ScaleDown: Extract ist ein Textmodell von ScaleDown, veröffentlicht am 2026-10-13. XingChen: Xing4.0 29B A4B (free) ist ein Textmodell von XingChen, veröffentlicht am 2026-10-16. Beide werden über api14 als OpenAI-kompatible Chat-Modelle bereitgestellt, und beide sind in der Kategorie Text gelistet. Die Benennung verrät etwas über die Positionierung: Extract klingt nach einem zweckgebauten Extraktionsmodell, während Xing4.0 29B A4B ein allgemeines Chat- und Reasoning-Modell mit einer kostenlosen Stufe ist.
Die beiden unterscheiden sich am stärksten bei Kontext und Modalitäten. ScaleDown: Extract hat ein Kontextfenster von 1.000.000 Tokens, was das größere der beiden ist, und es akzeptiert Text-, Bild- und Dateieingaben und erzeugt Textausgaben. XingChen: Xing4.0 29B A4B hat ein Kontextfenster von 262.144 Tokens und akzeptiert nur Text. Bei den Parametern verläuft die Aufteilung umgekehrt. XingChen bietet eine lange Liste von Sampling- und Steuerungsparametern: frequency_penalty, presence_penalty, temperature, top_p, top_k, min_p, repetition_penalty, seed, stop, max_tokens, response_format, structured_outputs, tool_choice, tools, reasoning und include_reasoning. ScaleDown: Extract unterstützt nur max_tokens. XingChen ist also das einzige der beiden mit Tool-Aufrufen, strukturierten Ausgaben und Reasoning, während ScaleDown das einzige ist, das Bilder und Dateien annimmt, und das einzige mit dem größeren Kontext.
Für die praktische Arbeit folgt die Wahl direkt aus diesen Unterschieden. Wenn Ihre Aufgabe lange Dokumente, Bild- oder Dateieingaben oder einen einzelnen Prompt umfasst, der eine sehr große Menge Material aufnehmen muss, ist ScaleDown: Extract die natürliche Wahl, wegen seines größeren Kontexts und seiner multimodalen Eingabeunterstützung. Wenn Ihre Aufgabe Funktionsaufrufe, durch JSON-Schema eingeschränkte Ausgaben oder einen sichtbaren Reasoning-Durchlauf benötigt, ist XingChen: Xing4.0 29B A4B die Wahl, da dies Fähigkeiten sind, die ScaleDown: Extract nicht bietet. Für reine Textgenerierung, bei der keines dieser Merkmale eine Rolle spielt, ist beides geeignet, und die live Preis-Tabelle auf dieser Seite ist der bessere Leitfaden als alles, was hier geschrieben steht.
Beide Modelle über api14 aufzurufen funktioniert auf dieselbe Weise, weil der Endpunkt OpenAI-kompatibel ist. Sie richten Ihren Client auf die api14 Basis-URL, senden eine Chat-Completions-Anfrage und setzen das Feld model auf die gewünschte ID. Um das Modell zu wechseln, ändern Sie nur diesen String, von "scaledown/extract" zu "xingchen-agi/xing4.0-29b-a4b:free" oder zurück. Ihr Anfrage-Body, der Authentifizierungs-Header und das Parsen der Antwort bleiben unverändert. Der einzige Vorbehalt sind die Parameter: Wenn Sie tools, response_format oder reasoning Felder senden, gelten sie für XingChen und werden von ScaleDown: Extract nicht unterstützt, das nur max_tokens akzeptiert, also behalten Sie pro Modell getrennte Parametersätze statt einer gemeinsamen Nutzlast.
Es gibt Fälle, in denen das andere Modell trotzdem die bessere Wahl bleibt. Wenn Sie XingChen bereits für eine Tool-Aufruf- oder strukturierte-Ausgabe-Pipeline verwenden und nur eine kurze Textantwort benötigen, vermeidet es ein zweites Integration, auf XingChen zu bleiben. Umgekehrt, wenn Sie für Dokumentarbeit auf ScaleDown: Extract sind und eine schnelle reine Textvervollständigung benötigen, vermeidet es, eine weitere Modell-ID zu Ihrer Konfiguration hinzuzufügen, dort zu bleiben. Keines der Modelle ist strikt besser; die entscheidenden Faktoren sind Kontextgröße, multimodale Eingabe und ob Sie Tools, strukturierte Ausgabe oder Reasoning benötigen.