大模型 API 比价,哪家性价比高:六家主流平台定价全对比,同一模型最高差 4 倍不止

蓝耘云平台免费 Token 获取攻略:让创作成本直线下降 - 极致优化版 本文深度解析蓝耘云平台免费Token政策,通过注册流程演示、资源包管理技巧、算力成本对比及创作案例,揭示其如何降低影视广告创作成本。平台搭载NVIDIA H100 集群(单节点算力5.3PetaFLOPS),提供文本生成(DeepSeek-R1-70B)、视觉渲染(I2V-01-Pro)等12类模型服务,注册即享1100 万Token(永久有效)+1 次视觉模型试用。通过动态算力调度算法,4K渲染成本较竞品降低 42%,支持实时预览与参数调整。文末展望脑机接口、量子计算等前沿技术应用,助力行业创作范式革新。 阅读详情

发布日期:2026-08-19 | 适用人群:独立开发者 / AI 产品团队 / 企业采购 | 数据来源:各平台官网(2026-08-19 实时)

大模型 API 平台是开发者以接口调用方式获取 AI 推理能力的基础服务,价格单位为"每百万 Token(M Token)"。2026 年 Q3,国内六大主流平台的定价策略出现明显分化——DeepSeek 官方引入峰谷双轨计费,最高峰时价格是谷时的 2 倍;硅基流动对同一模型的定价却稳定在更低水平;七牛云同时提供面向开发者的按量计费大模型广场与面向企业的 Token Plan 订阅套餐两条产品线;阿里百炼、火山方舟、月之暗面则各自深耕生态优势。本文基于各平台官网 2026 年 8 月 19 日实时数据,完整呈现六大平台核心模型的输入、输出、缓存命中价格及选型建议。


在这里插入图片描述

什么是大模型 API 平台?

大模型 API 平台是将 AI 模型的推理能力封装为标准 HTTP 接口向外提供的服务层。开发者调用 /chat/completions 端点,传入 prompt,平台路由到实际运行的模型,返回推理结果,并按消耗的 Token 数量计费。

三个核心计费维度:

  • 输入 Token:发送给模型的内容(prompt + 上下文),通常为输出的 1/3–1/2 价格
  • 输出 Token:模型生成的内容,计费通常高于输入
  • 缓存命中 Token:重复前缀通过 KV Cache 命中后享受超低价格,是 RAG、长会话场景的核心成本变量

多数平台与 OpenAI SDK 格式兼容,迁移通常只需修改 base_url 和 api_key。


六大平台定价一览

下表价格来源于各平台官网(元/百万 Token,非第三方整理,数据时效:2026-08-19):

平台代表模型输入(谷时/正常)缓存命中输出(谷时/正常)峰谷机制
DeepSeek 官方V4-Flash1.5 元0.05 元4.5 元✅ 高峰 2 倍
硅基流动DeepSeek-V4-Flash1.00 元0.02 元2.00 元❌
七牛云大模型广场DeepSeek-V4-Flash1.00 元—2.00 元❌
七牛云 Token Plan套餐制(15 款)套餐折算—套餐折算❌
阿里百炼Qwen3-30B-A3B1.00 元—4.00 元❌
火山方舟doubao-seed-evolving6.00 元0.017 元30.00 元❌
月之暗面 KimiKimi K320.00 元2.00 元100.00 元❌

各平台深度解析

1. DeepSeek 官方——峰谷双轨,最低价须选对时段

DeepSeek 官方平台(api-docs.deepseek.com)2026 年引入峰时/空闲双轨计费:高峰时段(北京时间 9:00–12:00 及 14:00–18:00)价格是空闲时段的 2 倍,是六家中唯一有此机制的平台。

官网实时定价(元/百万 Token):

模型时段输入(未命中缓存)缓存命中输出
V4-Flash空闲1.50.054.5
V4-Flash高峰3.00.109.0
V4-Pro空闲4.50.1513.5
V4-Pro高峰9.00.3027.0

