Perceptron: Perceptron Mk1 ist ein Textmodell von Perceptron, veröffentlicht am 2026-05-12. Sao10K: Llama 3.1 Euryale 70B v2.2 stammt von Sao10K und wurde am 2024-08-28 veröffentlicht. Beide werden als Modelle der Kategorie Text auf api14 bereitgestellt, und beide geben Text als ihre einzige Ausgabemodalität zurück, sodass alles, was Sie mit einem der beiden generieren, als Text zurückkommt.
Die beiden unterscheiden sich am deutlichsten bei Kontext, Modalitäten und Reasoning. Perceptron Mk1 akzeptiert Text, Bild und Video als Eingabe, während das Euryale-Modell nur Text akzeptiert. Dadurch ist Perceptron Mk1 die Wahl, wenn Ihr Prompt einen Screenshot, ein Diagramm, eine gescannte Seite oder einen Videoclip zusammen mit schriftlichen Anweisungen enthalten muss. Das Euryale-Modell hat das größere Kontextfenster, mit 131072 Tokens gegenüber 32768 bei Perceptron Mk1, sodass es weit mehr Text in einem einzigen Aufruf aufnehmen kann, was bei langen Dokumenten, ausgedehnten Transkripten oder großen Mengen an Referenzmaterial wichtig ist. Perceptron Mk1 ist das einzige der beiden, das als Reasoning-unterstützend beschrieben wird, und sein Parametersatz umfasst include_reasoning und reasoning, es ist also das Modell der Wahl, wenn Sie möchten, dass das Modell ein Problem durcharbeitet, bevor es antwortet. Das Euryale-Modell bietet stattdessen einen breiteren Satz an Sampling- und Steuerungsparametern, darunter logit_bias, min_p, repetition_penalty, seed und stop, was Ihnen feinere Kontrolle darüber gibt, wie sein Text erzeugt wird. Bei strukturierten Ausgaben unterscheiden sich die beiden nicht wesentlich, und keines wird als das einzige mit Tool-Unterstützung herausgestellt.
Bei der Wahl zwischen ihnen beginnen Sie mit der Form der Eingabe. Wenn Ihre Aufgabe Bilder oder Video umfasst, kann nur Perceptron Mk1 das aufnehmen, die Entscheidung ist also bereits gefallen. Wenn Ihre Aufgabe nur Text betrifft, das Material aber sehr lang ist, ist das größere Kontextfenster des Euryale-Modells ein echter Vorteil, und seine zusätzlichen Stellschrauben (seed für Reproduzierbarkeit, logit_bias zur Steuerung, repetition_penalty gegen sich wiederholenden Text) eignen sich für Generierungsarbeit, bei der Sie die Ausgabe abstimmen möchten. Wenn Ihre Aufgabe ein Textproblem ist, das von explizitem Reasoning profitiert, ist Perceptron Mk1 das Modell, das Sie aufrufen sollten. Bei den Kosten ist die Eingabe bei Perceptron Mk1 günstiger, während die Ausgabe beim Euryale-Modell günstiger ist, die günstigere Option hängt also davon ab, ob Ihre Arbeitslast eingabelastig oder ausgabelastig ist; die aktuelle Preistabelle zeigt die derzeitigen Zahlen.
Der Aufruf beider Modelle funktioniert auf dieselbe Weise über die OpenAI-kompatible API von api14. Sie richten Ihren Client auf die Basis-URL von api14 aus, senden Ihre Anfrage mit Ihrem api14-Schlüssel an den Chat-Completions-Endpunkt und setzen das Feld model auf die gewünschte id. Um Perceptron Mk1 zu verwenden, setzen Sie die Modell-id auf perceptron/perceptron-mk1. Um das Euryale-Modell zu verwenden, setzen Sie sie auf sao10k/l3.1-euryale-70b. Alles andere im Anfragetext behält dieselbe Form, das Wechseln des Modells ist also eine Änderung der Modell-id in einer Zeile. Beachten Sie, dass die Parameter zwischen den beiden nicht identisch sind: Perceptron Mk1 unterstützt reasoning und include_reasoning, was das Euryale-Modell nicht tut, und das Euryale-Modell unterstützt logit_bias, min_p, repetition_penalty, seed und stop, was Perceptron Mk1 nicht tut. Senden Sie nur Parameter, die das Zielmodell auflistet, und derselbe Codepfad bedient beide.
Es gibt weiterhin Fälle, in denen das Euryale-Modell die bessere Wahl ist, selbst wenn Reasoning nicht erforderlich ist. Wenn Ihre Eingabe reiner Text ist und lang ausfällt, ermöglicht Ihnen sein Kontext von 131072 Tokens, Chunking- oder Retrieval-Arbeit zu vermeiden, die Sie mit einem Fenster von 32768 Tokens sonst bräuchten, und die günstigere Ausgabepreisgestaltung hilft, wenn die Antwort den Großteil des Aufrufs ausmacht. Perceptron Mk1 bleibt die bessere Wahl, wenn Bilder, Video oder Reasoning Teil der Aufgabe sind.