OrcaCyber Nano 1.0: ตัวแรกจาก 21 บนบอร์ดที่ไม่มีผู้ตัดสินอยู่ในนั้น

OrcaCyber Nano 1.0 — บิลด์ 27B Mix-13G ขนาด 13.0 GB บนดิสก์ — ครองอันดับหนึ่งของลีดเดอร์บอร์ด 21 โมเดลสำหรับ GPU 16 GB ด้วยคะแนน 89.8 จาก 100 ที่ 60 โทเคนต่อวินาที บน Tesla V100 ตัวเดียว ลีดเดอร์บอร์ดนี้ดำเนินการโดยรีโพซิทอรี GitHub ของบุคคลที่สาม ไม่ใช่โดยเรา ระบบให้คะแนนทุกคำตอบด้วยโค้ดแทนการใช้ LLM เป็นผู้ตัดสิน และสิ่งสำคัญประการที่สองที่ควรพูดถึงคือสิ่งที่ผู้จำหน่ายมักไม่กล่าวถึง: OrcaCyber Nano 1.0 ไม่ใช่โมเดลที่เร็วที่สุดบนลีดเดอร์บอร์ดนั้น MiniCPM-V 4.7 ทำความเร็วได้ 93.4 โทเคนต่อวินาทีที่นั่น Nano ชนะด้วยค่าเฉลี่ยจากเจ็ดหมวดหมู่ ไม่ใช่ด้วยความเร็ว และคู่แข่งที่ใกล้ที่สุดสองราย — Qwen3.8-27B ในควอนไทเซชันชุมชนสองแบบที่แตกต่างกัน — ตามหลังอยู่ 1.2 และ 1.4 คะแนน

ต่อไปนี้คือการอ่านผลการประเมินดังกล่าวตามที่คลังเก็บข้อมูลเผยแพร่เมื่อวันที่ 2026-10-19 รวมถึงข้อมูลเมทาดาทาที่โมเดลเผยแพร่เองจากวันที่ 2026-10-19 หากตัวเลขใดมาจากประกาศของ OrcaRouter เองแทนที่จะมาจากกระดานจัดอันดับของบุคคลที่สาม ประโยคจะระบุไว้ ไม่มีสิ่งใดด้านล่างนี้ที่เราได้รันซ้ำ

คณะกรรมการ และใครเป็นผู้บริหารจัดการ

รีโพซิทอรี V100-LLMนี้รวบรวม GUI ชุดเอนจินสำหรับการอนุมาน และชุดทดสอบการให้คะแนนสำหรับรันโมเดลโลคัลบนการ์ด NVIDIA Tesla V100 16 GB หนึ่งใบภายใต้ Windows การเลือกโมเดล พรีเซ็ต และเอนจิน การดาวน์โหลดส่วนที่ยังขาด การแชตด้วยภาพ และการดูโทเคนต่อวินาทีแบบสด ๆ ทั้งหมดเกิดขึ้นใน GUI นั้น ชุดทดสอบการให้คะแนนคือส่วนที่สร้างอันดับ และรีโพซิทอรีเผยแพร่ชุดทดสอบทั้งหมดควบคู่กับคะแนน ซึ่งผิดปกติพอที่จะคุ้มค่ากับย่อหน้านี้

ชุดทดสอบแรกของบอร์ดง่ายเกินไป รีโปบอกไว้ตรง ๆ ว่าโมเดลส่วนใหญ่ได้คะแนนระหว่าง 90 ถึง 100 ในเวอร์ชันหนึ่ง ซึ่งหมายความว่ามันแยกโมเดลเหล่านั้นออกจากกันไม่ได้ และผลลัพธ์เก่าเหล่านั้นยังอยู่ในรีโปให้ใครก็ตามที่อยากเห็นความล้มเหลว เวอร์ชันสอง — ชุดทดสอบยาก — ถูกออกแบบมาเพื่อไม่ให้โมเดลระดับ 16 GB ตัวใดทำได้ถูกทุกข้อ โดยมี 72 งานในเจ็ดหมวดหมู่:

