Model
.ai
追蹤開放 AI 模型
本模型的指南
全部指南
microsoft | 32,768 代幣上下文 | 輸入 $0.06/M,輸出 $0.06/M。WizardLM-2 7B 是微軟 AI 最新 Wizard 模型的較小版本。它是最快的,且性能可與現有 10 倍規模的開源領先模型相媲美。
WizardLM 2 7B 是微軟 AI 在 WizardLM 2 系列中體積小巧的成員,設計目標是超越其體量限制。微軟聲稱其性能可媲美約十倍於其規模的開源模型,對於一個 7B 模型來說這是大膽的宣稱。每百萬輸入輸出 token 僅需 0.06 美元,適合需要一款能勝任日常任務且價格低廉的模型的開發者,無需支付前沿價格。

以...聞名

  • 微軟稱其性能可與體積約十倍的開源模型競爭
  • API 成本極低:每百萬 token 雙向 0.06 美元
  • 7B 級模型典型的快速推理速度
  • 32,768 token 的上下文窗口涵蓋大多數實用任務

注意

  • 權重未公開;只能透過 API 使用,無法本地部署。
  • 微軟未公布詳細的基準測試數據或公開模型卡。
  • 7B 模型在複雜多步推理或長文檔處理上仍有限制。

可嘗試的提示詞

快速文件摘要
這是一份會議記錄。請總結關鍵決策、分配給各行動項目的負責人,以及任何未解決的問題。字數控制在 200 字以內,並使用項目符號。 [在此貼上會議記錄]
解釋程式錯誤
我有一個 Python 函數,應該返回字串中出現頻率前三的詞,但返回的順序錯誤。以下是程式碼: def top_words(text): from collections import Counter words = text.split() return Counter(words).most_common()[:3] 問題出在哪裡?如何修正?
為清晰度改寫
請將以下段落改寫,使非技術讀者也能理解。刪除術語,保留所有事實陳述,並盡量使句子不超過 20 字。 非同步事件驅動架構利用非阻塞 I/O 原語,在高併發工作負載下最大化吞吐量,同時最小化分散式服務端點的延遲變異。

比較

  • GPT-5.6 Luna
    僅限 API 模型
    1,050,000 代幣上下文 · $0.20/M 輸入,$1.20/M 輸出
  • GPT-4o-mini
    僅限 API 模型
    128,000 代幣上下文 · $0.15/M 輸入,$0.60/M 輸出
  • Sonar
    僅限 API 模型
    127,072 代幣上下文 · $1.00/M 輸入,$1.00/M 輸出
  • GPT-3.5 Turbo (older v0613)
    僅限 API 模型
    4,095 代幣上下文 · $1.00/M 輸入,$2.00/M 輸出
更多來自 microsoft 的文字模型

常見問題

我可以本地運行 WizardLM 2 7B 嗎?
不行。權重未公開,僅能透過 API 使用,無法本地部署。
WizardLM 2 7B 的價格和上下文窗口是多少?
價格為每百萬輸入 token 0.06 美元,輸出 token 0.06 美元,上下文窗口為 32,768 token。
WizardLM 2 7B 與更大型的 WizardLM 2 模型有何不同?
它是 WizardLM 2 系列中體積最小且速度最快的版本;微軟定位其性能可媲美約十倍體積的開源模型,但較大型版本則針對更重負載設計。
船長評語
一款真正便宜且快速的 7B 模型,適合日常 API 使用,主要限制在於權重封閉及公開資料有限。
船長根據模型自身描述與模型卡撰寫這些筆記。價格與上下文大小為撰寫時提供者資料,可能會變動。
Ranking badge
Updated Oct 22, 2026
ModelTrends.ai 上的 WizardLM 2 7B:Heat 1,931°
Made this model? Show this badge on your page.
Paste it into your Hugging Face card or Civitai description.
這個分數是怎麼累積的
這個模型目前還沒有任何來源的流行度數據,所以它會有一個低於 7,000° 的替代數字,讓列表保持完整。它永遠不會排在有數據的模型前面。一旦有來源報告數據,細項就會顯示在這裡。
詞彙表:這裡使用的術語
熱度分數
一個數字,表示模型目前的使用和需求程度,範圍從 0° 到 9,999°。本網站所有標示「最熱門」的排行榜都是依此排序,沒有其他排序依據。
底線
每個有實際數據的模型起始於 7,000°。分數範圍是 0° 到 9,999°;底線以下保留給沒有數據的模型,確保有數據的模型總是排名較前。底線對所有人相同,不影響排名;超過底線的度數才是評分依據。
下載等值
分數中視為下載的所有項目加總:下載本身、每個種子節點算 1,000、每張 AI Horde 圖像和每次生成網站的執行算一。
對數刻度
以十為單位計數,不是以一為單位:從 1,000 到 10,000 下載增加的度數,和從 10,000 到 100,000 增加的度數相同。這樣能防止巨頭壓過其他模型。
喜歡數
來自各來源的讚和喜歡,每個在對數刻度上算半個下載量。
採用率
模型目前每天的下載次數,根據兩次來源讀取的差異計算。權重是下載量的四分之一。
實測與估算
實測表示有兩個來源的讀數,且差異是真實的。估算表示只知道今天的總數,過去的數據則分散在模型的整個生命週期;網站會說明顯示的是哪一種。
種子節點
指在線上保留權重檔案供他人透過種子下載的人,或是提供相同服務的鏡像站。每一個種子節點算作1,000次下載。
AI Horde
一個志願者網絡,利用捐贈的電腦免費生成圖片。它用某模型生成的圖片數量是公開的,每張圖片算作一次下載。
生成網站
自己托管模型並讓人使用它生成圖片的網站,例如PixAI、SeaArt和Yodayo。它們的下載量和Civitai一樣,每次生成算一次下載。
OpenRouter 代幣
透過 API 提供的文字模型,如 Claude 或 GPT,沒有權重可下載,因此使用量以代幣計算:過去30天內透過 OpenRouter(許多應用使用的閘道)讀取和生成的文字片段。每 10,000,000 代幣算作一次下載。來源:OpenRouter (openrouter.ai/rankings),CC BY 4.0。
完整模型(檢查點)
權重本身,是能獨立生成的檔案。它會有額外加分,因為其他附加檔案都依賴它。
LoRA和嵌入
小型附加檔案,用來引導別人的權重走向某種風格、角色或概念。它們無法獨立運行。
家族與權重
模型所建立的基礎,例如SD 1.5、SDXL、Flux或Wan。每個模型都繼承其家族權重的發布日期。
年齡
根據家族權重發布時間距今多久,扣除的度數:每年150°,最多750°。它會保留那些有多年累積下載的舊模型,防止它們從排行榜頂端消失。
家族加成
針對本站目前推廣的某個家族的LoRA給予的小幅度限制加成,會在分解中顯示。
替代分數
給尚無來源報告的模型一個穩定的最低分,讓列表保持完整。它永遠不會高於有數據的模型。
全新!(寬限期)
不到 7 天的新模型會顯示「全新!」而非分數,且不列入排名。分數從第一天開始計算,但一天大的模型成長最快,若不等待,週榜首將永遠是昨天剛出的模型,而非持續一週的。
趨勢
模型在某段時間內的成長與典型模型同期成長的比較。比典型快表示上升,比典型慢表示下降。
典型模型
目錄中的中間值:一半模型在該期間成長較快,一半較慢。