线上免费模型汇总
| 平台名称 | 所属公司 | 可白嫖模型 | 免费额度 | 特色功能 / 注意事项 |
| 硅基流动 | - | DeepSeek R1（671B 满血版） | 注册送 2000 万 Token，邀请好友双方各得 2000 万 Token | 支持网页版和 API 接入 ChatBox，输出费用较高（16 元 / 百万 Token），近期因用户量大可能出现网站卡顿。 |
| 火山引擎 | 字节跳动 | DeepSeek R1（671B）、DeepSeek V3（满血版） | 新用户每个模型送 50 万 Token，邀请新用户送 30 元代金券（约 750 万 Token） | 需实名认证，API 接入流程较复杂，支持联网搜索和多模型接入，目前使用人数较少，服务流畅。 |
| 阿里云百炼 | 阿里巴巴 | 近乎所有大语言模型（含 DeepSeek） | 每个模型免费送 100 万 Token | 支持 Web 访问和 API 接入，需开通模型部署，适合企业级场景，资源稳定性较高。 |
| 腾讯元宝 | 腾讯 | DeepSeek 大模型 | 提问免费（不消耗 Token），无 API 服务 | 支持联网搜索和 AI Agent 创建，可通过提示词定制工具，但功能偏轻量化，适合普通用户日常使用。 |
| 问小白 | 元石科技 | DeepSeek 多模态模型 | 提问免费（不消耗 Token） | 首个支持 DeepSeek 多模态的产品，可展开联网搜索文档，适合精确搜索和多模态内容需求（如图文分析）。 |
| 纳米 AI 搜索 | 360 | DeepSeek 大模型 + 联网搜索能力 | 搜索功能免费（不消耗 Token） | 结合 360 亿级网页索引和学术论文库，适合学术研究和实时信息整合，搜索结果时效性强。 |
| 知乎直答 | 知乎 | DeepSeek + 知乎问答知识库 | 提问免费（不消耗 Token） | 依托知乎社区内容，擅长科技、学术类深度问答，回答兼具专业性和社区讨论视角。 |
| 国家超算互联网 | 科技部牵头 | DeepSeek 7B/14B/32B 等版本 | 免费使用 3 个月 DeepSeek API 接口 | 政府主导的公共平台，无需复杂部署，适合科研机构和个人开发者短期使用，需通过官方渠道申请。 |
| 秘塔 AI 搜索 | - | DeepSeek 大模型（“长思考 - R1” 模式） | 搜索功能免费（不消耗 Token） | 提供 “简洁 / 深入 / 研究” 三种模式，研究模式支持 “先搜后扩”“先扩后搜”，内容整合更全面，适合需要深度分析的场景。 |
| 平台 | 输入费用 | 输出费用 | 免费额度 |
| 硅基流动 | 4 元 / 百万 token | 16 元 / 百万 token | 注册送 2000 万 token，邀请好友双方各得 2000 万 token12 |
| 百度千帆 | 2 元 / 百万 token | 8 元 / 百万 token | 无明确提及长期免费额度，曾有免费使用至 2025 年 2 月 18 日的活动12 |
| 火山方舟 | 2 元 / 百万 token | 8 元 / 百万 token | 新用户每个模型赠送 50 万 token12 |
表格说明：
- 免费额度对比：硅基流动和火山引擎以 Token 形式赠送额度，腾讯 / 问小白等平台直接免费提问，国家超算平台提供固定期限免费 API。
- 功能差异：部分平台（如火山引擎、阿里云）需技术接入，适合开发者；腾讯 / 知乎等平台更侧重 C 端用户体验，操作简单。
- 注意事项：百度千帆曾有免费至 2025 年 2 月 18 日的活动，但当前教程未更新后续政策，表格暂未列入，建议使用前确认最新规则。
本地免费模型
671B 参数模型的动态 1.58 位量化版本（压缩至仅 131GB） 满血版的蒸馏模型
破限版
NFWS模型
70b的蒸馏17G
70b的蒸馏21G
阿里千问2.5，个人感觉有些问题回答的比deepseek的好：
准备下这个玩玩RolePlay
破限版 8.5G
蒸馏 30G
火山 LLaVA 是一个新型的端到端训练的大规模多模态模型，结合了视觉编码器和 Vicuna，用于通用视觉和语言理解。更新至版本 1.6。将输入图像分辨率增加到多至 4 倍的像素，支持 672x672、336x1344、1344x336 分辨率
精通英语、法语、意大利语、德语和西班牙语、数学和编程、函数调用、64K tokens 上下文窗口
视觉模型
模型蒸馏和模型量化是两种常用的模型压缩技术，旨在减少模型的计算资源需求和存储空间，同时尽可能保持模型性能。它们在目的、实现方法和应用场景上有所不同。
模型蒸馏（Knowledge Distillation）：
- 目的：将大型预训练模型（教师模型）的知识传递给较小的模型（学生模型），使学生模型在保持较小规模的同时，尽可能接近教师模型的性能。
- 实现方法：通过让学生模型学习教师模型的输出概率分布（软标签）或中间特征表示，学生模型在训练过程中模仿教师模型的行为，从而获得类似的性能。
- 应用场景：适用于需要在资源受限环境中部署模型的情况，如移动设备或嵌入式系统。通过蒸馏，小模型可以在推理速度和存储方面具有优势，同时保持较高的准确性。
模型量化（Model Quantization）：
- 目的：通过降低模型参数的数值精度，减少模型的存储空间和计算量，加速模型推理过程。
- 实现方法：将模型的权重和激活值从高精度（如32位浮点数）转换为低精度（如8位整数），从而减少计算复杂度和存储需求。
- 应用场景：适用于对计算资源和存储空间有限制的环境，如移动设备、物联网设备等。量化后的模型在这些环境中可以更高效地运行，但可能会带来一定的精度损失。
主要区别：
- 目的不同：蒸馏侧重于知识的迁移，使小模型获得大模型的性能；量化侧重于减少模型的计算和存储需求。
- 实现方法不同：蒸馏通过训练小模型模仿大模型的输出；量化通过降低模型参数的数值精度。
- 对模型结构的影响：蒸馏通常需要重新训练一个新的小模型；量化一般在不改变模型结构的情况下直接应用于已训练的模型。
- 性能影响：蒸馏后的模型在性能上更接近原始大模型；量化可能会引入一定的精度损失，但通过精心设计的量化策略，可以将这种影响降至最低。
在实际应用中，蒸馏和量化技术常常结合使用，以同时实现模型的高效性和高性能。