• การเขียนโค้ด 16 งาน — ตัวแยกวิเคราะห์นิพจน์โดยไม่ใช้ eval, การจับคู่ regex, Dijkstra พร้อมการตัดสินกรณีเสมอกัน, แคช LRU พร้อม TTL, การเรียงลำดับแบบทอพอโลยี, ระยะทางแก้ไข, เลขโรมัน, ซูโดกุ, knapsack, เมทริกซ์ก้นหอย, ตัวย่อ JSON ให้สั้นที่สุด ให้คะแนนโดยการทดสอบระดับหน่วยสำหรับกรณีขอบที่ซ่อนอยู่ ซึ่งรันกับโค้ดที่สร้างขึ้นในแซนด์บ็อกซ์ที่มีการจำกัดเวลา

• การให้เหตุผล, 20 ข้อ — คณิตศาสตร์หลายขั้นตอน ตรรกะ วันที่ คอมบินาทอริกส์ และโจทย์ปัญหา คำตอบที่ถูกต้องต้องปรากฏในบรรทัดสุดท้าย

• คำสั่ง 12 งาน — กฎสามถึงห้ากฎในคราวเดียว: จำนวนคำ ตัวอักษรที่ห้ามใช้ รูปแบบที่แน่นอน การเรียงลำดับ และโครงสร้าง JSON ทุกกฎของงานต้องเป็นจริง ไม่ใช่แค่ส่วนใหญ่

• การค้นหาเว็บ, 8 งาน — คำถามแบบหลายขั้นที่คุณค้นหา อ่านผลลัพธ์ ค้นหาอีกครั้งด้วยสิ่งที่พบ และบางครั้งคำนวณด้วยเครื่องคิดเลขเป็นเครื่องมือ. ให้คะแนนจากคำตอบที่ถูกต้องและจากจำนวนการค้นหาที่แตกต่างกันขั้นต่ำ "เว็บ" เป็นดัชนีออฟไลน์แบบคงที่ของ 13 หน้า

• Agent, 6 งาน — โปรเจกต์จำลองขนาดเล็กที่มีเครื่องมือจัดการไฟล์และ run_tests: แก้บั๊ก เพิ่มฟังก์ชัน เปลี่ยนชื่อข้ามไฟล์ แก้ไขคอนฟิก สร้างรายงาน CSV ให้คะแนนจากสถานะไฟล์สุดท้ายและชุดทดสอบของโปรเจกต์เอง

• ด้านภาพ 8 งาน — ภาพที่สร้างขึ้น: บวกผลรวมของคอลัมน์ในตาราง, ค้นหาแถว, อ่านแผนภูมิแท่ง, นับจุด, อ่านข้อความขนาดเล็ก, ความสัมพันธ์เชิงพื้นที่, นาฬิกาแบบเข็ม, ใบเสร็จ

• บริบทยาว งาน 2 งาน — ข้อความประมาณ 14,000 โทเค็น ที่มีข้อเท็จจริงสามอย่างซ่อนอยู่ห่างกัน โดยอย่างหนึ่งเป็นรหัสตู้นิรภัยที่ถูกแบ่งออกเป็นสามส่วน คำตอบที่แม่นยำ

“ไม่มีผู้พิพากษา” มีค่าแค่ไหน

กระดานผู้นำส่วนใหญ่ที่มีขนาดเท่านี้จะถูกให้คะแนนโดยโมเดลภาษาที่อ่านคำตอบแล้วตัดสินว่าคำตอบนั้นดีหรือไม่ วิธีนี้มีต้นทุนต่ำ และทำให้กระดานนั้นไม่สามารถทำซ้ำได้: ผู้ตัดสินคือโมเดล โมเดลมีเวอร์ชัน และคำตอบเดียวกันอาจได้คะแนนต่างกันในวันอังคารเมื่อเทียบกับวันจันทร์ ชุดทดสอบแบบยากจะตัดผู้ตัดสินออก และกำหนดกฎห้าข้อที่ทำให้คะแนนสามารถทำซ้ำได้