关键优势:无中间层,直连延迟最低;原生支持 Responses API 和工具调用;是同账号内模型种类最少但质量最可控的选择。

关键限制:仅有 DeepSeek 自家模型;高峰时段价格翻倍,对预算不可预测的团队是隐患;不适合多模型混用场景。

适合:对延迟极敏感的实时场景、可将任务调度到空闲时段的离线批处理、单一依赖 DeepSeek 模型的稳定生产环境。


2. 硅基流动——同款模型更低价,开源模型全覆盖

硅基流动(siliconflow.cn)是目前国内对同款模型定价显著低于原厂的平台,以 DeepSeek V4-Flash 为例,硅基流动输出价格(2.00 元/M)仅为 DeepSeek 官方空闲时段(4.5 元/M)的 44%,高峰时段(9.0 元/M)的 22%。

官网实时定价(元/百万 Token):

模型输入缓存命中输出
DeepSeek-V4-Flash1.000.022.00
DeepSeek-V4-Pro12.001.0024.00
Qwen3.5-35B-A3B(<128k)0.40—3.20
Qwen3.5-122B-A10B(<128k)0.80—6.40
GLM-5.28.002.0028.00
Kimi-K2.7-Code6.50—27.00
MiniMax-M2.52.10—8.40
GLM-Z1-9B-0414免费—免费

免费资源:GLM-Z1-9B、PaddleOCR-VL-1.5、Hunyuan-MT-7B 等免费模型;新用户注册即得 14 元免费额度,实名后可额外领取 16 元无门槛代金券。

关键优势:Qwen、GLM、Kimi、MiniMax 等主流开源模型一站覆盖,单平台内切换无需换 Key;价格透明度最高,定价页实时同步,无峰谷计费复杂度。

关键限制:无企业级 SLA;高峰期偶发限速;仅覆盖开源模型,部分原厂最新闭源模型不在范围内。

适合:原型验证与快速迭代、预算有限的个人开发者、多开源模型横向对比、需要控制 Token 成本的轻量生产场景。


3. 七牛云——两条产品线,开发者和企业各取所需

七牛云提供两套面向不同用户的 AI API 产品,覆盖从个人开发者到企业团队的全场景需求。

3a. 大模型广场(qiniu.com/ai/models)——开发者按量计费入口

大模型广场是七牛云面向开发者的按量付费入口,覆盖文本、视频、图像多种模态模型,新用户开通赠送 300 万全模型免费额度资源包。

官网实时定价(文本模型,元/百万 Token):

模型输入输出
DeepSeek-V4-Flash1.002.00
DeepSeek-V3.22.003.00
GLM-54.0018.00
Kimi-K320.00100.00
MiniMax-M32.108.40

多模态生成模型(元/秒 或 元/张):

模型价格
Kling-V3 标准无声(视频)0.60 元/秒
Vidu Q3 Turbo 1080p(视频)0.50 元/秒
Kling-V2 文生图(图像)0.10 元/张

关键优势:文本 + 视频 + 图像统一 API Key;DeepSeek V4-Flash 定价(输出 2 元/M)与硅基流动同级、无峰谷计费;视频模型覆盖 Kling 和 Vidu 系列,是除火山方舟外的另一视频生成 API 入口。

适合:需要多模态一站式 API 的开发者;预算有限但需要视频/图像生成能力;希望用免费额度先试用多模型的新用户。

3b. Token Plan(qiniu.com/ai/plan)——企业订阅,多厂商统一 Key

Token Plan 是七牛云面向企业和团队的订阅套餐,解决多模型采购的管理痛点:4 家厂商 · 15 款模型(DeepSeek、Kimi、GLM、MiniMax 系列)统一一个 API Key,切换模型仅需修改 model 字段,兼容 OpenAI 与 Anthropic 接口格式。

官网实时套餐定价(元/月):

套餐月付价格约含积分/月包年最低
Enterprise S2,999 元约 10.7 亿约 1,200 元
Enterprise M4,999 元约 20.8 亿约 2,000 元
Enterprise B9,999 元约 50.0 亿约 4,000 元

