PandaNpc kan använda inbyggda chattmodeller som tillhandahålls av tjänsten och modeller som ansluts via din egen API-leverantör. Den kan också fjärrstyra kodningsmotorer som Claude Code, OpenAI Codex och PandaCode. Dessa är relaterade val, men de är inte utbytbara.
Den här sidan är en ögonblicksbild av den inbyggda modellkatalogen den 17 augusti 2026. Modelltillgången förändras snabbare än dokumentationen, så modellväljaren i appen är auktoritativ. Den offentliga AI-modelltopplistan är den bästa platsen för att jämföra aktuell kvalitet, hastighet och prisdata.
Inbyggd modellkatalog
Inbyggda modeller kan väljas utan att du anger din egen leverantörsnyckel. Katalogen innehåller för närvarande:
| Leverantörsfamilj | Modeller som visas i PandaNpc | Bra utgångspunkt för |
|---|---|---|
| OpenAI | GPT-5.6 Sol | Allmänt resonemang, kodning, verktygsorienterade arbetsflöden |
| Anthropic | Claude Fable 5, Claude Opus 4.8, Claude Sonnet 5 | Omfattande resonemang, kodgranskning, implementeringsplanering |
| Gemini 3.1 Pro | Multimodalt arbete och arbete med långa dokument | |
| DeepSeek | DeepSeek v4 pro, DeepSeek v4 flash | Resonemang eller snabbare kostnadskänsliga förfrågningar |
| Moonshot AI | Kimi Coding k3, Kimi Coding k3 [1m], Kimi K3 | Kodning och arbetsflöden med lång kontext; [1m]-posten identifierar explicit varianten med stort fönster |
| Zhipu AI | GLM-5.2 | Allmänna kinesiska och kodningsuppgifter |
| Alibaba | Qwen 3.7 Max | Allmänt resonemang, flerspråkigt arbete och kod |
Namn i väljaren identifierar en tjänstekonfiguration, inte en permanent prestandagaranti. Leverantörer kan revidera underliggande modellversioner, kontextgränser, prissättning, hastighetsbegränsningar eller regional tillgänglighet.
Inbyggda modeller, API-modeller och kodningsmotorer
Välj rätt lager innan du jämför namn:
| Lager | Var det körs | Autentisering och fakturering | Typisk användning |
|---|---|---|---|
| Inbyggd PandaNpc-modell | Genom PandaNpc-modelltjänsten | Använder din PandaNpc-åtkomst och tillämplig tjänstekvot | Chatt, anteckningar, sammanfattningar och AI-funktioner som stöds |
| Egen leverantörsmodell | Direkt mot den Base URL du konfigurerar när det stöds | Använder din leverantörs API key och leverantörens fakturering | OpenAI-kompatibla slutpunkter, privata gateways, Ollama eller LM Studio |
| Claude Code- eller Codex-motor | På din anslutna dator | Använder kontot eller API-konfigurationen för den lokala CLI:n | Redigera repositories, köra kommandon och agentisk kodning |
| PandaCode-motor | På din anslutna dator med en konfigurerbar backend | Använder den modell/leverantör som tilldelats PandaCode | Arbetsflöde i Claude Code-stil på DeepSeek, Qwen, privata gateways och andra API:er som stöds |
Att välja GPT-5.6 Sol i en chatt ändrar inte modellen som används av en Codex-process som redan körs på din dator. På samma sätt ger en delad Claude Code-anslutning inte en separat kvot för inbyggda chattmodeller. Se PandaPaw-anslutningsreferensen för hur lokala kodningsmotorer exponeras på distans.
Så här väljer du en modell
Utgå från uppgiften snarare än varumärkesnamnet:
- Kodning i repositoryskala: använd Claude Code, Codex eller PandaCode när uppgiften kräver filer, shellkommandon, tester och verktygsgodkännanden. Välj motorns modell utifrån repositoryt och budgeten.
- Komplext resonemang eller granskning: börja med en flaggskepps- eller "pro"-modell som GPT-5.6 Sol, Claude Opus 4.8, Claude Sonnet 5, Gemini 3.1 Pro eller DeepSeek v4 pro, och jämför sedan faktiska resultat på din prompt.
- Snabb iteration: en "flash"-konfiguration som DeepSeek v4 flash kan passa bättre för klassificering, omskrivning, extraktion och upprepade små anrop.
- Mycket lång indata: välj en katalogpost vars angivna kontextfönster täcker förfrågan, till exempel Kimi Coding k3 [1m], men antag inte att maximal kontext ger maximal noggrannhet. Hämtning, sammanfattningar och mindre fokuserade indata är ofta mer tillförlitliga och billigare.
- Kinesiskt eller flerspråkigt arbete: jämför Kimi-, DeepSeek-, GLM-, Qwen-, Gemini-, Claude- och OpenAI-alternativ på representativ text. Språkkvaliteten varierar beroende på domän och instruktionsstil.
- Kostnadskänsliga arbetsbelastningar: jämför inmatningspris, utmatningspris, policy för cachelagrad inmatning samt fel-/försöksfrekvens. En billigare token kan fortfarande kosta mer om modellen kräver upprepade försök.
Kontextfönster och utdatagräns är inte samma sak
Kontextfönstret är den totala tokenbudgeten för instruktioner, konversationshistorik, verktygsresultat, hämtad text och genererad utdata. Inställningen för maximal utdata begränsar endast svaret. En modell som annonseras med ett fönster på en miljon token accepterar inte nödvändigtvis en prompt på en miljon token när systeminstruktioner och reserverad utdata ingår.
För anpassade PandaCode-modeller visar modellformuläret Context Window och Max Tokens. Lämna dem oangivna om PandaNpc redan känner till modellen. Om du anger egna värden, använd leverantörens dokumenterade gränser och lämna säkerhetsmarginal för systemprompter och komprimering. Om du anger ett fönster som är större än vad uppströms-API:et stöder kan en långvarig session misslyckas först efter betydande arbete.
Tillgänglighet, kvoter och integritet
Innan du förlitar dig på en modell i produktion, bekräfta följande:
- Den visas i din aktuella modellväljare och är auktoriserad för ditt konto.
- Dess inmatningstyper matchar din uppgift; en textmodell kanske inte accepterar bilder eller filer.
- Dess leverantörskvot, hastighetsbegränsning och faktureringspolicy är acceptabla.
- Dina krav på datahantering tillåter att det valda innehållet skickas till den leverantören.
- Verktygsanrop och strukturerad utdata fungerar med den exakta modellversion du valde.
PandaNpc kan överföra chatt- eller sessionsinnehåll till leverantören som driver den valda funktionen. Granska Integritetspolicyn och din leverantörs egna villkor för datalagring och träning innan du skickar konfidentiellt material.
Lägga till en modell som inte är listad
Om en OpenAI-kompatibel eller stödd leverantörsmodell saknas, lägg till en leverantör och registrera sedan dess exakta modellidentifierare. Visningsetiketten kan vara användarvänlig, men Model Value måste matcha den identifierare som uppströms-API:et förväntar sig. Följ Konfigurera en anpassad AI-leverantör och API key för hela installations- och verifieringsflödet.
När en modell försvinner eller misslyckas oväntat, kontrollera först den aktuella modellväljaren och leverantörens status. Katalogändringar, pensionerade modell-ID:n, utgångna nycklar, kontogränser och inkompatibla kontextinställningar är vanligare orsaker än ett installationsproblem med PandaNpc-klienten.