• ทุกอย่างได้รับการตรวจสอบด้วยโค้ด คำตอบเดียวกันจะได้รับคะแนนเท่ากันเสมอ

• ให้ผลลัพธ์ที่แน่นอนและทำงานออฟไลน์ temperature เป็นศูนย์ ปิดโหมดคิด ไม่มีการเข้าถึงอินเทอร์เน็ต — เว็บของหมวดการค้นหาเว็บคือดัชนีคงที่ขนาด 13 หน้า

• พรีเซ็ตเดียวกันกับที่ผู้ใช้ได้รับ แต่ละโมเดลทำงานด้วยพรีเซ็ตที่ GUI แนะนำ ดังนั้นความเร็วและคะแนนจึงเป็นค่าที่ผู้ใช้เห็นหลังติดตั้ง ไม่ใช่การกำหนดค่าที่ปรับแต่งมาเพื่อให้ชนะ

• ทุกงานได้รับการพิสูจน์แล้วว่าสามารถแก้ได้ รีโพซิทอรีจัดเก็บโซลูชันอ้างอิงที่ถูกต้องสำหรับงานเขียนโค้ดและงานของเอเจนต์ทุกงาน และสคริปต์ทดสอบตนเองสองตัวจะตรวจสอบว่าโซลูชันเหล่านั้นผ่านตัวตรวจให้คะแนน คำตอบที่คำนวณได้ — วันที่ ผลรวม รหัส — ถูกยืนยันไว้ในไฟล์งาน

• คำตอบคือบรรทัดสุดท้าย โมเดลอาจคิดออกเสียงได้ ผู้ตรวจจะอ่านบรรทัดสุดท้าย การเรียกเครื่องมือได้รับการยอมรับในรูปแบบ OpenAI และใน Qwen XML tool_callซึ่งเป็นรูปแบบข้อความ

การคำนวณคะแนนก็ไม่ทันสมัยพอ ๆ กัน แต่ละหมวดหมู่คือเปอร์เซ็นต์ของงานที่ผ่าน คะแนนรวมคือค่าเฉลี่ยของทั้งเจ็ดหมวดหมู่ โดยให้น้ำหนักทุกหมวดหมู่เท่ากัน ความเร็วคืออัตราการสร้างเฉลี่ยของคำตอบที่มี 64 โทเคนขึ้นไประหว่างการรัน ทุกรันจะถูกบันทึกเป็นไฟล์ JSON แยกตามโมเดล ซึ่งบันทึกคำตอบของแต่ละงานและผลว่าผ่านหรือไม่ ดังนั้นหากมีความเห็นขัดแย้งเกี่ยวกับคะแนน ก็สามารถตรวจสอบกับบันทึกได้

OrcaCyber Nano 1.0 ไปลงเอยที่ไหนจริง ๆ

คะแนนทั้งเจ็ดหมวด จาก 100: การเขียนโค้ด 88, การให้เหตุผล 95, การปฏิบัติตามคำสั่ง 58, การค้นหาเว็บ 100, เอเจนต์ 100, การมองเห็น 88, บริบทยาว 100 ค่าเฉลี่ย: 89.8

58 คือตัวเลขที่น่าสนใจ และเป็นตัวเลขที่หน้าเพจการตลาดจะปัดเศษทิ้งไป Instructions คือหมวดหมู่ที่โมเดลต้องรักษาข้อจำกัดพร้อมกันสามถึงห้าข้อ — จำนวนคำ ตัวอักษรต้องห้าม และรูปแบบผลลัพธ์ที่แน่นอน — และ Nano ทำไม่ได้ห้างานจากสิบสองงานในหมวดนี้ ส่วนที่เหลือทั้งหมดอยู่ที่ 88 ขึ้นไป สองหมวดหมู่สมบูรณ์แบบ

