---
title: "Model yang ditolak BroadNet: LLM, pertuturan, OCR, embedding"
description: "BroadNet menerbitkan model yang diuji dan ditolaknya, dengan sebab: model chat yang gagal get keselamatan kelayakan; model pertuturan, OCR, embedding yang kalah."
url: https://broadrouter.com/ms/blog/models-broadnet-ruled-out/
lang: ms
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Diterjemahkan daripada bahasa Inggeris dengan bantuan AI. [Baca versi asal dalam bahasa Inggeris](https://broadrouter.com/blog/models-broadnet-ruled-out/) (dikemas kini 2026-11-16).

# Model yang dinilai dan ditolak oleh BroadNet, dan sebabnya

Oleh pasukan BroadNet Inference · 4 minit bacaan · Diterbitkan 2026-11-15 · Dikemas kini 2026-11-16

Katalog model BroadNet menandakan kira-kira 30 model dan kaedah sebagai ditolak selepas diuji dalam makmalnya. Kebanyakan sebabnya terbahagi kepada lima kumpulan: model kalah kepada model lebih kuat untuk tugas yang sama, get keselamatan kelayakan, lesen yang menghalang penyajian API, format kuantisasi yang kalah dalam perbandingan bersemuka, dan kemerosotan bahasa Arab. Semua keputusan ialah ukuran BroadNet sendiri dari September 2026.

## Perkara utama

-   Katalog BroadNet melabel setiap model PROD, SERVED, BENCH, QUANT, FT atau RULED OUT, dan memberi sebab bagi setiap penolakan.
-   Bateri ujian keselamatan kelayakan BroadNet menahan tiga model chat daripada peranan keselamatan: Qwen3.5 35B A3B, serta GLM 4.7 Flash dan Nemotron 3 Nano 30B A3B, yang kekal berlabel SERVED dan bukan RULED OUT.
-   Penyahkodan spekulatif EAGLE3 ditolak selepas ia mengurangkan 69% daya pemprosesan pada 32 permintaan serentak.
-   LlamaParse ditolak sebagai penyandang penghuraian dokumen: ia kehilangan jadual, dan BroadNet menyatakan hos sendiri 98% lebih murah bagi setiap 1,000 halaman.
-   Kemenangan di papan pendahulu awam tidak bertahan pada trafik bahasa Arab sebenar BroadNet bagi beberapa model embedding.

**Dalam halaman ini**

1.  Model chat manakah yang ditolak oleh BroadNet?
2.  Model pertuturan manakah yang ditolak?
3.  Model dokumen, embedding dan imej manakah yang kalah?
4.  Apakah yang boleh anda pelajari daripada penolakan ini?

[Katalog model](https://www.broadnet.ai/inference/models) BroadNet menyenaraikan setiap model yang dikatakannya telah dijalankan, diuji tanda aras, dikuantisasi atau ditala halus pada perkakasannya sendiri, dan menandakan model yang ditolaknya beserta sebab. Kira-kira 30 model dan kaedah membawa label RULED OUT. Angka di bawah diukur dalam makmal BroadNet pada September 2026; ia keputusan BroadNet, bukan keputusan kami.

Katalog menggunakan enam label: PROD (membawa trafik langsung), SERVED (dalam kata-kata katalog itu, “ran on our fleet” (Terjemahan: berjalan pada armada kami)), BENCH (diuji tanda aras), QUANT (BroadNet menghasilkan kuantisasinya), FT (BroadNet menala halusnya) dan RULED OUT.