积分以 0.004 元/K tokens 为基准按模型刊例价折算消耗;额度按周刷新,未用完积分不结转。

关键差异:几乎无速率限制,支持高并发 Agent 调度;与七牛云对象存储、CDN、音视频处理工作流天然打通。

适合:需要同时调用多家模型的产品团队;高并发企业服务;追求统一账单管理的中大型团队。


4. 阿里百炼——千问全系覆盖,新用户免费起步

阿里百炼(bailian.aliyun.com)以 Qwen3 系列模型为核心,在小参数高性价比模型上定价竞争力突出。

官网实时定价(元/百万 Token):

模型输入输出
Qwen3-235B-A22B4.0016.00
Qwen3-30B-A3B1.004.00
Qwen3-14B1.004.00
Qwen3-8B0.502.00
Qwen3-4B / 1.7B / 0.6B0.301.20

新用户福利:开通即赠超 7,000 万免费 Token;Token Plan 个人版最低 39 元/月起。

适合:阿里云生态开发者;需要小参数量化模型(Qwen3-8B 及以下)的边缘/嵌入式场景;希望免费额度覆盖原型期的新用户。


5. 火山方舟——字节系视觉生成的唯一入口

火山方舟(ark.volcengine.com)在纯文本模型上的价格处于六家中较高水平,但视觉与视频生成模型(Seedance 系列)是目前国内通过统一 API 接入的唯一选项。

官网实时定价(文本模型,元/百万 Token):

模型输入缓存命中输出
doubao-seed-evolving6.000.01730.00
doubao-seed-2.0-pro(0–32k)3.200.6416.00
doubao-seed-2.0-mini0.200.043.00

视频生成定价(元/个,T2V 480p/720p):

模型价格/个
doubao-seedance-2.570.00 元(原价限时)
doubao-seedance-2.046.00 元
doubao-seedance-2.0-mini原价 23.00 元(限时 4 折)
doubao-seedance-1.5-pro16.00 元(有声)

适合:图像/视频 + 文本混合工作流(Seedance 视频无替代);飞书生态企业;字节系产品深度集成场景。


6. 月之暗面 Kimi——标价最高,缓存命中后反转

Kimi K3 是六家中标价最贵的旗舰模型,但缓存命中后输入价格从 20 元/M 降至 2 元/M(降幅 90%),在高缓存命中率场景下实际成本远低于标价。

官网实时定价(Kimi K3,元/百万 Token):

类型价格
输入(未命中缓存)20.00 元
输入(缓存命中)2.00 元
输出100.00 元

关键前提:缓存命中率越高,性价比越高。对于每轮对话携带固定 5,000 token 系统提示、缓存命中率达 80% 的 RAG 场景,实际平均输入成本约 5.6 元/M,远低于 20 元标价。若缓存命中率低(如多轮新话题对话),则成本压力极大。

适合:超长文档处理(法律合同、研究报告);固定系统提示的 RAG 知识库;缓存命中率可预测为 70% 以上的场景。不适合:多轮 Agent 工作流(每轮输出成本 100 元/M 过高)。


在这里插入图片描述

按场景快速选型

场景推荐平台核心理由
单模型大量调用,成本最低硅基流动 / 七牛云大模型广场V4-Flash 输出均为 2 元/M,无峰谷波动
多模型并用,统一管理七牛云 AI Token Plan单 Key 接入 4 家 15 款,无速率限制,包年 4 折
视频+图像+文本一站 API七牛云大模型广场Kling/Vidu 视频 + 文本统一 Key,新用户 300 万免费额度
阿里千问系列,小参数量化阿里百炼Qwen3-8B 输出 2 元/M;新用户 7,000 万免费 Token
字节系视频生成火山方舟Seedance 系列无可替代
超长文档高缓存场景月之暗面 Kimi缓存命中后输入降 90%,至 2 元/M
极低预算原型验证各平台免费额度七牛云 300 万 + 百炼 7,000 万 + 硅基流动约 30 元代金券
高并发企业,要求稳定 SLA七牛云 Enterprise M/B几乎无速率限制,包年最低约 2,000 元/月

