Nous utilisons des cookies. Les cookies et le stockage du navigateur vous gardent connecté et mémorisent vos préférences. Avec votre accord, nous mesurons aussi l’utilisation du site. Vous pouvez à tout moment. Consultez notre politique relative aux cookies.

Nouveau ici ? Découvrez comment ça marche Une visite d’une minute du bac à sable, des modèles et de votre clé API.

Perceptron Mk1 vs Llama 3.1 Euryale 70B v2.2 : prix de l’API, contexte et fonctionnalités · api14

Perceptron: Perceptron Mk1 contre Sao10K: Llama 3.1 Euryale 70B v2.2

Un comparatif côte à côte de Perceptron: Perceptron Mk1 (0,52 $US / 1M jetons (≈ 0,47 €)) et Sao10K: Llama 3.1 Euryale 70B v2.2 (2,98 $US / 1M jetons (≈ 2,65 €)) d’après les prix actuels en USD et les capacités du catalogue api14. Les deux passent par la même API compatible OpenAI.

Caractéristiques

	Perceptron: Perceptron Mk1	Sao10K: Llama 3.1 Euryale 70B v2.2
Fournisseur	Perceptron	Sao10K
Entrée	0,52 $US / 1M jetons (≈ 0,47 €)	2,98 $US / 1M jetons (≈ 2,65 €)
Sortie	5,25 $US / 1M jetons (≈ 4,68 €)	2,98 $US / 1M jetons (≈ 2,65 €)
Fenêtre de contexte	32 768	131 072
Sortie max.	8 192	16 384
Entrée	text, image, video	text
Sortie	text	text
Appel d’outils
Sortie structurée
Contrôle du raisonnement
Ajouté le	12 mai 2026	28 août 2024

Principales différences

Perceptron: Perceptron Mk1 est 82% moins cher sur les tokens d’entrée.
Sao10K: Llama 3.1 Euryale 70B v2.2 est 43% moins cher sur les tokens de sortie.
Sao10K: Llama 3.1 Euryale 70B v2.2 lit 4.0× plus de contexte (131 072 tokens).
Seul Perceptron: Perceptron Mk1 prend en charge le contrôle de l’effort de raisonnement.
Une requête de 1 000 tokens en entrée et 500 en sortie coûte 0,00315 $US avec Perceptron: Perceptron Mk1 et 0,00446 $US avec Sao10K: Llama 3.1 Euryale 70B v2.2.

En détail

Perceptron : Perceptron Mk1 est un modèle de texte de Perceptron, publié le 2026-05-12. Sao10K : Llama 3.1 Euryale 70B v2.2 provient de Sao10K et a été publié le 2024-08-28. Les deux sont servis comme modèles de catégorie texte sur api14, et les deux renvoient du texte comme unique modalité de sortie, donc tout ce que vous générez avec l'un ou l'autre revient sous forme de texte.

Les deux divergent le plus clairement sur le contexte, les modalités et le raisonnement. Perceptron Mk1 accepte le texte, l'image et la vidéo en entrée, tandis que le modèle Euryale accepte uniquement le texte. Cela fait de Perceptron Mk1 le choix lorsque votre prompt doit inclure une capture d'écran, un diagramme, une page scannée ou un clip vidéo accompagné d'instructions écrites. Le modèle Euryale dispose de la fenêtre de contexte la plus large, avec 131072 tokens contre 32768 pour Perceptron Mk1, il peut donc contenir bien plus de texte en un seul appel, ce qui compte pour les documents longs, les transcriptions étendues ou de grands volumes de matériel de référence. Perceptron Mk1 est le seul des deux décrit comme prenant en charge le raisonnement, et son ensemble de paramètres inclut include_reasoning et reasoning, c'est donc le modèle vers lequel se tourner lorsque vous voulez que le modèle réfléchisse à un problème avant de répondre. Le modèle Euryale expose plutôt un ensemble plus large de paramètres d'échantillonnage et de contrôle, notamment logit_bias, min_p, repetition_penalty, seed et stop, ce qui vous donne un contrôle plus fin sur la façon dont son texte est produit. Sur les sorties structurées, les deux ne sont pas significativement différents, et aucun n'est désigné comme le seul à prendre en charge les outils.

Pour choisir entre eux, commencez par la forme de l'entrée. Si votre tâche implique des images ou de la vidéo, seul Perceptron Mk1 peut les prendre, donc la décision est déjà prise. Si votre tâche est uniquement textuelle mais que le matériel est très long, le contexte plus large du modèle Euryale est un réel avantage, et ses réglages supplémentaires (seed pour la reproductibilité, logit_bias pour l'orientation, repetition_penalty pour le texte en boucle) conviennent aux travaux de génération où vous voulez ajuster la sortie. Si votre tâche est un problème textuel qui bénéficie d'un raisonnement explicite, Perceptron Mk1 est celui à appeler. Côté coût, l'entrée est moins chère sur Perceptron Mk1, tandis que la sortie est moins chère sur le modèle Euryale, donc l'option la moins chère dépend de si votre charge de travail est intensive en entrée ou en sortie ; le tableau des prix en direct montre les chiffres actuels.

Appeler l'un ou l'autre modèle fonctionne de la même manière via l'API compatible OpenAI d'api14. Vous pointez votre client vers l'URL de base d'api14, envoyez votre requête au point de terminaison des complétions de chat avec votre clé api14, et définissez le champ model sur l'id souhaité. Pour utiliser Perceptron Mk1, définissez l'id du modèle sur perceptron/perceptron-mk1. Pour utiliser le modèle Euryale, définissez-le sur sao10k/l3.1-euryale-70b. Tout le reste dans le corps de la requête garde la même forme, donc changer de modèle est une modification d'une ligne sur l'id du modèle. Gardez à l'esprit que les paramètres ne sont pas identiques entre les deux : Perceptron Mk1 prend en charge reasoning et include_reasoning, ce que le modèle Euryale ne fait pas, et le modèle Euryale prend en charge logit_bias, min_p, repetition_penalty, seed et stop, ce que Perceptron Mk1 ne fait pas. N'envoyez que les paramètres que le modèle cible liste, et le même chemin de code servira les deux.

Changer de modèle en une chaîne

Les deux modèles utilisent le même endpoint et la même structure de requête. Remplacez la valeur de model "perceptron/perceptron-mk1" par "sao10k/l3.1-euryale-70b" : prompts, streaming et outils continuent de fonctionner.

Perceptron: Perceptron Mk1 : détails et bac à sable →Sao10K: Llama 3.1 Euryale 70B v2.2 : détails et bac à sable →

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": "sao10k/l3.1-euryale-70b",
  "messages": [
    {
      "role": "user",
      "content": "Explain vector databases in two sentences."
    }
  ]
});
console.log(result.choices[0].message.content);

Perceptron: Perceptron Mk1 contre Sao10K: Llama 3.1 Euryale 70B v2.2

Caractéristiques

Principales différences

En détail

Changer de modèle en une chaîne

Plus de comparatifs