Kebanyakan senarai “model terbuka terbaik untuk pengekodan” menyusun model mengikut skor penanda aras. Itu membantu anda memilih keluarga model. Ia tidak memberitahu model mana yang akan berfungsi dalam ejen anda, melalui penyedia anda, pada kos yang mampu anda tanggung. Catatan ini menyempitkan pilihan kepada empat model chat yang disediakan oleh BroadNet Inference dan memilih berdasarkan empat ujian praktikal: panggilan alat, konteks, penaakulan dan kos setiap tugas. Kami tidak menerbitkan skor penanda aras di sini; kami hanya menggunakan apa yang dinyatakan dalam dokumentasi dan fail harga BroadNet.
Model manakah yang menjadi pilihan?
| Model | ID | Konteks | Alat disenaraikan | Input imej | Menaakul dahulu |
|---|---|---|---|---|---|
| GLM 5.3 | broadnet/glm-5.3 |
1,048,576 | Ya | Tidak | Ya |
| DeepSeek V4.1 Flash | broadnet/deepseek-v4.1-flash |
1,048,576 | Tidak disenaraikan | Ya | Ya |
| Qwen3.8 27B | broadnet/qwen3.8-27b |
262,144 | Ya | Ya | Ya |
| Gemma 4 VL 26B | broadnet/gemma-4-26b-a4b |
32,768 | Tidak disenaraikan | Ya | Tidak disenaraikan |
Keempat-empatnya ialah model open-weight yang disediakan melalui satu API serasi OpenAI di https://inference.broadnet.ai/v1, jadi bertukar hanyalah perubahan satu baris dalam tetapan ejen anda.
Ujian 1: adakah ejen anda memerlukan panggilan alat asli?
Inilah soalan yang menentukan model mana yang layak atau tidak. Panggilan alat ialah cara ejen meminta mesin anda membaca fail, menjalankan arahan atau menggunakan suntingan. Ejen menggunakannya dalam tiga cara berbeza:
- Panggilan alat asli. Ejen menghantar senarai
toolsdan menjangkatool_callsdikembalikan. Dokumentasi Roo Code (projek itu ditutup pada 15 Mei 2026; fork-nya Zoo Code meneruskannya) menyatakan panggilan alat asli ialah “the only supported tool protocol” (Terjemahan: satu-satunya protokol alat yang disokong), tanpa sandaran XML. Rujukan konfigurasi Continue menyatakan keupayaantool_useadalah “required for Agent mode” (Terjemahan: diperlukan untuk mod Agent). opencode juga bekerja melalui panggilan alat API. - Alat yang diterangkan dalam prompt. Cline beralih kepada panggilan alat asli dalam v3.35 untuk senarai penyedia tertentu dan model terkehadapan; catatan keluarannya menyatakan model lain “continue using the text-based approach” (Terjemahan: terus menggunakan pendekatan berasaskan teks). Model masih perlu mengikut format alat yang ketat, jadi kualiti mematuhi alat itu penting.
- Format suntingan teks. Aider meminta model mengembalikan suntingan sebagai teks: fail penuh, blok cari/ganti atau diff bersatu, menurut dokumentasi format suntingannya. Ia tidak bergantung pada medan panggilan alat API. Pilihan model untuk Aider ada dalam LLM terbaik untuk Aider.
Jadi peraturan pertama mudah. Untuk ejen yang dipacu alat seperti opencode, mod Agent Continue atau Zoo Code, gunakan model yang disenaraikan BroadNet dengan alat: GLM 5.3 atau Qwen3.8 27B. Cline lebih toleran, tetapi dua model yang sama tetap permulaan yang lebih selamat. Untuk Aider, mana-mana model berkonteks besar berfungsi, termasuk DeepSeek V4.1 Flash. Jika anda mahukan DeepSeek V4.1 Flash dalam ejen yang dipacu alat, jalankan tugas sebenar padanya dahulu. Panggilan alat yang gagal biasanya muncul dalam dua atau tiga langkah pertama.
Ujian 2: adakah konteksnya cukup besar?
Tetingkap konteks ejen penuh lebih cepat daripada jangkaan. Sebelum membaca sebarang kod, permintaan sudah membawa prompt sistem, skema alat dan perbualan setakat ini. Kemudian datang bacaan fail dan output arahan. Pecahan bajet token ejen kami menunjukkan ke mana ia pergi, dan kalkulator tetingkap konteks menyemak sama ada fail anda muat.
- 1,048,576 token (GLM 5.3, DeepSeek V4.1 Flash): sesi panjang pada repositori bersaiz sederhana tanpa pemangkasan agresif.
- 262,144 token (Qwen3.8 27B): baik untuk tugas yang fokus; sesi panjang memerlukan ringkasan atau peta repo yang lebih kecil.
- 32,768 token (Gemma 4 VL 26B): terlalu kecil untuk kebanyakan gelung ejen. Gunakannya untuk menguji persediaan dengan kredit permulaan $5.