FAQ

Q:DeepSeek 官方和硅基流动的 DeepSeek V4-Flash 是同一个模型吗?
是同一个模型,但官网价格不同。DeepSeek 官方空闲时段输出 4.5 元/M,高峰时段 9.0 元/M;硅基流动同款固定为 2.00 元/M,无峰谷机制。价格差异来自平台的不同商业策略——硅基流动作为推理平台,通过规模化部署压缩成本并给出更低定价。

Q:缓存命中对实际账单的影响有多大?
以 DeepSeek V4-Flash(官方空闲)为例,未命中缓存输入 1.5 元/M,命中后 0.05 元/M,差距 30 倍。一个带 2,000 token 系统提示、每天发起 10,000 次调用的 Agent,若缓存命中率从 0 提升至 80%,月均输入成本可从约 900 元降至约 180 元。缓存命中是影响实际账单最大的隐性变量。

Q:七牛云 Token Plan 的"积分"怎么理解?
积分以 0.004 元/K tokens 为基准,不同模型按其刊例价折算系数后消耗积分。简单理解:调用高价模型(如 Kimi K3)消耗积分更快,调用低价模型(如 DeepSeek V4-Flash)更省。积分按周刷新,不结转——适合用量稳定的场景,不适合月度用量波动极大的团队。

Q:为什么 DeepSeek 官方价格比很多第三方平台贵?
DeepSeek 官方 2026 年调整了计费结构,引入峰谷价格机制,高峰时段价格上调。部分第三方推理平台(如硅基流动)通过规模化算力采购锁定了更低的推理成本,并以固定价格对外提供服务。两种渠道各有权衡:官方直连延迟更低、功能迭代最快;第三方价格更稳定但中间层可能带来微小延迟差异。

Q:个人开发者如何零成本试遍多家平台?
依次消耗:① 阿里百炼开通即赠超 7,000 万免费 Token;② 硅基流动注册 14 元 + 实名 16 元代金券(合计约 30 元等值额度);③ 火山方舟视觉模型有限免费额度。合计可覆盖大多数原型项目的完整验证周期,无需任何付费。


结语

2026 年 Q3 国内大模型 API 市场已从"统一低价"进入"分层分策"阶段。DeepSeek 官方引入峰谷计费,使"同一模型在不同时段价格翻倍"成为现实,反而为硅基流动等固定定价平台提供了竞争空间。七牛云 AI Token Plan 以多厂商统一 Key 和无速率限制面向企业,解决的是管理成本而非单价竞争。阿里百炼和火山方舟依托生态优势各守一方,月之暗面的价值则高度依赖缓存命中率——选错场景就是最贵的选项,选对了反而低于平均水平。选型的本质是:先确认自己的核心用量模型,再计算峰值时段占比,最后对比套餐 vs 按量的临界点。

数据来源(均为官网直抓,2026-08-19):

  • DeepSeek 官方定价:api-docs.deepseek.com/zh-cn/quick_start/pricing
  • 硅基流动定价:siliconflow.cn/pricing
  • 七牛云 Token Plan:qiniu.com/ai/plan
  • 阿里百炼定价:help.aliyun.com/zh/model-studio/billing-for-model-studio
  • 火山方舟定价:volcengine.com/docs/82379/1544106(通过 Chrome CDP 渲染抓取)
  • 月之暗面 Kimi K3 定价:platform.kimi.com/docs/pricing/chat-k3

价格随平台政策随时调整,购买前请以各官网最新定价为准。

2026年国产大模型API价格实测对比:DeepSeek、通义千问、智谱GLM、MiniMax,到底谁最省钱? 需要塞进几万字甚至整本书,上下文长度是关键。推荐模型上下文输入价理由1M¥1.011M上下文最便宜智谱 GLM-5.21M¥8贵但长文本理解能力强通义 qwen3.7-max1M¥6(5折)1M上下文,限时折扣维度通义 qwen3-max智谱 GLM-5.2智谱 GLM-4.7-Flash输入价¥1.01¥2.5¥8免费输出价¥2.02¥10¥28免费上下文1M256K1M200K缓存优化✅ 命中省98%✅✅Batch半价✅✅。 阅读详情