คู่แข่งที่ใกล้ที่สุดคือ Qwen3.8-27Bในการควอนไทซ์ Aggressive IQ3_XS ของ HauhauCS ด้วยคะแนนรวม 88.6 และ 42.2 โทเค็นต่อวินาที; อันดับสามคือบิลด์ Unsloth UD-IQ3_S ของโมเดลเดียวกันที่ 88.4 และ 52.1 โทเค็นต่อวินาที ทั้งคู่ได้ 94 ถึง 100 ในด้านการเขียนโค้ดและการให้เหตุผล ทั้งคู่ลดลงเหลือ 50 ในด้านคำสั่ง — ดังนั้นจุดอ่อนในการทำตามคำสั่งจึงเป็นคุณสมบัติของคลาส 27B ที่ระดับการบีบอัดนี้ ไม่ใช่ข้อบกพร่องเฉพาะของ Nano สิ่งที่แยกอันดับหนึ่งออกจากอันดับสามคือ 1.4 คะแนนที่กระจายอยู่บางๆ: งานไม่กี่งานในหมวดหมู่หนึ่ง ไม่ใช่โมเดลต่างระดับกัน

หกสิบโทเคนต่อวินาที และเหตุใดโมเดลที่เร็วที่สุดจึงอยู่ที่อื่น

ความเร็วที่ยกมาเป็นหัวเรื่องคือ 60 โทเคนต่อวินาทีที่บริบท 32k และที่เก็บโค้ดให้ความสำคัญกับนิยามของตัวเลขนั้นอย่างระมัดระวัง นั่นคือความเร็วของพรีเซ็ตfast-32k ที่ปรับแต่งแล้วของโมเดล ซึ่งใช้การทำนายหลายโทเคนที่ความลึก 3 วัดได้ 66.6 โทเคนต่อวินาทีบนโค้ด และ 54.0 บนแชต โดยมีค่าเฉลี่ย 60.3 ค่าเฉลี่ยธรรมดาจากทุกคำตอบในการประเมินคือ 56.9 ตัวเลขทั้งสองปรากฏอยู่ในเชิงอรรถของตาราง ไม่ใช่เฉพาะตัวเลขที่ดูดีเท่านั้น

ความเร็วลดลงเมื่อบริบทเพิ่มขึ้น และรีโพซิทอรีเผยแพร่ลำดับขั้นดังนี้: 57 โทเคนต่อวินาทีที่ 96k, 32 ที่ 160k และ 24 ที่ 262k เมื่อป้อนโทเคนครบ 20,000 โทเคนแล้ว การประมวลผลพรอมต์บนพรอมต์สั้นอยู่ที่ 501 โทเคนต่อวินาที จนถึง 19,600 โทเคน ทุกพรีเซ็ตผ่าน

โมเดลที่เร็วที่สุดบนตารางอันดับคืออีกรุ่นหนึ่ง MiniCPM-V 4.7 ในบิลด์ 35B-A3B Q3 mix ทำงานที่ 93.4 โทเคนต่อวินาทีที่บริบท 128k และทำได้เช่นนั้นโดยย้ายตัวเข้ารหัสภาพไปยัง CPU เพื่อให้ expert ทั้งหมดของมันอยู่บนการ์ด โดยรวมอยู่อันดับสี่ที่ 87.5 การนำเสนอของรีโพซิทอรีเองมองว่านี่คือการแลกเปลี่ยน ไม่ใช่การกวาดทั้งกระดาน: Nano ถูกอธิบายไว้ที่นั่นว่าเป็น dense 27B ที่เร็วที่สุดในตาราง ซึ่งเป็นข้ออ้างที่แคบกว่าข้ออ้างเรื่องโมเดลที่เร็วที่สุด และเป็นข้ออ้างที่เป็นจริง

