參考
選擇模型
日常聊天、長上下文、推理和免費使用的模型選擇指南。
新聊天預設使用 0.3× 的 DeepSeek V4 Flash。等你有具體的理由再切換——更大的上下文視窗、圖片、看得到的推理過程,或更低的花費。完整的模型陣容和確切數字請見模型。
依需求挑選
| 你想要 | 使用 | 費用 | 取捨 |
|---|---|---|---|
| 適合角色扮演的預設選擇 | DeepSeek V4 Flash | 0.3× | 沒有——比它便宜的模型都不支援插件或世界書檢索 |
| 同樣價格、更大的視窗 | MiMo V2.5 | 0.3× | 262,144 個 Token,而不是 163,840 個 |
| 完全不花錢 | Llama 3.1 8B | 0× | 每 3 小時 15 則訊息,而且不支援插件、世界書檢索或寫入記憶。免費模型 |
| 非常長的聊天,或很大的世界書 | GLM 5.3 Flash | 0.5× | 1,048,576 個 Token,但推理始終開啟,無法關閉 |
| 百萬 Token 視窗,又不想被迫推理 | DeepSeek V4.1 Flash | 0.7× | 比 GLM 5.3 Flash 稍貴一些 |
| 讓模型讀取你附加的圖片 | GLM 5.3 Flash(0.5×)、DeepSeek V4.1 Flash(0.7×)或 Gemini 3 Flash Preview(1.2×) | 0.5×–1.2× | Gemini 3 Flash Preview 需要訂閱 |
| 看模型思考 | 任何標示為可選的模型,並開啟推理 | 不變 | 思考 Token 和回覆 Token 一樣計費 |
| 永遠不會關閉的推理 | DeepSeek R1 | 1.0× | 不支援工具:沒有插件、世界書檢索或寫入記憶 |
| 進階等級 | Gemini 3 Flash Preview(1.2×)或 GLM 5(1.3×) | 1.2×–1.3× | 需要有效的訂閱 |
大型上下文視窗不是付費功能:有兩個基本等級的模型就能容納一百萬個 Token。
一輪實際的花費
每一輪都是依送出的所有內容加上回覆來計費。一段已經進行一陣子的聊天——角色卡、人設、世界書條目、歷史紀錄,再加上一則完整回覆——平均約 8,000 個 Token:
| 倍率 | 模型 | 8,000 Token 一輪的點數 |
|---|---|---|
| 0× | Llama 3.1 8B | 0 |
| 0.3× | DeepSeek V4 Flash、MiMo V2.5 | 約 2,400 |
| 0.5× | DeepSeek V3.2、GLM 5.3 Flash | 約 4,000 |
| 0.7× | DeepSeek V4.1 Flash、DeepSeek V4 Pro | 約 5,600 |
| 1.0× | DeepSeek R1、GLM 4.7 | 約 8,000 |
| 1.2× | Gemini 3 Flash Preview | 約 9,600 |
| 1.3× | GLM 5 | 約 10,400 |
換算一下:Pro 方案每月的 2,600,000 點,在預設模型上大約可以聊 1,000 輪,在 GLM 5 上則約 250 輪。聊天初期的短訊息花費遠低於此;這個數字會隨著歷史紀錄累積而增加。點數
看懂選擇器上的統計資料
選擇 AI 模型會在每個模型旁邊顯示社群資料。這是產品中唯一的品質指標——Reverie 不會發布自己的排名。
| 指標 | 顯示方式 | 代表的意思 | 出現條件 |
|---|---|---|---|
| 品質 | <n>% preferred | 盲測並排比較中選擇這個模型的比例 | 累積 30 次分出勝負的比較後 |
| 可信度 | 1–5 | 這個百分比背後有多少資料支撐 | — |
| 正面對決 | Head-to-head (<n>) | 這個模型對上某個特定模型的戰績 | 這組模型累積 5 次比較後 |
| 按讚率 | 一個百分比 | 回覆獲得讚而非倒讚的比例 | 累積 3 則被評價的回覆後 |
| 速度 | TTFT <time> · <rate> tok/s | 產生第一個 Token 的時間,以及每秒產生的 Token 數 | — |
在達到這些門檻之前,選擇器會顯示資料收集中、尚無資料或剛推出,而不是數字。樣本少的模型並不代表比較差——只是比較新。
比較資料來自在聊天中針對你的第一則訊息提供兩則回覆的卡片;你保留哪一則,就會被記錄為一票。比較兩則回覆。按讚率則來自個別回覆上的讚和倒讚。
換模型不一定能解決問題
回覆長度、敘事風格和節奏是設定,不是模型的特性。在為每一輪多付錢之前,可以先試試側邊面板中的設定 → 回覆與生成做長期調整,或用斜線指令只調整單一輪。長聊天中的重複和偏離通常是上下文的問題——更大的視窗或整理得更好的記憶,會比更貴的模型更有幫助。