相关推荐

某盾blackBox逆向——纯算

某盾blackBox逆向——纯算

Lzyydsb的博客 5900

国内Token Plan性价比排行:2026年10月个人编程与企业API怎么选

发布日期:2026-10-16国内 Token Plan 是模型厂商和云平台提供的预付费模型使用计划,按月费、积分或调用额度管理用量。根据各平台截至2026年10月16日的官方页面,本次纳入比较的六家个人套餐中,腾讯云39元/月、火山方舟40元/月的常规入门支出较低;短期体验另看活动资格和持续时间。企业业务接口则要比较用途授权、模型范围、实际额度利用率与合同服务条件,七牛云最低1.2折也有包年、参与模型和闲时时段限制。下面按月付门槛排名,再把额度规则与采购成本放回具体场景。

aidoudoulong的博客 697

Godot 4.x 实现 JRPG 回合制战斗系统:架构、状态机与实战优化

游戏开发中,状态机是管理复杂逻辑流转的核心设计模式,尤其在回合制战斗这类事件驱动的场景中。其原理是通过定义有限的状态和明确的转移条件,来控制系统在不同阶段的行为,从而实现清晰、可维护的流程控制。这项技术的价值在于能够将杂乱的条件判断代码结构化,降低模块间的耦合度,提升代码的可读性和可扩展性。在游戏开发领域,状态机广泛应用于角色AI、UI流程、战斗系统等场景。本文以Godot引擎为例,深入探讨如何运用节点与信号驱动架构,构建一个健壮的JRPG(日式角色扮演游戏)回合制战斗系统。内容涵盖从核心的**状态机**设

weixin_33749242的博客 502

2026 大模型 API 定价全景图:DeepSeek、豆包、Qwen、GLM、MiniMax、Kimi、Claude、Gemini、GPT 谁最便宜?

随着大模型竞争进入"成本大战"阶段,本文汇总了国内外主流AI模型的API定价策略。国产模型中,DeepSeek V4系列性价比突出,特别是缓存命中场景下输入成本低至0.02元/百万Tokens;字节豆包采用上下文长度分档计费,适合不同规模应用;阿里通义和智谱GLM在长上下文和企业场景有优势。国际方面,Anthropic Claude的Prompt Cache商业化最成熟,提供多级缓存计费;Google Gemini和OpenAI GPT系列则按不同模型版本和上下文长度差异化定价。整体来看,企业选型需综合考虑

清风徐来 5061

Vertx之Grpc消息发送

介绍 Vert.x gRPC 模块,它将 Google gRPC 的编程风格与 Vert.x 风格保持一致. gRPC 是一个高性能、开源、通用的RPC框架,是一种进程间通讯技术,由Google推出,基于HTTP2协议标准设计开发,默认采用Protocol Buffers数据序列化协议,支持多种开发语言。gRPC提供了一种简单的方法来精确的定义服务,并且为客户端和服务端自动生成可靠的功能库。 在gRPC客户端可以直接调用不同服务器上的远程程序,使用姿势看起来就像调用本地程序一样,轻松的实现远端服务的连接、

Lance 1190

杰理 JL701N/JL703N USB MIDI 使用教程

摘要:本教程介绍如何在杰理JL701N/JL703N音箱的可视化SDK中配置USB MIDI功能。主要步骤包括:1)启用PC模式;2)修改SDK宏定义启用USB MIDI;3)实现MIDI数据接收处理逻辑;4)调用接口发送MIDI数据;5)使用MIDI-OX测试功能。针对低版本SDK可能出现的设备识别问题,提供了在midi.c文件中添加特定代码行的解决方案。使用前需确保SDK版本达标,并注意备份原始文件。

qq_42014563的博客 1269

企业 Token Plan 哪家划算?六大平台横评,选错一年多花几万

发布日期:2026-07-22 | 话题标签:企业 AI 采购、Token Plan、大模型订阅、成本优化2026 年国内主流大模型平台都已推出面向企业的 Token Plan 订阅套餐,统一的逻辑是:预付买额度,比按量计费便宜 50%–80%。但各家的计费单位、刷新机制、团队管理能力差异很大——同样月付五千块,在不同平台能买到的实际用量差了将近三倍。本文把六家主流平台的企业套餐拆开来比,帮你在采购前算清楚这笔账。

aidoudoulong的博客 1891

已解决pywin32使用报错ImportError: DLL load failed while importing pywintypes: 找不到指定的模块。

已解决在安装pywin32库后import 引入win32com.client后,报错mod = importlib.util.module_from_spec(spec) ImportError: DLL load failed while importing pywintypes: 找不到指定的模块。

c1007857613的专栏 7046

盘点大模型中转 API 平台,并比较费用

盘点大模型中转 API 平台,并比较费用

weixin_40378209的博客 2万+

【以太网硬件一】802.3xx标准怎么这么多?它们有什么关系?

