LiquidAI: d1-ultra contre ScaleDown: Classify-1
Un comparatif côte à côte de LiquidAI: d1-ultra (0,15 $US / 1M jetons (≈ 0,13 €)) et ScaleDown: Classify-1 (0,14 $US / 1M jetons (≈ 0,12 €)) d’après les prix actuels en USD et les capacités du catalogue api14. Les deux passent par la même API compatible OpenAI.
Caractéristiques
| LiquidAI: d1-ultra | ScaleDown: Classify-1 | |
|---|---|---|
| Fournisseur | LiquidAI | ScaleDown |
| Entrée | 0,15 $US / 1M jetons (≈ 0,13 €) | 0,14 $US / 1M jetons (≈ 0,12 €) |
| Lecture du cache | 0,15 $US / 1M jetons (≈ 0,13 €) | - |
| Fenêtre de contexte | 32 768 | 1 000 000 |
| Sortie max. | 29 491 | 900 000 |
| Entrée | text, image | text, image, file |
| Sortie | decisions | decisions |
| Appel d’outils | ||
| Sortie structurée | ||
| Contrôle du raisonnement | ||
| Ajouté le | 15 oct. 2026 | 13 oct. 2026 |
Principales différences
- Les deux ont à peu près le même prix en entrée.
- ScaleDown: Classify-1 lit 30.5× plus de contexte (1 000 000 tokens).
- Une requête de 1 000 tokens en entrée et 500 en sortie coûte 0,000147 $US avec LiquidAI: d1-ultra et 0,000140 $US avec ScaleDown: Classify-1.
En détail
LiquidAI : d1-ultra est un modèle de décisions de LiquidAI, publié le 15 octobre 2026. ScaleDown : Classify-1 est aussi un modèle de décisions, créé par ScaleDown et publié deux jours plus tôt, le 13 octobre 2026. Les deux appartiennent à la même catégorie, ce qui signifie que tous deux sont conçus pour renvoyer une décision en sortie plutôt que de la prose libre, et tous deux sont servis via api14 sous les identifiants de modèle liquid/d1-ultra et scaledown/classify-1.
La séparation la plus nette entre eux réside dans le contexte et la gestion des entrées. ScaleDown : Classify-1 accepte une fenêtre de contexte de 1 000 000 de tokens, tandis que LiquidAI : d1-ultra accepte 32 768 tokens, donc c'est le modèle ScaleDown qui a le plus grand contexte, et de loin. Concernant les modalités d'entrée, d1-ultra prend du texte et des images, tandis que Classify-1 prend du texte, des images et des fichiers, donc le modèle ScaleDown accepte un type d'entrée supplémentaire. Tous deux produisent des décisions comme unique modalité de sortie. Aucun des deux modèles ne liste de paramètres pris en charge, il n'y a donc aucune différence à exploiter de ce côté, et la comparaison qualitative ne montre aucune différence significative sur l'utilisation d'outils, la sortie structurée ou le raisonnement, vous ne devez donc pas supposer que l'un est plus fort que l'autre sur ces axes. Côté prix, les deux sont à peu près équivalents en entrée, et la comparaison n'apporte rien d'utile pour le prix de sortie, considérez-les donc comme comparables en coût plutôt que de choisir sur le seul prix.
Pour le travail pratique, le facteur décisif est généralement la quantité de matière que vous avez besoin de faire examiner au modèle avant qu'il ne décide. Si votre tâche implique de longs documents, de gros lots de texte, ou quoi que ce soit qui dépasserait environ trente mille tokens, ScaleDown : Classify-1 est le choix naturel en raison de sa fenêtre de contexte bien plus grande. Si vos entrées sont courtes et que vous voulez aussi fournir une image au modèle en plus du texte, LiquidAI : d1-ultra couvre ce cas, et c'est le modèle vers lequel se tourner lorsque votre pipeline est construit autour de décisions compactes image plus texte. Lorsque vos entrées incluent des fichiers comme type d'entrée distinct plutôt que du texte collé ou des images, c'est Classify-1 qui les accepte directement.
Appeler l'un ou l'autre modèle via api14 fonctionne de la même manière, car la passerelle expose une API compatible OpenAI. Vous envoyez votre requête au même point de terminaison avec la même forme de requête, et la seule chose que vous changez entre les deux est l'identifiant de modèle : utilisez liquid/d1-ultra pour le modèle LiquidAI et scaledown/classify-1 pour le modèle ScaleDown. Tout le reste dans votre client, votre authentification et votre traitement des réponses reste tel quel, donc passer de l'un à l'autre est un changement d'une seule ligne et vous pouvez comparer leurs décisions sur vos propres données sans réécrire le code d'intégration.
Changer de modèle en une chaîne
Les deux modèles utilisent le même endpoint et la même structure de requête. Remplacez la valeur de model "liquid/d1-ultra" par "scaledown/classify-1" : prompts, streaming et outils continuent de fonctionner.
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": "scaledown/classify-1",
"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);
Plus de comparatifs
- LiquidAI: d1 Latest contre LiquidAI: d1-ultra Latest
- LiquidAI: d1 Latest contre Baseten: Joey 1
- LiquidAI: d1 Latest contre LiquidAI: d1.1
- LiquidAI: d1 Latest contre Morph: Reflex
- LiquidAI: d1-ultra Latest contre Baseten: Joey 1
- LiquidAI: d1-ultra Latest contre LiquidAI: d1.1
- LiquidAI: d1-ultra Latest contre Morph: Reflex
- Baseten: Joey 1 contre LiquidAI: d1.1