elephant-1

elephant-1 是 baselabs 发布的文本到文本模型，2026 年 10 月 19 日公开，权重以 MIT 许可证开放，可下载、修改与再分发。它要解决的核心问题，是让团队把文本生成能力放进自己的环境：不必依赖外部接口，也不必把自有数据交出去。除名称外，所属系列、参数规模、训练数据与能力清单都没有随发布一并给出，官方价格同样未公开，目前也没有第三方托管平台收录或公开跑分。因此它更适合被当作一个待验证的基座模型：先用自有样本试跑，再决定是微调后上线，还是换用资料更完整的方案。对许可条款敏感、需要长期自托管文本能力的团队，是它比较自然的目标用户。

选型建议需要可自托管、可改造的纯文本基座并愿意自行验证效果时可以考虑；要求开箱即用或需要公开跑分背书时不宜选它。

• 在自有语料上做小规模微调，验证垂直领域的文本生成效果
• 把权重部署到内网，处理不便外发的文档摘要与改写需求
• 搭建内部原型，横向比较不同开源基座在同类任务上的表现
• 基于 MIT 许可改造模型结构，做二次分发前的可行性验证

该模型为纯文本输入、纯文本输出的开源权重模型，具体网络结构与参数规模未在公开事实中给出。

• 结构仅标注 text 到 text 的单模态路径，未披露层数、注意力机制与上下文长度，结构细节需以官方权重与配置文件为准。
• 能力能力项未标注，也没有任务覆盖清单，实际强弱要靠自有数据做小样本验证后再判断用途。
• 披露以 MIT 许可证开放权重，允许商用与改造，但训练数据来源、评测口径均未见公开说明。

开源权重

是

许可证

mit

官方与第三方跑分均未收录，性能只能做定性判断，任何量化结论都需要自行实测。

• 强项文本生成类任务可直接承接，权重开放便于做私有化微调与领域适配，适合数据不便出域的团队。
• 短板缺少可核验的评测数据，长上下文、推理强度与多语言表现均无公开结论，难以与同类模型做量化对比。
• 适合当作可自托管的基座先试跑，确认效果后再放量；不建议直接接入对准确率有硬性要求的线上链路。

官方价格未公开，且当前没有平台收录，成本判断只能围绕自托管展开。

• 定位开源权重加 MIT 许可，成本主要是算力与工程投入，而不是按 token 计费的调用账单。
• 横向对比低频小规模场景用按量计费的闭源接口更省事，只有高频稳定负载才可能靠自托管摊薄成本。
• 平台差价0 家平台收录，暂无托管报价可横向比较，跨平台价差与折扣空间都无从判断。
• 省钱先用单机小规模验证效果，确认可用后再扩集群，避免在能力未明前预付大额算力。

取上下文相近（约 0.5~2 倍）的同类主流模型；同厂商、同家族优先；价格差为相对本模型的输入价

• 口径能力与价格均为未标注或未公开状态，关于效果与成本的任何结论都需要自行实测复核。
• 边界纯文本模型，不涉及图像与音频输入；许可宽松不等于合规免责，训练数据来源需自行评估。

本页资料由多个公开来源交叉整理：按「官方目录 → 通用网关 → 开源仓库 → 中文资料」的优先级合并， 冲突时取优先级高的来源。价格单位是美元 / 百万 tokens，为各平台对 API 调用的报价，不含自部署成本。 资料由公开来源整理，不代表 AiTest 已对该模型或其收录中转站做过真实性、稳定性或安全检测。

本页的模型介绍、架构、性能与性价比解读为 AI 综合公开信息整理，部分未经本站逐项核实；规格、价格与跑分以本页数据字段为准。