## Model chat manakah yang ditolak oleh BroadNet?

| Model | Apa yang dilakukan BroadNet | Mengapa ia ditolak |
| --- | --- | --- |
| Qwen3.5 35B A3B (AWQ 4-bit) | Disajikan sebagai peringkat kelajuan, kira-kira 164 token/s | Gagal bateri ujian keselamatan kelayakan BroadNet untuk peranan keselamatan |
| GLM 4.7 Flash (AWQ) | Disajikan secara eksperimen | Berlabel SERVED, bukan RULED OUT: BroadNet menyatakan ia ditolak untuk peranan keselamatan oleh bateri ujian keselamatan kelayakannya dan ditahan di bawah tahap pengeluaran |
| Nemotron 3 Nano 30B A3B (NVFP4) | Disajikan dengan penghurai penaakulan tersuai | Berlabel SERVED, bukan RULED OUT: BroadNet menyatakan ia ditolak untuk peranan keselamatan oleh bateri ujian keselamatan kelayakannya dan ditahan di bawah tahap pengeluaran |
| Qwen3.6 35B A3B | Disajikan pada RTX 5090 dan GB10 | Kalah slot chatbot kepada Gemma 4 26B |
| Gemma 4 E4B (AWQ INT4) | Disajikan pada GB10 sebagai penyewa bersama, kira-kira 94 token/s | Kalah slot chatbot kepada Gemma 4 26B |
| Gemma 4 26B A4B NVFP4 (tiga penerbit) | Kuantisasi dinilai | Diberhentikan dan digantikan AWQ selepas perbandingan bersemuka pada GPU sm\_120 dan sm\_121 |
| Penyahkodan spekulatif EAGLE3 | Diuji untuk penyajian tepu | Mengurangkan 69% daya pemprosesan pada 32 permintaan serentak; drafter ramalan berbilang token dikekalkan |

Coraknya penting bagi sesiapa yang memilih model terbuka. Tiga daripada penolakan itu berkaitan keselamatan, bukan kualiti: model yang cukup laju tetapi mengulang kelayakan. Itulah mod kegagalan yang paling kerap ditemui oleh [kajian Safety Map](https://broadrouter.com/ms/blog/llm-safety-map-39-models/) BroadNet dalam model mixture-of-experts yang kecil parameter aktifnya. Model yang memenangi slot chatbot, Gemma 4 26B A4B, ialah model yang dijual BroadNet sebagai [Gemma 4 VL 26B](https://broadrouter.com/ms/models/gemma-4-vl-26b/).

## Model pertuturan manakah yang ditolak?

| Model | Mengapa ia ditolak |
| --- | --- |
| Gemma 4 E2B, Gemma 4 12B (sebagai transkriber) | Varian audio E4B dikekalkan |
| Omnilingual ASR 300M, 1B, 3B dan varian CTC (Meta) | Varian 7B memenangi slot |
| Voxtral Mini 3B / 4B Realtime (Mistral) | Ditolak untuk bahasa Arab |
| ArTSTv3 (keturunan MBZUAI) | Ditolak untuk slot bahasa Arab; Cohere Transcribe Arabic dikekalkan |
| FireRedVAD, DeepFilterNet, BNR (bahagian hadapan) | Pengesanan aktiviti suara Silero diguna pakai selepas perbandingan bersemuka |

BroadNet melaporkan bahawa model yang dikekalkannya, Cohere Transcribe Arabic 07-2026, mencatat kadar ralat perkataan 21.1 pada pertuturan dialek MASC, berbanding 22.3 untuk ElevenLabs Scribe v2 dan 31.5 untuk Whisper large-v3, dalam ujiannya sendiri. Ia menyajikan model itu sebagai [BroadNet Transcribe Arabic](https://broadrouter.com/ms/models/cohere-transcribe-arabic/). Katalog juga menyatakan Whisper large-v3 diuji tanda aras sebagai sandaran.

## Model dokumen, embedding dan imej manakah yang kalah?

**OCR dan penghuraian dokumen**

-   **LlamaParse**, API penyandang, mencatat 16.6 pada subset OmniDocBench BroadNet. BroadNet menolaknya kerana “it loses tables, and self-hosting is 98% cheaper per 1,000 pages” (Terjemahan: ia kehilangan jadual, dan hos sendiri 98% lebih murah bagi setiap 1,000 halaman).
-   **olmOCR-2, HunyuanOCR, GOT-OCR 2.0 dan Nanonets OCR2** dinilai dan ditolak; Nanonets atas syarat lesen. dots.mocr dikekalkan sebagai pilihan pengeluaran kerana ia boleh menghurai dan menerangkan rajah, walaupun PaddleOCR-VL 1.6 mencatat skor lebih tinggi (94.74 berbanding 86.81).