Tetapkan saiz konteks dalam tetapan model ejen sendiri. Ejen tidak dapat mengesannya untuk ID model tersuai, dan sesetengahnya mengandaikan nilai lalai yang salah untuk model anda.
Ujian 3: berapakah kos satu tugas?
Ejen membaca jauh lebih banyak daripada yang ditulisnya, dan kebanyakan yang dibaca berulang daripada giliran sebelumnya. Ini menjadikan harga input dan input cache lebih penting daripada harga output. Berikut satu bentuk tugas: 40 panggilan model dengan purata 30,000 token input dan 1,000 token output setiap satu, dengan 80% input diambil daripada cache.
| Setiap tugas | Token | DeepSeek V4.1 Flash | GLM 5.3 | Qwen3.8 27B |
|---|---|---|---|---|
| Input baharu | 0.24M | $0.175 / 1M | $0.78 / 1M | $0.175 / 1M |
| Input cache | 0.96M | $0.0055 / 1M | $0.173 / 1M | $0.0435 / 1M |
| Output, termasuk penaakulan | 0.04M | $0.52 / 1M | $3.46 / 1M | $2.17 / 1M |
Darabkan setiap baris dan jumlahkan. Pada harga yang diselaraskan pada 2026-11-14, tugas ini berkos kira-kira 7 kali ganda lebih tinggi pada GLM 5.3 dan kira-kira 2.5 kali ganda lebih tinggi pada Qwen3.8 27B berbanding DeepSeek V4.1 Flash. Nisbah anda sendiri bergantung pada kadar cache anda dan berapa banyak model itu menaakul, jadi ukurlah. Masukkan bilangan token anda sendiri ke dalam kalkulator kos API LLM, atau bandingkan model bersebelahan dalam DeepSeek V4.1 Flash vs GLM 5.3 dan GLM 5.3 vs Qwen3.8 27B.
Pada pelan tanpa had, DeepSeek V4.1 Flash tiada meter token: $60 sebulan bagi setiap sesi, satu permintaan pada satu masa. Untuk ejen yang berjalan hampir sepanjang hari, ini biasanya mengatasi mana-mana harga setiap token. Pada 80% cache hit, kiraan pulang modal meletakkan garisannya pada kira-kira 917 juta token input dan 46 juta token output sebulan.
Ujian 4: berapa banyak model itu berfikir?
Ketiga-tiga model besar membuat penaakulan sebelum menjawab, dan penaakulan dikira dalam max_tokens. Dalam ejen, ini menyebabkan dua masalah: balasan kosong apabila had output kecil, dan bil output lebih tinggi pada bayar ikut guna. Berikan setiap panggilan beberapa ribu token output dan tetapkan reasoning_effort kepada low untuk langkah rutin seperti membaca fail. Mengapa model penaakulan mengembalikan jawapan kosong.
Jadi, yang mana patut anda pilih?
- opencode, mod Agent Continue, Cline, Zoo Code atau gelung alat anda sendiri: GLM 5.3. Alat disenaraikan, konteks 1M, harga setiap token tertinggi antara empat model.
- Aider, atau mana-mana ejen yang berjalan lama di mana bil paling penting: DeepSeek V4.1 Flash, sebaik-baiknya pada pelan tanpa had.
- Ejen yang membaca tangkapan skrin atau bekerja dalam bahasa Arab: Qwen3.8 27B, dengan alat dan input imej; halaman harga BroadNet menyatakan ia telah diuji dalam bahasa Arab.
- Ujian pertama dengan kredit permulaan $5: Gemma 4 VL 26B, kemudian naik taraf.
Anda juga boleh mencampurkannya. Cline, contohnya, mempunyai tetapan untuk menggunakan model berbeza bagi mod Plan dan Act. Langkah persediaan bagi setiap ejen ada dalam hab model terbuka dalam ejen pengekodan kami, dan perbandingan ciri dalam Cline vs Roo Code vs Aider.
Kedudukan BroadNet Inference
BroadNet Inference menyediakan empat model ini di bawah pengekalan data sifar, dengan satu kunci API. Penyata privasi BroadNet menyatakan model open-weight yang dihoskan berjalan pada perkakasan di AS yang dimiliki atau disewa BroadNet, dan model yang disediakan rakan kongsi seperti DeepSeek V4.1 Flash berjalan bersama rakan inferens di AS. Ia sesuai untuk pasukan yang mahukan model terbuka berkonteks 1M token untuk ejen, dan bil tetap untuk DeepSeek V4.1 Flash. Ia tidak sesuai jika anda memerlukan model tertentu yang tidak disediakannya, alat yang dihoskan penyedia seperti carian web, atau skor penanda aras yang diterbitkan untuk membandingkan model; jalankan ujian peringkat tugas anda sendiri. Anda boleh mencuba mana-mana model pada kunci bayar ikut guna atau membeli satu jam Meteor pada $1 di halaman pelan.