IEEE 802.3标准发展历史简介

highman110的博客 5019

ROS机器人未知环境自主探索功能包explore_lite最全源码详细解析(二)

本系列文章主要针对ROS机器人常使用的未知环境自主探索功能包explore_lite展开全源码的详细解析,并进行概括总结。 本系列文章共包含六篇文章,前五篇文章主要介绍explore_lite功能包中 explore.cpp、costmap_tools.h、frontier_search.cpp、costmap_client.cpp等源码实现文件中全部函数的详细介绍,第六篇文章进行概括总结,包含自主探索功能包explore_lite的简介,实现未知环境自主探索功能的原理及流程总结,效果演示,使用功能包exp

慕羽★的博客 1648

国内外各ChatGPT类语言大模型API价格汇总, 对比,ChatGPT/Gmini/PaLM/Clude/Ernie/ChatGLM/千问/混元/星火/Minimax/百川

2023年,国内外的IT公司大都发布了自己的类ChatGPT语言大模型,有种“百模大战”的味道。 至2024.01.01, 收录的有, ChatGPT/Gmini/PaLM/Clude/Ernie/ChatGLM/Qwen/Hunyuan/星火/Minimax/Baichuan

大漠帝国的博客 1万+

基于Python的异步爬虫实战:高效抓取同花顺概念板块数据

本文将详细介绍如何使用Python最新异步爬虫技术(requests-html+aiohttp+selenium)高效抓取同花顺概念板块数据。内容涵盖:反爬机制破解、动态页面渲染处理、数据解析存储等完整流程,并提供可复用的高性能爬虫代码实现。高性能:异步并发处理,QPS可达50+高可用:完善的异常处理机制可扩展:支持分布式部署增加历史数据回溯功能集成机器学习识别验证码构建实时数据推送系统。

2201_76125261的博客 1538

大模型api谁家更便宜

GPT-4o mini 使用费用是0.15美元/1M 输入token, 0.6美元/1M 输出token,大约是GPT-4o的1/30, 性价比很高。ERNIE-4.0-Turbo-8K,使用费用是30元/1M 输入token, 60元/1M 输出token。GPT-4o 使用费用是5美元/1M 输入token, 15美元/1M 输出token,需要注意,百度千帆平台上还提供其他家的模型调用服务, 如llama, yi-34b等。拿最新的旗舰模型来看,

3489

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

2026年大模型API平台横评:DeepSeek/Claude哪家便宜?4家真实定价对比(附选型指南)

国内接大模型 API,渠道选错价格差数倍。本文整理4家主流平台2026年4月真实定价,直接看对比表。

cyf5918的博客 3730

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

2B AI Agent 做到什么程度算是成功?

2B AI Agent 做到什么程度算是成功?

Java癫疯的博客 1012

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

大模型 API 比价:六家主流平台定价全对比,TaoToken 统一 Key 怎么算清同一模型 4 倍价差

用同一批请求实测六家大模型 API 定价,拆解峰谷、缓存、输出占比与套餐折算四类计费口径,附可复制比价表模板与批量脚本。通过 TaoToken 统一 Key 切换模型对照账单,算清同一模型 4 倍价差,官网 https://taotoken.net/?utm_source=taotoken_aicg_blog_end 可查模型清单。

weixin_35755823的博客 61

AI接口成本讨论之 DeepSeek 3.2 官方 API vs 硅基流动价格对比,2000 万 Tokens哪个更便宜?