สภาพแวดล้อมการวัดระบุไว้ครั้งเดียวและใช้กับทั้งตาราง: Tesla V100-SXM2-16GB หนึ่งตัว, Xeon E5-2660 v4, DDR4 64 GB เอนจินที่ทดสอบคือ PXA, llama.cpp พร้อมแพตช์เฉพาะ V100, ฟอร์กของ Prism ML และ Strata โดยแต่ละตัวอยู่ภายใต้สัญญาอนุญาต MIT; ไฟล์ DLL ของ CUDA เป็นไปตาม EULA ของ NVIDIA น้ำหนักโมเดลไม่ได้รวมมา — แต่ละตัวดาวน์โหลดจากหน้าของผู้เขียนเองบน Hugging Face

โมเดลคืออะไร จากเมทาดาทาของโมเดลเอง

รีโพซิทอรี Hugging Face orcarouter/OrcaCyber-Nano-1.0รายงานหน้าต่างบริบทขนาด 262,144 โทเคน และ image-text-to-textไปป์ไลน์ (รองรับทั้งภาพและข้อความ), ไลบรารี GGUF และภาษาอังกฤษกับภาษาจีน มีการจำกัดการเข้าถึง: ต้องลงชื่อเข้าใช้เพื่อดาวน์โหลด ฟิลด์สัญญาอนุญาตระบุว่า other โดยมีชื่อสัญญาอนุญาตว่า qwen. ณ วันที่ 2026-10-19 รีโพซิทอรีแสดงยอดดาวน์โหลด 18,606 ครั้งและถูกใจ 151 ครั้ง และฟิลด์โมเดลฐานระบุชื่อ OrcaCyber-Nano-1.0-AI-Defense โดยมีความสัมพันธ์เป็น quantized — ไฟล์ open-weight เป็นการควอนไทซ์ของโมเดลแม่ที่ปรับแต่งเพื่อการป้องกัน ซึ่งเป็นวิธีตีความฟิลด์นั้นอย่างตรงไปตรงมา

มีไฟล์อยู่สี่ไฟล์ และขนาดของไฟล์เหล่านี้อธิบายการตัดสินใจด้านการนำขึ้นใช้งานส่วนใหญ่ในส่วนถัดไป:

• Mix-13G — 12,993,304,352 ไบต์ บิลด์ขนาด 13.0 GB ที่ได้คะแนน 89.8

• Mix-15.7G — 15,695,148,832 ไบต์ เป็นบิลด์ที่ใหญ่กว่า และยังอยู่ในขีดจำกัดความจุของการ์ด 16 GB

• DFlash2 Q8_0 — 2,056,414,112 ไบต์ เป็นโมเดลฉบับร่างสำหรับการถอดรหัสแบบคาดการณ์ล่วงหน้า

• mmproj F16 — 927,606,848 ไบต์ คือ vision projector ซึ่งเป็นสิ่งที่ทำให้งานด้านภาพทั้งแปดงานเป็นไปได้

เมื่อเพิ่มเอนจินเข้าไป การติดตั้งที่ใช้งานได้จะใช้พื้นที่ดิสก์ประมาณ 14 GB โดยแบ่งเป็นน้ำหนักโมเดล 13.0 GB โปรเจกเตอร์ราว 0.9 GB และรันไทม์

สิบสามกิกะไบต์ใส่ในการ์ดได้ แต่โทเคนสองแสนหกหมื่นสองพันไม่สามารถใส่ได้

สิ่งเหล่านี้เป็นข้อกล่าวอ้างสองข้อที่แตกต่างกัน และการรายงานข่าวมักนำทั้งสองมาปนกัน ไฟล์น้ำหนักขนาด 13.0 GB พอดีกับ VRAM 16 GB ซึ่งเป็นเหตุผลว่าโมเดลจึงทำงานบน V100 ได้โดยยังมีพื้นที่เหลือพอสำหรับ KV cache ของบริบท 32k บริบทสูงสุด 262,144 โทเคนไม่สามารถใส่บนการ์ดได้ จำเป็นต้องมี KV cache ในหน่วยความจำระบบ และข้อกำหนดของรีพอซิทอรีระบุ RAM ระบบ 64 GB สำหรับพรีเซ็ต 262k เทียบกับ 32 GB สำหรับการใช้งานทั่วไป หากดันไปถึงเพดานนั้น ความเร็วจะอยู่ที่ 24 โทเคนต่อวินาทีจากบันไดด้านบน

