Bolehkah saya jalankan Relace Apply 3 secara tempatan?

Tidak — ia model berat tertutup, hanya API. Tiada berat awam dan tiada repositori Hugging Face.

Berapa kos dan berapa besar konteksnya?

Relace Apply 3 berharga $0.85 setiap sejuta token input dan $1.25 setiap sejuta token output, dengan tetingkap konteks 256,000 token.

Bagaimana ini berbeza daripada hanya meminta Claude atau GPT-4o menyunting kod saya?

Relace Apply 3 bukan model penalaran — ia mengambil petikan suntingan yang sudah dihasilkan oleh model lain dan menggabungkannya ke dalam fail sumber anda dengan pantas, bertindak sebagai pemohon pantas dan murah dalam saluran dua langkah.

Relace Apply 3

3445°

#llm #relace #pengaturcaraan #pantas #bajet

Jalankan model ini

Tawaran / Iklan

OpenRouter Terminal / API

Bayar setiap token

Bual dengan model ini dalam pelayar atau panggil ia dari kod anda dengan satu kunci API.

Relace | konteks 256,000 token | $0.85/M input, $1.25/M output. Relace Apply 3 adalah LLM tampalan kod khusus yang menggabungkan suntingan yang dicadangkan AI terus ke fail sumber anda. Ia boleh memohon kemas kini dari GPT-4o, Claude, dan lain-lain ke dalam fail anda pada purata 10,000 token/saat. Model memerlukan prompt dalam format berikut: {instruction} {initial_code} {edit_snippet} Zero Data Retention diaktifkan untuk Relace. Ketahui lebih lanjut tentang model ini dalam dokumentasi merekaOpens in new tab

Panduan untuk model ini

Berat terbuka vs sumber terbuka vs hanya API: apa yang sebenarnya kamu dibenarkan lakukan

10 Alternatif ChatGPT Termurah pada 2026: model tempatan percuma, tahap percuma dan pelan kadar rata

Semua panduan

Nota Kapten

Ditulis oleh Captain, editor rumah

Nota dari 2026-10-13

Relace Apply 3 adalah model berat tertutup dari Relace yang dibina untuk satu tugas: mengambil cadangan kod yang dijana AI dan menggabungkannya dengan kemas ke dalam fail sumber anda yang sedia ada. Ia menerima suntingan dari GPT-4o, Claude, dan model lain dan memohon pada kira-kira 10,000 token sesaat. Jika aliran kerja anda melibatkan model termaju untuk penalaran dan pemohon pantas serta murah untuk penulisan fail sebenar, ini dibina untuk pembahagian itu.

Dikenali untuk

Memohon suntingan kod yang dicadangkan AI terus ke fail sumber pada ~10,000 token/saat
Bekerja dengan cadangan dari GPT-4o, Claude, dan model hulu lain
Tetingkap konteks 256,000 token mengendalikan fail besar dan tampalan pelbagai fail
Polisi tiada penyimpanan data — kod anda tidak disimpan
Harga di bawah $1.25/M output, menjadikan tampalan volum tinggi mampu milik

Berhati-hati dengan

Berat tertutup, hanya API — anda tidak boleh jalankan secara tempatan atau periksa model
Memerlukan format prompt ketat: arahan, kod awal, kemudian petikan suntingan — penyimpangan akan rosakkan
Tujuan tunggal: bukan pembantu pengkodan umum, model penalaran, atau model sembang

Terbaik untuk

Pengaturcaraan

Pantas

Bajet

Arahan untuk cuba

Terapkan cadangan refaktor

Refaktor fungsi berikut untuk menggunakan async/await menggantikan callback. 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()

Tampal pembetulan bug ke dalam kod

Betulkan ralat off-by-one dalam gelung. for i in range(0, len(items) - 1): process(items[i]) for i in range(0, len(items)): process(items[i])

Tambah pengendalian ralat ke fungsi

Tambah pengendalian ralat try/except di sekitar operasi bacaan fail. 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'Gagal membaca konfigurasi: {e}')

Bandingkan dengan

Kokoro-82M
Model berat terbuka
Mistral 7B Instruct v0.2
Model berat terbuka
konteks 32,768 token · Input $0.06/M, output $0.06/M
Mistral Small 3.2 24B Instruct 2506
Model berat terbuka
konteks 128,000 token · Input $0.07/M, output $0.20/M
DeepSeek V3
Model berat terbuka
konteks 163,840 token · Input $0.32/M, output $0.89/M

Lebih banyak model teks dari relace

Soalan yang sering ditanya

Bolehkah saya jalankan Relace Apply 3 secara tempatan?: Tidak — ia model berat tertutup, hanya API. Tiada berat awam dan tiada repositori Hugging Face.
Berapa kos dan berapa besar konteksnya?: Relace Apply 3 berharga $0.85 setiap sejuta token input dan $1.25 setiap sejuta token output, dengan tetingkap konteks 256,000 token.
Bagaimana ini berbeza daripada hanya meminta Claude atau GPT-4o menyunting kod saya?: Relace Apply 3 bukan model penalaran — ia mengambil petikan suntingan yang sudah dihasilkan oleh model lain dan menggabungkannya ke dalam fail sumber anda dengan pantas, bertindak sebagai pemohon pantas dan murah dalam saluran dua langkah.

Keputusan Kapten
Alat khusus yang melakukan satu perkara dengan baik: jika anda sudah ada diff yang dijana AI, ini memohon dengan cepat dan murah.

Kapten menulis nota ini berdasarkan penerangan model dan kad model itu sendiri. Harga dan saiz konteks adalah dari penyedia pada masa penulisan dan boleh berubah.