看似只是几块钱的差别,但一旦跑的是百万 / 千万级 Tokens,成本差距就会被无限放大。 我这篇文章就用**最直观的方式**,把价格给你算清楚。

代码简单说 Vue、JAVA、PHP、Node.js 熟练运用,接口、架构、性能全搞定。 5586

智谱、百川、通义API调用实测:哪家每百万token最低?结果出人意料

帮你选最划算的AI API!基于真实调用数据,深度对比智谱/百川/通义API对比:调用成本实测,覆盖文本生成、响应速度与价格结构。适用于企业降本与开发者选型,结果出人意料,值得收藏。

CompiTide的博客 1737

【AI 大模型】国内各平台 AI 大模型 Token Plan 价格 对比分析 ( 各平台 Token 套餐折合大模型百万 Token 价格 | 火山方舟 Token 套餐最便宜 | 选择策略 )

本文将腾讯云、火山方舟、千问AI、百度千帆四家云平台的AI Agent计费单位统一折算为“元/百万token”,基于高峰时段、4:1输入输出比、不计缓存的保守口径,对比各平台Token Plan实际单价。结果显示,腾讯云部分模型价格与原厂一致,DeepSeek-V4.1-Pro高峰价略高;千问、火山、千帆则因计费单位差异需谨慎比价。报告仅涵盖Token订阅包,排除软件订阅套餐,确保数据可比性,助力研发团队理性选择成本最优方案。

让 学习 成为一种 习惯 ( 韩曙亮 の 技术博客 ) 3335

国内外大模型哪个最便宜?智谱赢了!

模型版本价格GPT3.5-4kGPT3.5-16kGPT4-8kgpt-4GPT4-32kgpt-4-32kPaLM-2PaLM-2claude-2claude-2claude-2讯飞星火SparkDesk360智脑360智脑通义千问qwen-v1通义千问文心千帆ERNIE-Bot文心千帆智谱chatglm智谱chatglm智谱chatglm模型版本价格文心千帆通义千问llm哪个最便宜?还是chatglm。

baidu_34494541的博客 6932

AI主流大模型介绍和API价格比较

最佳性价比次佳性价比预算有限: GPT-3.5 Turbo 和 Gemini Pro高性能需求: GPT-4o 和 GPT-4 Turbo顶级性能: Claude 3 Opus 和 GPT-4开源模型(如 LLaMA 2 和 Mistral)在价格上具有绝对优势,但需要自行部署和维护,适合有技术能力的团队。

oscar999的专栏 6310

使用 ollama 部署本地模型,零基础入门到精通,非常详细收藏我这一篇就够了

在本地启动并运行大型语言模型。运行Llama 2,Code Llama和其他模型。自定义并创建您自己的。

m0_65555479的博客 3737

2025国内大模型API价格和核心性能:通义千问-Max对比腾讯混元

本文对国内两大AI模型通义千问-Max和Hunyuan Lite进行了详细对比,涵盖产品优势、模型信息、价格及技术参数等28项关键信息。通义千问-Max在数学和编程等单项能力上表现突出,支持多模态输入和流式输出,适合实时响应场景;Hunyuan Lite则在上文长度和文档理解能力上更具优势,适合复杂文本处理。价格方面,通义千问-Max更具成本优势,而Hunyuan Lite提供更长的免费试用期。核心性能上,通义千问-Max生成速度更快,适合大规模文本生成;Hunyuan Lite在短文本生成中表现优异。用户

Explinks的博客 2888

1元能买多少AI Token?主流大模型API价格全对比

AI API没有想象中贵。算清楚Token的换算,选对模型,用对平台,日常使用的成本其实非常低。轻量任务用轻量模型,重要任务用旗舰模型,全部通过聚合平台调用。📌友情提示:给大家推荐一个稳定运营多年的AI聚合API站点,可搜索ViVaAPI,一个API Key接入 600 + 主流 AI 模型,便宜又稳定。

hj412752195的博客 1万+
上一篇: Kimi K3 选型别光看价格,这几个维度更值得看
下一篇: Coding Agent API 全平台盘点:四大类别、16 家主流平台到底怎么选
vibecoding77
博客等级 码龄139天 12粉丝 79原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值