Can I run Switchyard locally or download the weights?

Hindi. Walang open weights at walang Hugging Face repository ang Switchyard; ito ay tumatakbo bilang routing layer sa pamamagitan ng OpenRouter API.

What does Switchyard actually cost?

Hindi malinaw ang per-token pricing na inilathala ng NVIDIA; ang billing ay hinahandle ng OpenRouter at ipinapataw sa modelong pinili ng Switchyard para sa bawat kahilingan.

How is Switchyard different from a normal model?

Hindi ito modelo — ito ay router. Sinusuri nito ang iyong kahilingan at ipinapasa ito sa isa sa dalawang modelong iyong tinukoy, pumipili base sa cost o popularity data sa halip na gumawa ng output mismo.

Switchyard

5383°

#llm #nvidia #mga ahente #badyet

Patakbuhin ang modelong ito

Alok / Ads

OpenRouter Terminal / API

Bayad kada token

Makipag-chat sa modelong ito sa browser o tawagan ito mula sa iyong code gamit ang isang API key.

NVIDIA | 1,000,000 token context | $-1,000,000.00/M input, $-1,000,000.00/M output. Ang Switchyard ay isang open-source na model router na lumilipat sa pagitan ng maraming mga modelo upang i-optimize ang gastos ng mga kahilingan. Sa default, gagamitin nito ang OpenRouter market data upang piliin ang pinakasikat na mga modelo na mababa at mataas ang gastos. Maaari kang magpasa ng dalawang pagpipilian sa models parameter pati na rin tukuyin ang alinman sa mga routing algorithm na inaalok ng Switchyard. Mga detalye sa dokumento ng SwitchyardOpens in new tab. Pagkatapos ay inaaplay ng OpenRouter ang normal nitong provider routing, fallbacks at billing para sa napiling modelo.

Mga gabay para sa model na ito

Open weights vs open source vs API-only: ano talaga ang pwede mong gawin

Ang 10 pinakamurang alternatibo sa ChatGPT sa 2026: libreng lokal na mga modelo, libreng tier at flat-rate na mga plano

Lahat ng gabay

Mga tala ng Kapitan

Isinulat ni Captain, ang editor ng bahay

Mga tala mula sa 2026-10-13

Ang Switchyard ay open-source model router ng NVIDIA na nakapuwesto sa harap ng iba pang mga modelo at pumipili ng pinakamura o pinakasikat para sa bawat kahilingan, gamit ang OpenRouter market data bilang default. Ikaw ang nagbibigay ng dalawang candidate na modelo at routing algorithm; ang Switchyard ang magdedesisyon kung alin ang hahawak sa tawag. Angkop ito para sa mga developer na gusto ng awtomatikong cost optimisation sa mga modelo nang hindi nire-rewrite ang kanilang application logic.

Kilalang-kilala sa

Nagro-route ng mga kahilingan sa pagitan ng dalawang modelo para awtomatikong mabawasan ang gastos.
Gumagamit ng live OpenRouter market data para i-rank ang mga popular na low- at high-cost na opsyon.
Tumatanggap ng custom na pares ng modelo at pwedeng palitang routing algorithms.
Pinapasa ang OpenRouter provider routing, fallbacks at billing nang hindi nababago.

Mag-ingat sa

Hindi ito modelo mismo — ang kalidad ng output ay nakadepende sa modelong pinili nito.
Ang data ng presyo ay nagpapakita ng negatibong halaga; hindi inilathala ng NVIDIA ang aktwal na per-token costs.
Walang open weights at walang Hugging Face repository; ginagamit ito sa pamamagitan ng OpenRouter API lamang.

Pinakamainam para sa

Mga ahente at paggamit ng tool

Badyet

Mga prompt na subukan

Subukan ang cost-aware routing

Kailangan kong mag-summarise ng mga customer support tickets nang maramihan. I-route ito sa pinakamurang kaya na modelo. Narito ang sample ticket: 'My order arrived damaged and the packaging was torn. I want a replacement sent before Friday. Order number 48821.'

Ihambing ang mga routing decisions

Ipadala ang parehong prompt sa iyong low-cost at high-cost na mga modelo at ibalik ang bawat sagot na may label ng pangalan ng modelo at tinatayang gastos para sa kahilingang ito: Ipaliwanag ang pagkakaiba ng supervised at unsupervised machine learning sa dalawang pangungusap.