**Embedding**

-   **gemini-embedding-2** ditolak untuk bahasa Arab selepas ia merosot berbanding gemini-embedding-001 (0.767 berbanding 0.824 pada penanda aras dapatan semula BroadNet).
-   **nomic-embed-text v1.5**, bekas penyandang, mencatat 0.468 secara keseluruhan dan 0.130 untuk bahasa Arab, lalu diberhentikan.
-   **Octen 8B, Harrier 0.6B dan Nemotron Embed 1B** disajikan dan ditolak pada trafik bahasa Arab sebenar, “where our podium held despite their public-board wins” (Terjemahan: di mana podium kami kekal walaupun mereka menang di papan awam).

BroadNet menambah satu dapatan yang lebih penting daripada pilihan model: arahan pertanyaan khusus beban kerja menggerakkan kualiti dapatan semula (nDCG) sebanyak 0.048, lebih besar daripada beralih daripada model embedding 4B kepada 8B.

**Penjanaan imej dan keselamatan**

-   **Cosmos3 Super 64B dan HunyuanImage 3.0 80B** ditolak atas kesesuaian perkakasan dan syarat lesen.
-   **openai/privacy-filter 1.5B** menangkap 100% kelayakan tetapi 0% angka gaji dalam korpus kebocoran BroadNet, jadi ia ditolak sebagai tembok api.

## Apakah yang boleh anda pelajari daripada penolakan ini?

Empat pengajaran kekal benar di luar timbunan BroadNet sendiri:

1.  **Uji tugasnya, bukan papan pendahulu.** Beberapa model embedding yang menang di papan awam kalah pada trafik bahasa Arab sebenar.
2.  **Keselamatan ialah get yang berasingan.** Model yang laju dan berkebolehan masih boleh gagal ujian kelayakan. Jalankan satu ujian sebelum model melihat rahsia; [kaedah penilaian](https://broadrouter.com/ms/blog/llm-sensitive-data-safety-evaluation-method/) BroadNet ialah titik permulaan.
3.  **Lesen menentukan apa yang boleh disajikan.** Model bukan komersial seperti Voxtral 4B TTS dan Higgs Audio v3 hanya muncul dalam katalog sebagai siling kualiti.
4.  **Pilihan penyajian juga diukur.** Format kuantisasi dan kaedah drafting ditolak berdasarkan angka perbandingan bersemuka, bukan secara lalai. Lihat [perkakasan GPU dan pendekatan penyajian BroadNet](https://broadrouter.com/ms/blog/broadnet-gpu-fleet-and-serving/).

Setiap angka di sini datang daripada makmal dan trafik satu syarikat. Gunakannya sebagai senarai pendek perkara untuk diuji, kemudian [nilai pada data anda sendiri](https://broadrouter.com/ms/blog/evaluate-llm-before-switching/) sebelum bertukar. Baris yang ditolak atau sekadar diuji tanda aras juga bukan sesuatu yang boleh anda panggil; [membaca katalog model](https://broadrouter.com/ms/blog/understand-model-status/) menerangkan cara membezakan entri langsung, atas permintaan dan penyelidikan.

Alat percuma untuk topik ini (Bahasa Inggeris)

-   [LLM API cost calculator](https://broadrouter.com/tools/llm-api-cost-calculator/) Price a workload on every model at once, with cache hits, reasoning and a flat-plan check.
-   [LLM token counter](https://broadrouter.com/tools/token-counter/) Exact token counts with each model's real tokenizer, with a token view and cost.
-   [Context window calculator](https://broadrouter.com/tools/context-window-calculator/) Will it fit? Window used per model, room left for output, cost to send.

