Nace.AI: Drex v2.0 contre ScaleDown: Classify-1
Un comparatif côte à côte de Nace.AI: Drex v2.0 (0,21 $US / 1M jetons (≈ 0,19 €)) 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
| Nace.AI: Drex v2.0 | ScaleDown: Classify-1 | |
|---|---|---|
| Fournisseur | Nace.AI | ScaleDown |
| Entrée | 0,21 $US / 1M jetons (≈ 0,19 €) | 0,14 $US / 1M jetons (≈ 0,12 €) |
| Fenêtre de contexte | 131 072 | 1 000 000 |
| Sortie max. | 117 964 | 900 000 |
| Entrée | text | text, image, file |
| Sortie | decisions | decisions |
| Appel d’outils | ||
| Sortie structurée | ||
| Contrôle du raisonnement | ||
| Ajouté le | 12 oct. 2026 | 13 oct. 2026 |
Principales différences
- ScaleDown: Classify-1 est 33% moins cher sur les tokens d’entrée.
- ScaleDown: Classify-1 lit 7.6× plus de contexte (1 000 000 tokens).
- Une requête de 1 000 tokens en entrée et 500 en sortie coûte 0,000210 $US avec Nace.AI: Drex v2.0 et 0,000140 $US avec ScaleDown: Classify-1.
En détail
Nace.AI : Drex v2.0 est un modèle de décisions de Nace.AI, publié le 2026-10-12. ScaleDown : Classify-1 est un modèle de décisions de ScaleDown, publié le 2026-10-13. Les deux appartiennent à la même catégorie, ils visent donc le même type de tâche générale : prendre une entrée et renvoyer une décision plutôt que de la prose libre. Aucun des deux modèles n'expose de paramètres pris en charge, vous les configurez donc via le corps de requête que vous envoyez déjà, et non via une liste de réglages ajustables.
La différence la plus nette concerne le contexte et le traitement des entrées. Drex v2.0 accepte uniquement le texte et dispose d'une fenêtre de contexte de 131 072 tokens. Classify-1 accepte le texte, les images et les fichiers, et sa fenêtre de contexte est de 1 000 000 de tokens, c'est donc le plus grand des deux, et de loin. Les deux renvoient des décisions comme modalité de sortie, la différence se situe donc à l'entrée, pas à la sortie. Si votre entrée est un formulaire scanné, une capture d'écran, un PDF ou un ensemble de longs documents, Classify-1 peut la prendre directement ; Drex v2.0 attend que vous en extrayiez d'abord le texte. Côté prix, Classify-1 est le moins cher des deux pour l'entrée, tandis que le prix de sortie est à peu près le même, ou sans différence significative entre les deux.
Pour le travail quotidien, le choix suit généralement votre format d'entrée. Si vous disposez déjà de texte propre et que vos prompts tiennent confortablement dans 131 072 tokens, Drex v2.0 est un choix par défaut raisonnable et garde votre pipeline simple, puisqu'il n'y a aucune étape d'extraction à maintenir. Si vous classez des documents qui arrivent sous forme de PDF, d'images ou de fichiers mixtes, ou si le contenu est assez long pour que le découpage ferait perdre le contexte dont dépend la décision, Classify-1 supprime ce travail de prétraitement et vous donne plus de marge avant de devoir découper quoi que ce soit. La différence de prix d'entrée compte aussi si vous traitez un gros volume, même si vous devriez consulter le tableau des prix en direct sur cette page pour les chiffres actuels plutôt que de vous fier à une règle empirique.
Appeler l'un ou l'autre modèle via api14 fonctionne de la même manière, car la passerelle est compatible OpenAI. Vous pointez votre client vers la même URL de base, envoyez la même requête de type chat completions, et changez uniquement l'identifiant du modèle : "nace-ai/drex-v2.0" pour Drex v2.0, ou "scaledown/classify-1" pour Classify-1. Votre authentification, votre logique de nouvelle tentative, votre journalisation et votre analyse des réponses restent inchangées, ce qui rend peu coûteux le test des deux sur vos propres données. Un schéma courant consiste à construire la requête une fois, à l'exécuter contre les deux identifiants sur un échantillon d'entrées réelles, et à comparer les décisions avant de vous engager sur l'un des deux.
Il reste des cas où Drex v2.0 est le meilleur choix. Si vos entrées sont du texte brut et assez courtes pour tenir dans sa fenêtre de contexte, ajouter la gestion des images et des fichiers ne vous apporte rien, et un modèle texte uniquement réduit la surface de votre intégration. Les équipes qui effectuent déjà leur propre OCR ou analyse de documents, et qui veulent que l'étape de décision reste séparée de l'extraction, peuvent le préférer pour cette seule raison. Comme le prix de sortie est à peu près le même entre les deux, la décision revient souvent à savoir si l'entrée multimodale et la fenêtre de contexte plus grande en valent la peine pour votre charge de travail.
Changer de modèle en une chaîne
Les deux modèles utilisent le même endpoint et la même structure de requête. Remplacez la valeur de model "nace-ai/drex-v2.0" 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