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

Bagaimana skor ini dijumlahkan

Model ini belum ada data populariti dari mana-mana sumber lagi, jadi ia membawa nombor gantian di bawah 7,000° yang memastikan senarai lengkap. Ia tidak pernah menduduki tempat lebih tinggi daripada model yang ada data. Pecahan muncul di sini sebaik sahaja sumber melaporkannya.

Glosari: istilah yang digunakan di sini

Skor heat: Satu nombor untuk seberapa banyak model digunakan dan diingini sekarang, dari 0° hingga 9,999°. Setiap senarai di laman ini yang kata paling panas disusun mengikutnya dan tiada yang lain.
Lantai: 7,000° yang setiap model dengan data sebenar bermula. Skala dari 0° hingga 9,999°; bahagian bawah lantai untuk pengganti (model tanpa data), supaya model dengan data sentiasa lebih tinggi dari yang tiada. Lantai sama untuk semua dan tidak tentukan apa-apa; darjah di atasnya adalah ukuran.
Setara muat turun: Semua yang skor anggap sebagai muat turun, dijumlahkan: muat turun sendiri, setiap torrent seeder sebagai 1,000, setiap imej AI Horde dan setiap larian di laman generasi sebagai satu.
Skala log: Mengira dengan puluhan, bukan satuan: dari 1,000 ke 10,000 muat turun tambah darjah sama seperti dari 10,000 ke 100,000. Ini elak gergasi menindas yang lain.
Suka: Jempol dan suka dari semua sumber, bernilai separuh muat turun pada skala log.
Kadar penerimaan: Berapa banyak muat turun sehari model dapat sekarang, dari beza dua bacaan sumber. Berat suku dari terma muat turun.
Diukur dan dianggarkan: Diukur bermaksud ada dua bacaan dari satu sumber dan perbezaannya adalah nyata. Dianggarkan bermaksud hanya jumlah hari ini yang diketahui dan masa lalu diagihkan sepanjang hayat model; laman web akan memberitahu yang mana satu ia tunjukkan.
Seeder: Seseorang yang menyimpan salinan berat secara dalam talian untuk dimuat turun oleh orang lain melalui torrent, atau cermin yang dihoskan melakukan perkara yang sama. Setiap satu dikira sebagai 1,000 muat turun.
AI Horde: Rangkaian sukarelawan yang menjana imej secara percuma pada komputer yang didermakan. Bilangan imej yang telah dihasilkan dengan model adalah awam, dan setiap satu dikira sebagai satu muat turun.
Laman penjanaan: Laman yang menghoskan salinan model mereka sendiri dan membenarkan orang menjana dengannya, seperti PixAI, SeaArt dan Yodayo. Muat turun mereka dikira seperti Civitai dan setiap sesi penjanaan dikira sebagai satu muat turun.
Token OpenRouter: Model teks yang disediakan melalui API, seperti Claude atau GPT, tidak mempunyai berat untuk dimuat turun, jadi penggunaannya diukur dalam token: bahagian teks yang dibaca dan ditulis melalui OpenRouter, pintu masuk yang digunakan oleh banyak aplikasi, dalam 30 hari terakhir. Setiap 10,000,000 token dikira sebagai satu muat turun. Sumber: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Model penuh (checkpoint): Berat itu sendiri, fail yang menjana secara sendiri. Ia mendapat bonus kerana add-on bergantung padanya.
LoRA dan embedding: Fail add-on kecil yang mengarahkan berat orang lain ke arah gaya, watak atau konsep. Ia tidak boleh dijalankan sendiri.
Keluarga dan berat: Asas yang model dibina, seperti SD 1.5, SDXL, Flux atau Wan. Setiap model mewarisi tarikh keluaran berat keluarganya.
Umur: Darjah yang ditolak berdasarkan berapa lama berat keluarga itu dikeluarkan: 150° setahun, sehingga 750°. Ia mengekalkan muat turun lama yang mempunyai masa bertahun-tahun untuk terkumpul dengan membekukan di bahagian atas senarai.
Peningkatan keluarga: Dorongan kecil dan terhad untuk LoRA dari keluarga yang laman ini sedang galakkan sekarang, sentiasa disenaraikan dalam pecahan.
Skor gantian: Nombor stabil di bawah paras yang diberikan kepada model yang belum ada laporan sumber, supaya senarai kekal lengkap. Ia tidak pernah mendahului model yang ada data.
Baru! (tempoh kelonggaran): Model yang berumur kurang dari 7 hari menunjukkan Baru! dan tidak mempunyai skor serta tidak menduduki tempat dalam kedudukan. Skornya dikira dari hari pertama, tetapi model yang berumur satu hari berkembang lebih cepat daripada apa pun, jadi tanpa menunggu, #1 minggu ini akan sentiasa menjadi apa sahaja yang keluar semalam dan bukan yang bertahan selama seminggu.
Trend: Bagaimana pertumbuhan model dalam tempoh tertentu dibandingkan dengan pertumbuhan model biasa dalam tempoh yang sama. Lebih cepat dari biasa bermaksud naik, lebih perlahan bermaksud turun.
Model biasa: Tengah katalog: separuh model dengan angka tumbuh lebih cepat dalam tempoh itu, separuh lagi lebih perlahan.

Model serupa

Llama 3.2 3B Instruct

Model AI untuk penjanaan imej, video dan teks

Relace Apply 3 ialah model teks untuk keluarga Text / LLM yang disenaraikan di ModelTrends.ai, katalog baca sahaja untuk model AI imej, video dan teks sumber terbuka. Bandingkannya dengan model Text / LLM lain dan semak skor habanya untuk melihat trendnya.

Lagi model Text / LLM Lagi Teks / LLM Text / LLM llm relace pengaturcaraan pantas bajet

Layari mengikut keluarga model