[Alatan percuma (Bahasa Inggeris)](https://broadrouter.com/tools/)

## Istilah dalam artikel ini

[AWQ (activation-aware weight quantization)](https://broadrouter.com/ms/glossary/awq/)

AWQ (activation-aware weight quantization) ialah kaedah pasca latihan yang memampatkan pemberat LLM kepada ketepatan rendah, biasanya integer 4-bit. Ia menggunakan statistik pengaktifan daripada set kalibrasi kecil untuk mencari saluran pemberat paling penting dan menskalakannya supaya kurang ketepatan hilang. Ia tidak memerlukan backpropagation.

[Token](https://broadrouter.com/ms/glossary/token/)

Token ialah unit teks yang dibaca dan ditulis oleh model bahasa: satu perkataan, sebahagian perkataan, tanda baca atau jujukan bait yang dihasilkan oleh tokenizer model itu. API LLM mengira, mengehadkan dan biasanya mengebil penggunaan dalam token.

[Embedding (vektor teks)](https://broadrouter.com/ms/glossary/embeddings/)

Embedding ialah senarai nombor titik terapung (vektor) yang dihasilkan oleh model untuk mewakili sekeping teks, imej atau input lain. Input yang maknanya serupa mendapat vektor yang berdekatan, jadi jarak antara vektor boleh digunakan untuk menyusun hasil carian, mengelompokkan dokumen atau mencari item berkaitan.

[Baris Arab (tashkeel, Arabic diacritics)](https://broadrouter.com/ms/glossary/arabic-diacritics/)

Baris Arab, atau tashkeel, ialah tanda kecil yang ditulis di atas atau di bawah huruf untuk menunjukkan vokal pendek, konsonan berganda dan ketiadaan vokal. Ia pilihan: kebanyakan teks Arab, termasuk berita, meninggalkannya, jadi pembaca dan perisian meneka vokal daripada konteks.

[Daya pemprosesan (throughput)](https://broadrouter.com/ms/glossary/throughput/)

Daya pemprosesan (throughput), dalam penyajian LLM, ialah jumlah kerja yang disiapkan sistem bagi setiap unit masa merentas semua permintaan serentak, biasanya diukur sebagai token output sesaat atau permintaan sesaat. Ia berbeza daripada kelajuan setiap strim, iaitu sepantas mana satu permintaan menerima tokennya.

[INT4](https://broadrouter.com/ms/glossary/int4/)

INT4 ialah format nombor integer 4-bit yang boleh mewakili 16 tahap. Dalam inferens LLM, ia biasanya bermaksud kuantisasi pemberat sahaja 4-bit (W4A16): pemberat disimpan sebagai INT4 bersama faktor skala dan dikembangkan kepada 16-bit semasa pengiraan, menggunakan kira-kira suku daripada memori pemberat 16-bit.

[Kadar ralat perkataan (word error rate, WER)](https://broadrouter.com/ms/glossary/word-error-rate/)

Kadar ralat perkataan (WER) ialah ukuran ketepatan standard untuk pengecaman pertuturan: bilangan penggantian, pemadaman dan penyisipan perkataan yang diperlukan untuk menukar transkrip kepada rujukan yang betul, dibahagi dengan bilangan perkataan dalam rujukan. Lebih rendah lebih baik.

[Keserentakan (concurrency)](https://broadrouter.com/ms/glossary/concurrency/)

Keserentakan ialah bilangan permintaan yang sedang berjalan serentak daripada satu klien. API LLM sering mengehadkannya bagi setiap kunci atau pelan, berasingan daripada permintaan seminit, kerana setiap permintaan yang terbuka memegang kapasiti GPU sehingga responsnya selesai.

## Soalan lazim

### Mengapakah BroadNet menerbitkan model yang ditolaknya?

Katalognya menyatakan ia menerbitkan "what we rule out as carefully as what we ship" (Terjemahan: apa yang kami tolak dengan teliti sama seperti apa yang kami lancarkan), supaya pembeli dapat melihat alasan di sebalik setiap cadangan. Penolakan yang disertai sebab ialah bukti yang boleh anda uji pada beban kerja anda sendiri.