High-stakes vs budget split

Mayroon akong dalawang uri ng gawain: mabilisang classification (lagyan ng label ang review na ito bilang positive o negative: 'The battery life is terrible but the screen is gorgeous') at isang detalyadong analysis task (sumulat ng 200-salitang competitive analysis ng parehong produkto). I-route ang bawat isa sa angkop na cost tier at ipaliwanag ang iyong routing choice.

Ihambing sa

NVIDIA Nemotron 3 Super 120B A12B
Modelong bukas ang timbang
262,144 token na konteksto · $0.09/M input, $0.40/M output
NVIDIA Nemotron 3.5 Lightning
Modelong bukas ang timbang
262,144 token na konteksto · $0.06/M input, $0.16/M output
Nemotron 3 Ultra
Modelong bukas ang timbang
262,144 token na konteksto · $0.60/M input, $2.40/M output
Nemotron 3.5 Lightning
Modelong bukas ang timbang
262,144 token na konteksto · $0.07/M input, $0.20/M output

Higit pang mga text model mula sa nvidia

Mga tanong na madalas itanong

Can I run Switchyard locally or download the weights?: Hindi. Walang open weights at walang Hugging Face repository ang Switchyard; ito ay tumatakbo bilang routing layer sa pamamagitan ng OpenRouter API.
What does Switchyard actually cost?: Hindi malinaw ang per-token pricing na inilathala ng NVIDIA; ang billing ay hinahandle ng OpenRouter at ipinapataw sa modelong pinili ng Switchyard para sa bawat kahilingan.
How is Switchyard different from a normal model?: Hindi ito modelo — ito ay router. Sinusuri nito ang iyong kahilingan at ipinapasa ito sa isa sa dalawang modelong iyong tinukoy, pumipili base sa cost o popularity data sa halip na gumawa ng output mismo.

Hatol ng Kapitan
Isang kapaki-pakinabang na plumbing layer para sa mga cost-conscious na API workflows, pero tandaan na traffic cop lang ang binibili mo, hindi modelo.

Isinusulat ng Kapitan ang mga tala na ito mula sa sariling paglalarawan at model card ng modelo. Ang mga presyo at laki ng konteksto ay mula sa provider sa oras ng pagsulat at maaaring magbago.

Ranking badge

Updated Oct 22, 2026

Made this model? Show this badge on your page.

Paste it into your Hugging Face card or Civitai description.

Change colors / personalize / get code

Not this creator?

Get your own badge

Paano nagkakalkula ang score na ito

Walang datos ng kasikatan mula sa kahit anong pinanggalingan ang modelong ito, kaya may stand-in na numero ito sa ibaba ng 7,000° para kumpleto ang mga listahan. Hindi ito kailanman mauuna sa isang modelong may datos. Lalabas dito ang breakdown kapag may nag-ulat na pinanggalingan.

