Meta: Muse Wonder contre ScaleDown: Extract
Un comparatif côte à côte de Meta: Muse Wonder (14,00 $US / 1M jetons (≈ 12,47 €)) et ScaleDown: Extract (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
| Meta: Muse Wonder | ScaleDown: Extract | |
|---|---|---|
| Fournisseur | Meta | ScaleDown |
| Entrée | 14,00 $US / 1M jetons (≈ 12,47 €) | 0,14 $US / 1M jetons (≈ 0,12 €) |
| Sortie | 70,00 $US / 1M jetons (≈ 62,33 €) | - |
| Lecture du cache | 0,70 $US / 1M jetons (≈ 0,62 €) | - |
| Recherche web | 8,75 $US / 1K recherches (≈ 7,79 €) | - |
| Fenêtre de contexte | 1 048 576 | 1 000 000 |
| Sortie max. | 943 718 | 900 000 |
| Entrée | text, image, video, file, audio | text, image, file |
| Sortie | text | text |
| Appel d’outils | ||
| Sortie structurée | ||
| Contrôle du raisonnement | ||
| Ajouté le | 12 oct. 2026 | 13 oct. 2026 |
Principales différences
- ScaleDown: Extract est 99% moins cher sur les tokens d’entrée.
- Seul Meta: Muse Wonder prend en charge l’appel d’outils.
- Seul Meta: Muse Wonder prend en charge la sortie JSON structurée.
- Seul Meta: Muse Wonder prend en charge le contrôle de l’effort de raisonnement.
- Une requête de 1 000 tokens en entrée et 500 en sortie coûte 0,05 $US avec Meta: Muse Wonder et 0,000140 $US avec ScaleDown: Extract.
En détail
Meta: Muse Wonder est un modèle de texte de Meta, répertorié sur api14 sous l'identifiant de modèle meta/muse-wonder. ScaleDown: Extract est un modèle de texte de ScaleDown, répertorié sous scaledown/extract. Les deux sont des modèles texte en entrée, texte en sortie, au sens où leur modalité de sortie est uniquement textuelle, et les deux ont été publiés dans la même journée en octobre 2026, donc aucun n'est une option héritée à contourner. Les différences intéressantes résident dans ce qu'ils acceptent en entrée et ce que vous pouvez leur demander de faire.
Muse Wonder accepte du texte, des images, des vidéos, des fichiers et de l'audio en entrée, tandis qu'Extract accepte du texte, des images et des fichiers. Si votre pipeline implique de l'audio ou de la vidéo, Muse Wonder est celui qui peut examiner ce matériel directement. La longueur de contexte est suffisamment proche pour ne pas dicter votre décision : Muse Wonder répertorie 1 048 576 tokens et Extract répertorie 1 000 000, et la comparaison qualitative considère la différence de contexte comme non significative. La division la plus importante concerne les paramètres pris en charge. Muse Wonder expose tools et tool_choice, structured_outputs et response_format, ainsi que la famille de raisonnement (reasoning, reasoning_effort, include_reasoning), plus les contrôles d'échantillonnage habituels tels que temperature, top_p, top_k et repetition_penalty. Extract ne prend en charge que max_tokens. Cela signifie que tout ce qui implique l'appel de fonctions, des schémas JSON appliqués ou un contrôle de raisonnement explicite doit aller à Muse Wonder, car Extract ne vous offre aucun levier pour cela.
Pour le travail quotidien, choisissez en fonction de ce que la tâche nécessite réellement. Si vous extrayez des champs de documents, d'images ou de texte brut et que vous voulez simplement la réponse, Extract est l'option d'entrée la moins coûteuse et sa surface de paramètres restreinte n'est pas un handicap, puisque vous alliez de toute façon définir max_tokens. Si vous avez besoin que le modèle appelle des outils, retourne un objet conforme à un schéma ou dépense un effort de raisonnement délibéré sur un problème difficile, Muse Wonder est le seul des deux qui le prend en charge. Il en va de même si votre entrée comprend de l'audio ou de la vidéo, ce qu'Extract n'accepte pas. Pour une analyse de médias mixtes longue où vous souhaitez également une sortie structurée à la fin, Muse Wonder couvre tout le processus en un seul appel.
Appeler l'un ou l'autre via api14 fonctionne de la même manière, car l'API est compatible OpenAI. Vous pointez votre client existant vers l'URL de base api14, envoyez votre requête habituelle de complétion de chat et ne changez que le champ model : meta/muse-wonder ou scaledown/extract. Votre structure de message, votre en-tête d'authentification et l'analyse de votre réponse restent inchangés. La seule chose à surveiller concerne les paramètres : si vous passez de Muse Wonder à Extract, supprimez tout sauf max_tokens, car Extract ne répertorie pas le support de temperature, tools ou response_format. Dans le sens inverse, vous pouvez commencer à utiliser ces champs immédiatement.
Changer de modèle en une chaîne
Les deux modèles utilisent le même endpoint et la même structure de requête. Remplacez la valeur de model "meta/muse-wonder" par "scaledown/extract" : 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.chat.completions.create({
"model": "scaledown/extract",
"messages": [
{
"role": "user",
"content": "Explain vector databases in two sentences."
}
]
});
console.log(result.choices[0].message.content);
Plus de comparatifs
- LiquidAI: LFM3-1.7B contre Ricursive: Ripple 65B Preview
- LiquidAI: LFM3-1.7B contre Crouton Alpha
- LiquidAI: LFM3-1.7B contre Tencent: Hy4
- LiquidAI: LFM3-1.7B contre Z.ai: GLM 5.3 FlashX Legal
- Ricursive: Ripple 65B Preview contre Crouton Alpha
- Ricursive: Ripple 65B Preview contre Tencent: Hy4
- Ricursive: Ripple 65B Preview contre Z.ai: GLM 5.3 FlashX Legal
- Crouton Alpha contre Tencent: Hy4