### Adakah "ditolak" bermakna model itu teruk?

Tidak. Kebanyakan penolakan adalah untuk satu slot dalam saluran paip BroadNet sendiri, pada persediaan dan trafik yang dilaporkan oleh BroadNet. Qwen3.6 35B A3B dan Gemma 4 E4B kalah slot chatbot kepada Gemma 4 26B; model itu mungkin masih sesuai untuk tugas anda.

### Apakah itu bateri ujian keselamatan kelayakan?

Ujian BroadNet sama ada sesuatu model mengulang kelayakan (credentials) yang dilihatnya, berdasarkan kaedah penilaian data sensitif yang diterbitkannya. Model yang gagal ditahan di bawah tahap pengeluaran untuk peranan keselamatan.

### Mengapakah lesen menyebabkan model ditolak?

Sesetengah model yang kuat, seperti Voxtral 4B TTS dan Higgs Audio v3, adalah bukan komersial, jadi BroadNet hanya mengujinya sebagai siling kualiti dan tidak boleh menyajikannya melalui API berbayar.

### Adakah model yang ditolak tersedia di BroadNet Inference?

Tidak. API ini menjual enam model, dan tiga lagi tersedia atas permintaan. Model yang ditanda ditolak tidak ditawarkan.

## Teruskan membaca

-   [Perkakasan GPU dan pendekatan penyajian BroadNet, menurut BroadNet](https://broadrouter.com/ms/blog/broadnet-gpu-fleet-and-serving/)
-   [Cara menilai LLM sebelum bertukar penyedia](https://broadrouter.com/ms/blog/evaluate-llm-before-switching/)
-   [The Safety Map: bagaimana 39 LLM mengendalikan data sensitif](https://broadrouter.com/ms/blog/llm-safety-map-39-models/)
-   [API speech-to-text bahasa Arab: cara memilih pada 2026](https://broadrouter.com/ms/blog/arabic-speech-to-text-api-buyers-guide/)
-   [Live, atas permintaan, penyelidikan: cara membaca katalog model](https://broadrouter.com/ms/blog/understand-model-status/)
-   [Alternatif Artificial Analysis: tempat membandingkan LLM pada 2026](https://broadrouter.com/ms/blog/artificial-analysis-alternatives/)
-   [Perbandingan SLA API LLM: janji Azure, Bedrock, Google dan OpenAI](https://broadrouter.com/ms/blog/llm-api-sla-uptime-compared/)
-   [Panduan: Cuba BroadNet Inference dalam pelayar, tanpa akaun](https://broadrouter.com/ms/guides/try-broadnet-inference-playground/)

Cuba dengan beban kerja sebenar anda. Akaun baharu bermula dengan kredit US$5 untuk Gemma dan transkripsi. DeepSeek, GLM dan Qwen3.8 memerlukan tambah nilai.

[Mulakan](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=ms-blog-models-broadnet-ruled-out&utm_content=page-cta) ·

**Sumber**

-   [Katalog model BroadNet: setiap model yang dijalankan, diuji tanda aras, dikuantisasi atau ditala halus, termasuk model yang ditolak (diukur September 2026; diambil 2026-11-15) (Bahasa Inggeris)](https://www.broadnet.ai/inference/models)
-   [BroadNet Research: dapatan tentang penyahkodan spekulatif dan penyajian (diambil 2026-11-15) (Bahasa Inggeris)](https://www.broadnet.ai/research)
-   [Halaman model Gemma 4 VL 26B BroadNet (diambil 2026-11-15) (Bahasa Inggeris)](https://www.broadnet.ai/inference/models/gemma-4-vl-26b)
-   [Halaman model BroadNet Transcribe Arabic (diambil 2026-11-15) (Bahasa Inggeris)](https://www.broadnet.ai/inference/models/cohere-transcribe-arabic)
