ScaleDown: Classify-1 vs. Together: Tev1 4B Experimental
Ein direkter Vergleich von ScaleDown: Classify-1 (0,14 $ / 1 Mio. Tokens (≈ 0,13 €)) und Together: Tev1 4B Experimental (0,15 $ / 1 Mio. Tokens (≈ 0,13 €)) mit aktuellen USD-Preisen und Funktionen aus dem api14-Katalog. Beide laufen über dieselbe OpenAI-kompatible API.
Technische Daten
| ScaleDown: Classify-1 | Together: Tev1 4B Experimental | |
|---|---|---|
| Anbieter | ScaleDown | Together |
| Eingabe | 0,14 $ / 1 Mio. Tokens (≈ 0,13 €) | 0,15 $ / 1 Mio. Tokens (≈ 0,13 €) |
| Kontextfenster | 1.000.000 | 32.768 |
| Max. Ausgabe | 900.000 | 8 |
| Eingabe | text, image, file | text |
| Ausgabe | decisions | decisions |
| Tool Calling | ||
| Strukturierte Ausgabe | ||
| Reasoning-Steuerung | ||
| Hinzugefügt | 13.10.2026 | 30.09.2026 |
Die wichtigsten Unterschiede
- Beide haben etwa denselben Eingabepreis.
- ScaleDown: Classify-1 liest 30.5× mehr Kontext (1.000.000 Tokens).
- Eine Anfrage mit 1.000 Eingabe- und 500 Ausgabe-Tokens kostet mit ScaleDown: Classify-1 0,000140 $ und mit Together: Tev1 4B Experimental 0,000147 $.
Im Detail
ScaleDown: Classify-1 ist ein Entscheidungsmodell von ScaleDown, und Together: Tev1 4B Experimental ist ein Entscheidungsmodell von Together. Beide gehören zur Kategorie decisions, was bedeutet, dass ihre Aufgabe darin besteht, eine Entscheidung zurückzugeben statt frei formulierten Text, und beide wurden Ende 2026 veröffentlicht, wobei Tev1 4B Experimental am 30. September 2026 und Classify-1 am 13. Oktober 2026 erschien. Keines der beiden Modelle stellt unterstützte Parameter bereit, daher konfiguriert man sie ausschließlich über den Prompt und die Eingabe, die man sendet.
Die deutlichste Trennung zwischen ihnen liegt bei Kontext und Eingabeverarbeitung. Classify-1 akzeptiert Text, Bilder und Dateien und verfügt über ein Kontextfenster von 1.000.000 Tokens. Tev1 4B Experimental akzeptiert nur Text und sein Kontextfenster beträgt 32.768 Tokens. Beim Preis sind die beiden bei der Eingabe etwa gleich, die Wahl ist auf der Eingabeseite also keine wirkliche Kostenfrage; die Ausgabepreisgestaltung ist hier nichts, was wir sinnvoll vergleichen können. Beide geben Entscheidungen als ihre einzige Ausgabemodalität zurück, daher ist keines von beiden ein allgemeiner Textgenerator.
Für die praktische Arbeit greift man zu Classify-1, wenn das zu klassifizierende Material groß oder formatgemischt ist. Lange Verträge, gescannte Dokumente, Screenshots, PDFs und bildlastige Tickets passen alle zu seinen Eingabemodalitäten und seinem sehr großen Kontext, sodass man ihm ein ganzes Bündel in einem Aufruf übergeben kann, statt Ergebnisse selbst zu zerlegen und zusammenzusetzen. Zu Tev1 4B Experimental greift man, wenn die Eingabe reiner Text ist und bequem in 32.768 Tokens passt, zum Beispiel beim Routing einer Support-Nachricht, beim Labeln eines kurzen Datensatzes oder beim schnellen Entscheiden über einen Prompt, den man bereits gekürzt hat. Wenn die eigene Pipeline nur Text verarbeitet und die Eingaben klein sind, ist das kleinere Modell die einfachere Wahl; sobald Bilder, Dateien oder sehr lange Eingaben ins Spiel kommen, ist Classify-1 dasjenige, das sie tatsächlich annehmen kann.
Beide Modelle über api14 aufzurufen funktioniert auf dieselbe Weise, weil das Gateway das OpenAI-kompatible chat completions-Format spricht. Man richtet seinen Client auf die api14 Base-URL, sendet seine Anfrage wie gewohnt und setzt das Feld model auf die gewünschte id. Das Umschalten zwischen den beiden ist eine Änderung in einer Zeile: Verwende "scaledown/classify-1" für das ScaleDown-Modell oder "togethercomputer/tev1-4b-experimental" für das Together-Modell. Alles andere im Request-Body, in den Headers und im Parsing-Code bleibt unverändert, sodass man die beiden anhand eigener Daten vergleichen kann, indem man den String austauscht und erneut ausführt.
Es gibt weiterhin Fälle, in denen Tev1 4B Experimental die bessere Wahl ist, obwohl Classify-1 auf dem Papier leistungsfähiger ist. Wenn die Eingaben kurzer reiner Text sind und man die schlankstmögliche Anfrage möchte, vermeidet das reine Textmodell das Senden von Bild- oder Datei-Payloads, die man nicht braucht. Es ist auch eine vernünftige Standardwahl, wenn man es für seine Aufgabe bereits validiert hat und dieses Verhalten einfach stabil halten möchte, da beide Modelle keine Parameter annehmen und sich in Bezug auf den gegebenen Prompt deterministisch verhalten.
Wechseln mit einem String
Beide Modelle nutzen denselben Endpunkt und dieselbe Anfragestruktur. Ändern Sie den model-Wert von "scaledown/classify-1" auf "togethercomputer/tev1-4b-experimental", Prompts, Streaming und Tools funktionieren weiter.
import OpenAI from "openai";
const client = new OpenAI({
baseURL: "https://api14.com/api/v1",
apiKey: process.env.API14_API_KEY,
});
const result = await client.post("/decisions", { body: {
"model": "togethercomputer/tev1-4b-experimental",
"state": "Customer: I was charged twice for my order and want my money back.",
"questions": {
"team": {
"type": "choice",
"instructions": "Which team should handle this message?",
"criteria": {
"billing": "Payments, refunds, invoices",
"support": "Product questions and bugs",
"sales": "Pricing and new purchases"
}
},
"urgent": {
"type": "noul",
"instructions": "Does this need a reply today?",
"criteria": {
"true": "Money, outage or legal risk",
"false": "Can wait"
}
}
}
} });
console.log(result.answers);
Weitere Vergleiche
- LiquidAI: d1 Latest vs. LiquidAI: d1-ultra Latest
- LiquidAI: d1 Latest vs. Baseten: Joey 1
- LiquidAI: d1 Latest vs. LiquidAI: d1.1
- LiquidAI: d1 Latest vs. Morph: Reflex
- LiquidAI: d1-ultra Latest vs. Baseten: Joey 1
- LiquidAI: d1-ultra Latest vs. LiquidAI: d1.1
- LiquidAI: d1-ultra Latest vs. Morph: Reflex
- Baseten: Joey 1 vs. LiquidAI: d1.1