace Search aktiv parallel `view_file`- und `grep`-Tools auf – bis zu 12 gleichzeitig –, um das Repository zu navigieren und relevante Dateien direkt zu finden.

Captain's Urteil
Eine fokussierte, agentische Code-Suchkomponente, die den Preis pro Token wert ist, wenn Sie einen Programmieragenten bauen, der echte Dateisuche statt unscharfer Chunk-Übereinstimmung benötigt.

Der Captain schreibt diese Notizen basierend auf der Beschreibung und Model Card des Modells. Preise und Kontextgrößen sind vom Anbieter zum Zeitpunkt der Erstellung und können sich ändern.

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

Wie sich dieser Wert zusammensetzt

Dieses Modell hat noch keine Popularitätsdaten von irgendeiner Quelle, daher trägt es eine Platzhalterzahl unterhalb von 7,000°, damit die Listen vollständig bleiben. Es rangiert niemals über einem Modell mit Daten. Die Aufschlüsselung erscheint hier, sobald eine Quelle sie meldet.

Glossar: die hier verwendeten Begriffe

Heat-Score: Eine Zahl dafür, wie viel ein Modell gerade genutzt und gewollt wird, von 0° bis 9.999°. Jede Liste auf dieser Seite, die „heißeste“ sagt, ist danach sortiert und nach nichts anderem.
Grundwert: Die 7.000°, mit denen jedes Modell mit echten Daten startet. Die Skala reicht von 0° bis 9.999°; der Bereich unter dem Grundwert ist für Platzhalter reserviert (Modelle ohne Daten), damit ein Modell mit Daten immer über einem ohne steht. Der Grundwert ist für alle gleich und entscheidet nichts; die Grade darüber sind die Messung.
Download-Äquivalente: Alles, was der Score als Download zählt, zusammengefasst: Downloads selbst, jeder Torrent-Seeder als 1.000, jedes AI Horde-Bild und jeder Lauf auf einer Generierungsseite als eins.
Logarithmische Skala: Gezählt in Zehnerschritten, nicht einzeln: Der Sprung von 1.000 auf 10.000 Downloads bringt genauso viele Grade wie von 10.000 auf 100.000. So verdrängen Riesen nicht alles andere.
Likes: Daumen hoch und Likes von allen Quellen, jeweils halb so viel wert wie ein Download auf der Log-Skala.
Verbreitungsrate: Wie viele Downloads ein Modell gerade pro Tag bekommt, aus dem Unterschied zwischen zwei Messungen einer Quelle. Ein Viertel der Gewichtung des Download-Begriffs.
Gemessen und geschätzt: Gemessen bedeutet, dass es zwei Messwerte einer Quelle gibt und der Unterschied echt ist. Geschätzt heißt, es ist nur die heutige Gesamtsumme bekannt und die Vergangenheit wird über die Lebensdauer des Modells verteilt; die Seite sagt, welche Variante angezeigt wird.
Seeder: Jemand, der eine Kopie der Gewichte online hält, damit andere sie über einen Torrent herunterladen können, oder ein gehosteter Spiegel, der dasselbe macht. Jeder davon zählt als 1.000 Downloads.
AI Horde: Ein Freiwilligennetzwerk, das kostenlos Bilder auf gespendeten Computern generiert. Die Anzahl der Bilder, die es mit einem Modell erstellt hat, ist öffentlich und jedes zählt als ein Download.
Generierungsseiten: Seiten, die eigene Kopien eines Modells hosten und Leute damit generieren lassen, wie PixAI, SeaArt und Yodayo. Ihre Downloads zählen wie bei Civitai und jeder Generierungslauf als ein Download.
OpenRouter Tokens: Ein Textmodell, das über eine API bereitgestellt wird, wie Claude oder GPT, hat keine Gewichte zum Herunterladen, daher wird seine Nutzung in Tokens gemessen: die Textstücke, die es über OpenRouter gelesen und geschrieben hat, einem Gateway, das viele Apps nutzen, in den letzten 30 Tagen. Je 10,000,000 Tokens zählen als ein Download. Quelle: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Vollständiges Modell (Checkpoint): Die Gewichte selbst, die Datei, die eigenständig generiert. Sie bekommt einen Bonus, weil Add-ons davon abhängen.
LoRA und Embedding: Kleine Zusatzdateien, die die Gewichte von jemand anderem in Richtung eines Stils, Charakters oder Konzepts lenken. Sie können nicht alleine laufen.
Familie und Gewichte: Die Basis, auf der ein Modell aufgebaut ist, wie SD 1.5, SDXL, Flux oder Wan. Jedes Modell erbt das Veröffentlichungsdatum der Gewichte seiner Familie.
Alter: Abzüge je nachdem, wie lange die Gewichte der Familie schon draußen sind: 150° pro Jahr, bis zu 750°. Alte Downloads, die Jahre zum Ansammeln hatten, bleiben oben in der Liste eingefroren.
Familien-Boost: Ein kleiner, begrenzter Schub für LoRAs einer Familie, die diese Seite gerade vorantreibt, immer in der Aufschlüsselung aufgeführt.
Stand-in-Wert: Eine stabile Zahl unter der Mindestgrenze, die einem Modell gegeben wird, über das noch keine Quelle berichtet hat, damit die Listen vollständig bleiben. Sie rangiert nie über einem Modell mit Daten.
Neu! (Schonfrist): Ein Modell, das weniger als 7 Tage alt ist, zeigt Neu! statt einer Punktzahl und nimmt keinen Platz in den Rankings ein. Seine Punktzahl wird ab dem ersten Tag berechnet, aber ein Modell, das einen Tag alt ist, wächst schneller als alles andere, daher wäre ohne die Wartezeit das #1 Modell der Woche immer das, das gestern herauskam, statt das, das sich eine Woche gehalten hat.
Trend: Wie das Wachstum eines Modells über einen Zeitraum im Vergleich zum typischen Wachstum eines Modells im gleichen Zeitraum ist. Schneller als üblich bedeutet Anstieg, langsamer bedeutet Rückgang.
Typisches Modell: Die Mitte des Katalogs: Die Hälfte der Modelle mit einer Zahl wuchs schneller im Zeitraum, die andere Hälfte langsamer.

Ähnliche Modelle

DeepSeek V4 Flash 0731

TEXT / LLM

Command A

TEXT / LLM

KI-Modelle für Bild-, Video- und Texterzeugung

Relace Search ist ein Textmodell für die Familie Text / LLM und wird auf ModelTrends.ai gelistet, einem reinen Lesekatalog für Open-Source-KI-Modelle für Bild, Video und Text. Vergleiche es mit anderen Text / LLM-Modellen und prüfe den Hitzewert, um den Trend zu sehen.

Weitere Text / LLM-Modelle llm relace programmieren agenten langer kontext

Nach Modellfamilie stöbern