Meta: Muse Wonder contra ScaleDown: Extract
Una comparativa lado a lado de Meta: Muse Wonder (14,00 US$ / 1M fragmentos (≈ 12,47 €)) y ScaleDown: Extract (0,14 US$ / 1M fragmentos (≈ 0,12 €)) con precios actuales en USD y capacidades del catálogo de api14. Ambos funcionan a través de la misma API compatible con OpenAI.
Especificaciones
| Meta: Muse Wonder | ScaleDown: Extract | |
|---|---|---|
| Proveedor | Meta | ScaleDown |
| Entrada | 14,00 US$ / 1M fragmentos (≈ 12,47 €) | 0,14 US$ / 1M fragmentos (≈ 0,12 €) |
| Salida | 70,00 US$ / 1M fragmentos (≈ 62,33 €) | - |
| Lectura de caché | 0,70 US$ / 1M fragmentos (≈ 0,62 €) | - |
| Búsqueda web | 8,75 US$ / 1K búsquedas (≈ 7,79 €) | - |
| Ventana de contexto | 1.048.576 | 1.000.000 |
| Salida máxima | 943.718 | 900.000 |
| Entrada | text, image, video, file, audio | text, image, file |
| Salida | text | text |
| Llamadas a herramientas | ||
| Salida estructurada | ||
| Control del razonamiento | ||
| Añadido | 12 oct 2026 | 13 oct 2026 |
Diferencias clave
- ScaleDown: Extract es 99% más barato en tokens de entrada.
- Solo Meta: Muse Wonder admite llamadas a herramientas.
- Solo Meta: Muse Wonder admite salida JSON estructurada.
- Solo Meta: Muse Wonder admite control del esfuerzo de razonamiento.
- Una solicitud con 1.000 tokens de entrada y 500 de salida cuesta 0,05 US$ con Meta: Muse Wonder y 0,000140 US$ con ScaleDown: Extract.
En detalle
Meta: Muse Wonder es un modelo de texto de Meta, listado en api14 bajo el id de modelo meta/muse-wonder. ScaleDown: Extract es un modelo de texto de ScaleDown, listado bajo scaledown/extract. Ambos son modelos de texto de entrada y texto de salida en el sentido de que su modalidad de salida es solo texto, y ambos se lanzaron con un día de diferencia en octubre de 2026, así que ninguno es una opción heredada con la que tengas que lidiar. Las diferencias interesantes están en lo que aceptan como entrada y en lo que puedes pedirles que hagan.
Muse Wonder acepta texto, imagen, video, archivo y audio como entrada, mientras que Extract acepta texto, imagen y archivo. Así que si tu pipeline involucra audio o video, Muse Wonder es el que puede examinar ese material directamente. La longitud de contexto es lo suficientemente cercana como para que no deba impulsar tu decisión: Muse Wonder lista 1,048,576 tokens y Extract lista 1,000,000, y la comparación cualitativa trata la diferencia de contexto como no significativa. La mayor división está en los parámetros soportados. Muse Wonder expone tools y tool_choice, structured_outputs y response_format, y la familia de razonamiento (reasoning, reasoning_effort, include_reasoning), además de los controles de muestreo habituales como temperature, top_p, top_k y repetition_penalty. Extract solo soporta max_tokens. Eso significa que cualquier cosa que involucre llamadas a funciones, esquemas JSON impuestos o control explícito de razonamiento tiene que ir a Muse Wonder, porque Extract no te da ninguna palanca para ello.
Para el trabajo diario, elige según lo que la tarea realmente necesite. Si estás extrayendo campos de documentos, imágenes o texto plano y solo quieres la respuesta de vuelta, Extract es la opción de entrada más económica y su superficie de parámetros estrecha no es una desventaja, ya que de todos modos solo ibas a establecer max_tokens. Si necesitas que el modelo llame a herramientas, devuelva un objeto conforme al esquema o dedique un esfuerzo de razonamiento deliberado a un problema difícil, Muse Wonder es el único de los dos que lo soporta. Lo mismo aplica si tu entrada incluye audio o video, que Extract no acepta. Para análisis largos de medios mixtos donde además quieres salida estructurada al final, Muse Wonder cubre todo el camino en una sola llamada.
Llamar a cualquiera de los dos a través de api14 funciona de la misma manera, porque la API es compatible con OpenAI. Apuntas tu cliente existente a la URL base de api14, envías tu solicitud habitual de chat completions y cambias solo el campo model: meta/muse-wonder o scaledown/extract. La estructura de tus mensajes, tu encabezado de autenticación y el análisis de tu respuesta se mantienen como están. Lo único a tener en cuenta son los parámetros: si cambias de Muse Wonder a Extract, elimina todo excepto max_tokens, ya que Extract no lista soporte para temperature, tools ni response_format. Yendo en la otra dirección, puedes empezar a usar esos campos de inmediato.
Cambia con una sola cadena
Ambos modelos usan el mismo endpoint y la misma estructura de solicitud. Cambia el valor de model de "meta/muse-wonder" a "scaledown/extract": los prompts, el streaming y las herramientas siguen funcionando.
import OpenAI from "openai";
const client = new OpenAI({
baseURL: "https://api14.com/api/v1",
apiKey: process.env.API14_API_KEY,
});
const result = await client.chat.completions.create({
"model": "scaledown/extract",
"messages": [
{
"role": "user",
"content": "Explain vector databases in two sentences."
}
]
});
console.log(result.choices[0].message.content);
Más comparativas
- LiquidAI: LFM3-1.7B contra Ricursive: Ripple 65B Preview
- LiquidAI: LFM3-1.7B contra Crouton Alpha
- LiquidAI: LFM3-1.7B contra Tencent: Hy4
- LiquidAI: LFM3-1.7B contra Z.ai: GLM 5.3 FlashX Legal
- Ricursive: Ripple 65B Preview contra Crouton Alpha
- Ricursive: Ripple 65B Preview contra Tencent: Hy4
- Ricursive: Ripple 65B Preview contra Z.ai: GLM 5.3 FlashX Legal
- Crouton Alpha contra Tencent: Hy4