Talahulugan: ang mga terminong ginagamit dito

Heat score: Isang numero kung gaano kadalas gamitin at gusto ang isang modelo ngayon, mula 0° hanggang 9,999°. Bawat listahan sa site na ito na nagsasabing pinakamainit ay nakaayos base dito at wala nang iba pa.
Floor: Ang 7,000° na panimulang puntos ng bawat modelong may totoong datos. Ang sukatan ay mula 0° hanggang 9,999°; ang bahagi sa ilalim ng floor ay para sa mga stand-in (mga modelong walang datos), para laging mas mataas ang ranggo ng may datos kaysa wala. Pareho ang floor para sa lahat at hindi ito nagpapasya; ang mga degree sa itaas nito ang totoong sukat.
Katumbas ng download: Lahat ng tinatrato ng score bilang download, pinagsama-sama: mga download mismo, bawat torrent seeder bilang 1,000, bawat AI Horde na larawan at bawat takbo sa isang generation site bilang isa.
Log scale: Bilang ng sampu, hindi isa-isa: ang pagtaas mula 1,000 hanggang 10,000 downloads ay nagdadagdag ng parehong degree tulad ng mula 10,000 hanggang 100,000. Pinipigilan nito ang mga higante na mauna sa lahat.
Likes: Thumbs up at likes mula sa lahat ng pinanggalingan, na katumbas ng kalahati ng download sa log scale.
Bilis ng pagtanggap: Ilang downloads kada araw ang nakukuha ng modelo ngayon, mula sa pagkakaiba ng dalawang readings ng isang pinanggalingan. Isang-kapat ng bigat ng term na download.
Nasukat at tinantya: Ang nasukat ay ibig sabihin may dalawang pagbabasa mula sa isang pinagmulan at tunay ang pagkakaiba. Ang tinantya naman ay alam lang ang kabuuan ngayon at hinahati ang nakaraan sa buong buhay ng modelo; sinasabi ng site kung alin ang ipinapakita.
Seeder: Isang tao na nag-iimbak ng kopya ng weights online para ma-download ng iba gamit ang torrent, o isang naka-host na mirror na gumagawa rin nito. Bawat isa ay katumbas ng 1,000 downloads.
AI Horde: Isang volunteer network na gumagawa ng mga larawan nang libre gamit ang mga donadong computer. Pampubliko kung ilang larawan ang nagawa gamit ang isang modelo, at bawat isa ay katumbas ng isang download.
Mga generation site: Mga site na may sariling kopya ng modelo at pinapayagan ang mga tao na gumawa gamit ito, tulad ng PixAI, SeaArt at Yodayo. Ang kanilang mga downloads ay binibilang tulad ng sa Civitai at bawat generation run ay isang download.
OpenRouter tokens: Ang isang text model na pinagsisilbihan sa pamamagitan ng API, tulad ng Claude o GPT, ay walang weights na ida-download, kaya ang paggamit nito ay sinusukat sa tokens: mga piraso ng teksto na binasa at isinulat nito sa pamamagitan ng OpenRouter, isang gateway na ginagamit ng maraming apps, sa nakaraang 30 araw. Bawat 10,000,000 tokens ay katumbas ng isang download. Pinagmulan: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Buong modelo (checkpoint): Ang weights mismo, ang file na kayang mag-generate mag-isa. May bonus ito dahil nakadepende dito ang mga add-on.
LoRA at embedding: Maliit na add-on files na nagtutulak sa weights ng iba papunta sa isang estilo, karakter o konsepto. Hindi sila kayang tumakbo mag-isa.
Pamilya at weights: Ang base na pinagbuo ng modelo, tulad ng SD 1.5, SDXL, Flux o Wan. Lahat ng modelo ay namamana ang petsa ng release ng weights ng pamilya nito.
Edad: Mga degree na ibinabawas base sa gaano katagal nang lumabas ang weights ng pamilya: 150° kada taon, hanggang 750°. Pinananatili nito ang mga lumang downloads na may taon para mag-ipon mula sa pag-freeze sa taas ng listahan.
Pampasigla ng pamilya: Isang maliit at limitadong tulak para sa mga LoRA ng pamilyang itinataguyod ng site ngayon, palaging nakalista sa breakdown.
Stand-in score: Isang matatag na numero sa ibaba ng floor na ibinibigay sa modelong wala pang ulat mula sa pinagmulan, para kumpleto ang listahan. Hindi ito nangunguna sa modelong may datos.
Bago! (panahon ng grace): Ang isang model na mas mababa sa 7 araw ang tanda ay nagpapakita ng Bago! sa halip na score at walang puwesto sa mga ranggo. Ang score nito ay kinakalkula mula unang araw, pero ang modelong isang araw pa lang ang tanda ay lumalago nang mas mabilis kaysa sa iba, kaya kung walang paghihintay, ang #1 ng linggo ay palaging yung lumabas kahapon kaysa sa tumagal nang isang linggo.
Uso: Paano ang paglago ng modelo sa isang panahon kumpara sa karaniwang paglago ng modelo sa parehong panahon. Mas mabilis kaysa karaniwan ay pagtaas, mas mabagal ay pagbaba.
Karaniwang modelo: Gitna ng katalogo: kalahati ng mga modelo na may numero ay mas mabilis ang paglago sa panahon, kalahati ay mas mabagal.

Mga katulad na model

Mga AI model para sa paggawa ng larawan, video at teksto

Ang Switchyard ay isang text model para sa pamilyang Text / LLM na nakalista sa ModelTrends.ai, isang read-only na catalog ng mga open source AI model para sa larawan, video at teksto. Ikumpara ito sa ibang Text / LLM model at tingnan ang heat score nito para makita kung gaano ito kasikat.

Higit pang Text / LLM model Higit pang Text / LLM Teksto / LLM llm nvidia mga ahente badyet

Mag-browse ayon sa pamilya ng model