ข้อกำหนดฮาร์ดแวร์ส่วนที่เหลือนั้นเรียบง่ายและเฉพาะเจาะจง การ์ด NVIDIA ความจุ 16 GB รุ่นตั้งแต่ Volta ขึ้นไปจะรันสแต็กนี้ได้ ไดรเวอร์ต้องเป็นซีรีส์ R576 หรือใหม่กว่า และ V100 ที่ตั้งค่าไว้ในโหมด TCC ก็ใช้ได้ ไม่ต้องติดตั้ง WSL, Docker, CUDA toolkit, Visual Studio หรือ Python เพราะโฟลเดอร์นี้มาพร้อมเอนจินของตัวเองและ Python แบบพกพาของตัวเอง ต้องมีพื้นที่ดิสก์ว่างประมาณ 20 GB ต่อโมเดล

หมายเลขผู้ขายที่ระบุไว้

OrcaRouter ประกาศOrcaCyber Nano 1.0 เมื่อวันที่ 2026-10-18 ในฐานะรุ่นฉุกเฉินแบบ open-weight และจัดให้อยู่ในซีรีส์สามรุ่นร่วมกับOrcaCyber Zero 1.5 และOrcaCyber Ultra 1.0 ในสัปดาห์เดียวกัน บริษัทได้เปิดให้ทีมที่กำลังรับมือกับการบุกรุกอยู่เข้าถึงโมเดล OrcaCyber ได้ฟรีก่อนใคร โพสต์ของวันถัดไปขึ้นต้นด้วยผลลัพธ์บนกระดานอันดับ และอธิบายว่า จากการประเมินเบื้องต้นของผู้ขายเอง Nano เป็นโมเดลโลคอลที่ความสามารถสูงสุดในคลาสต่ำกว่า 16GB ของตน

วลีสุดท้ายนั้นเป็นคำกล่าวอ้างของผู้ขายและยังไม่มีการจำลองซ้ำอย่างเป็นอิสระ เช่นเดียวกับเบนช์มาร์กที่ประกาศซ้ำว่า 78.4% บน SWE-bench Verified เทียบเคียงกับ 79.0% ที่ DeepSeek รายงานสำหรับ DeepSeek V4 Flash ตัวเลขทั้งสองนั้นได้รับการรายงานโดยผู้ขายของแต่ละราย; ทั้ง 78.4 และ 79.0 ไม่ได้ถูกทดสอบโดยสิ่งพิมพ์นี้ และสิ่งที่น่าสนใจในการเปรียบเทียบนี้คือการที่โมเดลขนาด 27B ถูกวางให้อยู่ในระยะห่าง 0.6 คะแนนจากโมเดลที่โฮสต์ซึ่งมีขนาดใหญ่กว่ามาก บนฮาร์เนสของผู้ขายเอง อ่านสิ่งนี้เป็นประกาศ ไม่ใช่ผลลัพธ์

การ์ดโมเดลนี้เองน่าจดบันทึกในสิ่งที่ไม่ปรากฏอยู่ แท็กของมันระบุถึงความมั่นคงปลอดภัยไซเบอร์ รีเวิร์สเอ็นจิเนียริ่ง การเรียกใช้ฟังก์ชัน และความสามารถด้านภาพ แต่การ์ดไม่ได้มีตัวเลข benchmark ที่เจาะจงด้านไซเบอร์เลย ไม่มีคะแนนการตอบสนองต่อเหตุการณ์ ไม่มีอัตราการตรวจจับช่องโหว่ ไม่มีผล CTF สิ่งเหล่านั้นอยู่บนหน้า Zero แทน และตัวเลข CyberGym ที่วนเวียนอยู่รอบสายงานไซเบอร์ของเราเป็นของการตั้งค่าแบบผสมผสาน คือ Zero 1.0 บวก DeepSeek V4 Flash บวกการกำหนดเส้นทางแบบปรับตัว ไม่ใช่การรันเดี่ยวของโมเดลใดโมเดลหนึ่ง หากคุณกำลังเลือกโมเดลนี้เพื่องานด้านการป้องกัน สภาพหลักฐานตามจริงก็คือ ชุดทดสอบทั่วไปที่ให้คะแนนด้วยโค้ดจัดให้มันอยู่อันดับหนึ่งจาก 21 รายการบนการ์ด 16 GB ส่วนหลักฐานที่เจาะจงด้านไซเบอร์นั้นอยู่ที่อื่นและเป็นของโมเดลอื่น

