Catalogue
Models catalogue
What we can serve you: what is already loaded, what we start on request, and the country where each model runs.
Compare
The chat models we serve now, with the values we serve: context in tokens, prompt and answer together; the longest answer is max_tokens up to 8,192 on every model. Choose what you need:
All countries 🇨🇭 Switzerland 🇮🇹 Italy Calls tools Reads images Reasons
| Model | Runs in | Context | Tools | Images | Reasons | EUR / 1M in · out |
|---|---|---|---|---|---|---|
| No model matches. Show all. | ||||||
«—» means not tried yet. Every value comes from our engines or from a request through the API, not from the publisher's card.
Ready to use
Already loaded: the first request answers without a start-up wait. There are 13. Each one lists the countries where it runs. A request never leaves the zones allowed for your key — groups of machines, each in one country — and so never leaves their countries.
apertus-70b-instruct
Apertus 70B, il modello aperto della Swiss AI Initiative (EPFL, ETH di Zurigo e CSCS), addestrato su testi in più di mille lingue. Versione 2509, pesi a 4 bit. Contesto di 65.536 token sulla Blackwell (@blackwell6000pro), 16.384 sulla L40S.
Precision: 4 bits, w4a16 (Red Hat), version 2509 · Everything about it
€ 0.70 input · € 2.70 output, per million tokens
gemma-4-26b
Gemma 4 26B A4B di Google, una mistura di esperti. Legge immagini oltre al testo, come foto di documenti, scansioni e schermate. Restituisce bene dati strutturati. Contesto di 262.144 token, pesi a 8 bit.
Precision: FP8, 8 bits (Red Hat) · Everything about it
€ 0.20 input · € 0.50 output, per million tokens
qwen3.6-35b
Qwen3.6 35B A3B di Alibaba, una mistura di esperti che usa circa 3 miliardi di parametri per token: veloce e poco costoso. Per chat, riassunti, traduzioni ed estrazione di campi dai testi. Legge immagini. Così come lo serviamo risponde senza ragionare prima. Contesto di 262.144 token, pesi a 8 bit.
Precision: FP8, 8 bits (Qwen) · Everything about it
€ 0.20 input · € 1.20 output, per million tokens
qwen3.8-27b
Qwen3.8 27B di Alibaba, denso. Ragiona prima di rispondere, cosa che aiuta con codice, calcoli, pianificazione e agenti che usano strumenti; il ragionamento conta come token in uscita. Con reasoning_effort "none" si spegne. Contesto di 262.144 token sulla R9700 (pesi a 4 bit MXFP4 pubblicati da AMD), 131.072 sulla L40S (pesi FP8).
Precision: MXFP4, 4 bits (AMD Quark), with an 8-bit speculative head · Everything about it
€ 0.45 input · € 2.70 output, per million tokens
qwen3-coder-30b
Qwen3-Coder 30B A3B di Alibaba, addestrato per il codice: scrivere, spiegare e modificare codice, usare strumenti. Una mistura di esperti con circa 3 miliardi di parametri per token, quindi risponde in fretta. Contesto di 262.144 token, pesi a 8 bit.
Precision: FP8, 8 bits (Qwen) · Everything about it
€ 0.12 input · € 0.50 output, per million tokens
qwen3-coder-next
Qwen3-Coder-Next di Alibaba (febbraio 2026), addestrato per il codice e per gli agenti di programmazione: scrive, spiega e modifica codice in tutto un progetto. Usa anche gli strumenti. Una mistura di esperti da 80 miliardi di parametri, circa 3 per token, quindi veloce quanto il 30B. Contesto di 262.144 token, pesi a 8 bit.
Precision: FP8, 8 bits (Qwen) · Everything about it
€ 0.15 input · € 0.80 output, per million tokens
ministral-3-14b
Ministral 3 14B di Mistral AI: piccolo e veloce, per risposte brevi, classificazione ed estrazione. Legge immagini. Contesto di 262.144 token.
Precision: As released by Mistral AI · Everything about it
€ 0.19 input · € 0.19 output, per million tokens
mistral-small-4-119b
Mistral Small 4 di Mistral AI (marzo 2026): legge immagini, usa strumenti e ragiona solo quando una richiesta lo chiede (reasoning_effort "high"). Una mistura di esperti da 119 miliardi di parametri, circa 6,5 per token, quindi risponde in fretta. Contesto di 262.144 token, pesi a 4 bit (NVFP4) pubblicati da Mistral AI.
Precision: NVFP4, 4 bits (Mistral) · Everything about it
€ 0.15 input · € 0.60 output, per million tokens
gpt-oss-120b
gpt-oss-120b, il modello a pesi aperti di OpenAI: una mistura di esperti con circa 5 miliardi di parametri per token. Ragiona prima di rispondere, a tre livelli (reasoning_effort low, medium o high); il ragionamento conta come token in uscita. Pesi originali, MXFP4.
Precision: MXFP4, 4 bits, as released by OpenAI · Everything about it
€ 0.15 input · € 0.60 output, per million tokens
mistral-medium-3.5-128b
Mistral Medium 3.5 di Mistral AI (aprile 2026), il suo modello aperto più forte: denso, 128 miliardi di parametri, legge immagini e usa strumenti. Bravo con il codice e con i compiti lunghi; così come lo serviamo risponde senza ragionare prima. Contesto di 262.144 token, pesi a 8 bit pubblicati da Mistral AI.
Precision: FP8, 8 bits (Mistral) · Everything about it
€ 1.40 input · € 7.00 output, per million tokens
qwen2.5:1.5b
Qwen 2.5 1.5B, un modello molto piccolo per compiti semplici e ripetitivi in cui conta soprattutto il tempo della risposta. Pesi a 4 bit.
Precision: 4 bits (Ollama) · Everything about it
€ 0.02 input · € 0.05 output, per million tokens
bge-m3
Embedding BGE-M3: trasforma un testo in un vettore di 1.024 numeri per cercare per significato invece che per parole, in più di 100 lingue, anche mescolate. Solo token in ingresso.
€ 0.02 per million input tokens
bge-reranker-v2-m3
Reranker BGE v2 m3: legge i risultati di una ricerca insieme alla domanda e mette prima quelli pertinenti. Non si paga.
Not charged
If you need a model that is not listed
Ask us. Any open-weight model that fits the capacity we have can be added: it is a mechanical operation, not a project. The list above is what we serve today, not the limit of what we can serve.
What we do not do is resell the closed models of OpenAI or Anthropic: we could not run them ourselves, so we could not make any of the commitments we make on everything else.
Write to info@internetone.it.
Audio
Transcription with whisper-1 and whisper-1-hd; speech with the voices
paola and riccardo in Italian, amy and ryan in
English, thorsten in German, siwis in French. OpenAI voice names are
accepted as synonyms. Details in Audio API.