4-bit weight (W4A16) AWQ quant of **Qwen3.8-27B-Uncensored-Aggressive** (α=1.15 recipe update), in `compressed-tensors` format. Vision tower and the grafted **MTP head** are preserved. Recipe update to the Aggressive line: the previous build ablated at α≈1.24, which a larger benchmark sweep showed **over-ablates** past the ~1.15 quality peak. This build uses **α=1.15** — more open and better on every measured axis. Quant: AWQ, group size 128, asymmetric, MSE observer, 256 Magpie-CoT calibration samples @1024 tokens.

译文排队中 · 当前显示来源原文

视觉问答

输入文本 · 图像→ 输出文本

价格待核验多模态与渠道费用须分别核对

查看详情 ↗

加入对比来源 / 文档 ↗

Qwen3.8-27B-Uncensored-Cyber

philbert440

基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。

基础资料已收录 · 缺失资料后续补充

视觉问答

输入文本 · 图像→ 输出文本

价格待核验多模态与渠道费用须分别核对

查看详情 ↗

加入对比来源 / 文档 ↗

Qwen3.8-27B-Uncensored-Cyber-GGUF

philbert440

llama.cpp GGUF quants of **Qwen3.8-27B-Uncensored-Cyber** (v2 recipe), with the **vision projector** (`mmproj-*`) for image input and the **MTP head** (`mtp-*`) for speculative decoding. Full BF16 is not shipped as a single GGUF (exceeds the 50GB per-file limit) — use `Q8_0` (≈lossless) or the bf16 safetensors repo. Uncensored / de-refused, tuned to fully answer cyber and offensive-security questions. Use responsibly and in compliance with applicable law.

译文排队中 · 当前显示来源原文

视觉问答

输入文本 · 图像→ 输出文本

价格待核验多模态与渠道费用须分别核对

查看详情 ↗

加入对比来源 / 文档 ↗

Qwen3.8-27B-Uncensored-Cyber-MLX-4bit

philbert440

基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。

基础资料已收录 · 缺失资料后续补充

文本生成

输入文本→ 输出文本

价格待核验多模态与渠道费用须分别核对

查看详情 ↗

加入对比来源 / 文档 ↗

Qwen3.8-27B-Uncensored-Cyber-NVFP4

philbert440

基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。

基础资料已收录 · 缺失资料后续补充

视觉问答

输入文本 · 图像→ 输出文本

价格待核验多模态与渠道费用须分别核对

查看详情 ↗

加入对比来源 / 文档 ↗

Qwen3.8-27B-Uncensored-Cyber-W4A16-AWQ

philbert440

基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。

基础资料已收录 · 缺失资料后续补充

视觉问答

输入文本 · 图像→ 输出文本

价格待核验多模态与渠道费用须分别核对

查看详情 ↗

加入对比来源 / 文档 ↗

Qwen3.8-27B-W4A16-AWQ

philbert440

INT4 weight-only quantization of Qwen/Qwen3.8-27B — **the whole model, nothing stripped**: vision tower intact, MTP speculative-decoding head intact, thinking mode calibrated with real reasoning traces. 55 GB BF16 → **19.5 GB**, which puts a current-generation 27B VLM (with headroom for 32K+ context) on a pair of 32 GB V100s — and it serves on modern GPUs with stock vLLM, no ceremony. Validated end-to-end on **2×V100-32GB under 1Cat-vLLM 1.2.2** (SM70 TurboMind dequant path): coherence, think-tag discipline, image understanding, math, long-form generation, and MTP speculative decoding in both draft modes. **Methodology:** warm serve (2 discarded warmup generations), fixed-length generations via `ignore_eos` so every run produces exactly the stated token count, official Qwen3.8 sampling per mode (thinking `1.0/0.95/20`, instruct `0.7/0.80/20 + presence 1.5`), varied prompts. Reported as mean ± sd tokens/s. Rig: 2×V100-32GB, 1Cat-vLLM 1.2.2, TP2, `fp8_e5m2` KV, `max_num_seqs 4`, MTP K=2.

译文排队中 · 当前显示来源原文

视觉问答

输入文本 · 图像→ 输出文本

价格待核验多模态与渠道费用须分别核对

查看详情 ↗

加入对比来源 / 文档 ↗

COST EXPLORER

好模型，也要算好成本。

费用分析

调整月度 Token 用量，直观比较不同模型的预估 API 开支。

每月输入 Token 10 M每月输出 Token 2 M1 M = 100 万 Token · 美元计价
仅比较同一渠道的基础文本 Token 报价

使用已采集且单位可比的 USD / 百万 Token 渠道报价。报价为采集时快照；不计缓存优惠、阶梯价、推理额外输出与税费，请以来源的当前报价为准。

MODEL HANDBOOK

读懂模型，再做选择

选型与常见问题

API 价格应该怎么比较？+

先区分输入、输出和缓存价格，再使用同一任务和用量估算总费用。图像、音频和视频可能按张、时长或分辨率计费，不能直接与 Token 单价比较。

开放权重，就代表可以免费商用吗？+

不一定。必须逐一核对具体模型版本的许可证、商用限制及使用政策。自己部署还需要考虑显存、推理资源和运维费用。

排行榜第一，就是最适合我的模型吗？+

榜单取决于测试任务、版本与评测方法。建议用实际业务样本比较准确性、时延、稳定性和成本，再选择模型。

找到适合你的 AI 模型。

探索 AI 模型 11

GLM-5.3-Flash-EXL3

Qwen3.6-27B-Uncensored-Cyber-W4A16-AWQ

Qwen3.8-27B-Uncensored-Aggressive

Qwen3.8-27B-Uncensored-Aggressive-GGUF

Qwen3.8-27B-Uncensored-Aggressive-W4A16-AWQ

Qwen3.8-27B-Uncensored-Cyber

Qwen3.8-27B-Uncensored-Cyber-GGUF

Qwen3.8-27B-Uncensored-Cyber-MLX-4bit

Qwen3.8-27B-Uncensored-Cyber-NVFP4

Qwen3.8-27B-Uncensored-Cyber-W4A16-AWQ

Qwen3.8-27B-W4A16-AWQ

暂未找到匹配模型

好模型，也要算好成本。

读懂模型，再做选择

资讯看趋势，工具提效率，模型筑可能。