ตำแหน่งที่มันตั้งอยู่ถัดจากโมเดลไซเบอร์ที่โฮสต์ไว้

OrcaCyber Nano 1.0เป็นการเผยแพร่เวทสำหรับฮาร์ดแวร์ในเครื่อง คุณดาวน์โหลด 13 GB แล้วรันด้วยตัวเอง และคะแนนด้านบนคือผลลัพธ์ที่ได้บนการ์ดของคุณ วันนี้มันยังไม่ใช่ endpoint ในแคตตาล็อกของเรา และไม่มีข้อความใดในบทความนี้ที่ควรถูกตีความว่าเป็นเช่นนั้น สิ่งที่แคตตาล็อกมีให้คือรุ่นอื่น ๆ ในซีรีส์ — OrcaCyber Zero 1.5 และ OrcaCyber Ultra 1.0 — ภายใต้คีย์เดียวกันและ endpoint ที่เข้ากันได้กับ OpenAI แบบเดียวกับโมเดลอื่นอีกกว่า 200 รุ่น รวมถึง Claude Opus 5.5, GPT-6.1 Sol, Kimi K3, Qwen3.8-Max และ DeepSeek V4 Flash โดยไม่มีการบวกกำไรต่อโทเคนเหนือราคาตามรายการของผู้ให้บริการ และมีการสลับไปยังผู้ให้บริการรายอื่นโดยอัตโนมัติเมื่อเกิดข้อขัดข้อง

การแบ่งนี้เป็นสิ่งที่ควรจำไว้ให้ดี Nano คือโมเดลที่คุณเป็นเจ้าของและรันแบบออฟไลน์ โดยไม่มีข้อมูลออกจากเครื่อง ซึ่งเป็นจุดสำคัญทั้งหมดของโมเดลด้านไซเบอร์สำหรับการตอบสนองต่อเหตุการณ์ เพราะเครื่องที่คุณจำเป็นต้องตรวจสอบมากที่สุดมักเป็นเครื่องที่คุณไม่สามารถส่งไปยัง API ได้ Zero 1.5 และ Ultra 1.0 คือโมเดลที่คุณเรียกใช้ ระดับโลคอลสำหรับงานแบบ air-gapped ระดับโฮสต์สำหรับปริมาณงาน และใช้ชื่อโมเดลชุดเดียวกันระหว่างทั้งสอง

จะทำอะไรกับ 89.8 ขึ้นอยู่กับว่าคุณต้องการมันไปใช้ทำอะไร หากคุณกำลังรอหลักฐานว่าโมเดล 27B ที่ 13 GB นั้นแข่งขันได้บนการ์ด 16 GB — ไม่ใช่แค่รันได้ แต่แข่งขันกับทางเลือก 21 ตัวบนงานที่ถูกให้คะแนนด้วยโค้ดที่รันได้ทั้งหมด — นี่คือหลักฐานนั้น โดยมีช่องว่างด้านการทำตามคำสั่งที่เห็นได้ชัดที่ 58 และเพดานความเร็วที่เห็นได้ชัดที่ 60 โทเค็นต่อวินาที หากคุณต้องการสิ่งที่เร็วที่สุดบน V100 นั่นคือโมเดลอีกตัวบนบอร์ดเดียวกันที่ 93.4 และมันอยู่ลงไปหนึ่งแถวในตาราง