ScaleDown: Classify-1 contre Together: Tev1 4B Experimental
Un comparatif côte à côte de ScaleDown: Classify-1 (0,14 $US / 1M jetons (≈ 0,13 €)) et Together: Tev1 4B Experimental (0,15 $US / 1M jetons (≈ 0,13 €)) d’après les prix actuels en USD et les capacités du catalogue api14. Les deux passent par la même API compatible OpenAI.
Caractéristiques
| ScaleDown: Classify-1 | Together: Tev1 4B Experimental | |
|---|---|---|
| Fournisseur | ScaleDown | Together |
| Entrée | 0,14 $US / 1M jetons (≈ 0,13 €) | 0,15 $US / 1M jetons (≈ 0,13 €) |
| Fenêtre de contexte | 1 000 000 | 32 768 |
| Sortie max. | 900 000 | 8 |
| Entrée | text, image, file | text |
| Sortie | decisions | decisions |
| Appel d’outils | ||
| Sortie structurée | ||
| Contrôle du raisonnement | ||
| Ajouté le | 13 oct. 2026 | 30 sept. 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 0,000140 $US avec ScaleDown: Classify-1 et 0,000147 $US avec Together: Tev1 4B Experimental.
En détail
ScaleDown: Classify-1 est un modèle de décision de ScaleDown, et Together: Tev1 4B Experimental est un modèle de décision de Together. Les deux appartiennent à la catégorie decisions, ce qui signifie que leur rôle est de renvoyer une décision plutôt que de la prose libre, et les deux sont sortis fin 2026, Tev1 4B Experimental le 30 septembre 2026 et Classify-1 le 13 octobre 2026. Aucun des deux modèles n'expose de paramètres pris en charge, vous les configurez donc uniquement via le prompt et l'entrée que vous envoyez.
La séparation la plus nette entre eux concerne le contexte et la gestion des entrées. Classify-1 accepte le texte, les images et les fichiers, et il dispose d'une fenêtre de contexte de 1 000 000 de tokens. Tev1 4B Experimental accepte uniquement le texte et sa fenêtre de contexte est de 32 768 tokens. Côté prix, les deux sont à peu près au même niveau en entrée, donc le choix n'est pas vraiment une question de coût du côté de l'entrée ; le prix de sortie n'est pas quelque chose que nous pouvons comparer de manière significative ici. Les deux renvoient des décisions comme seule modalité de sortie, donc aucun n'est un générateur de texte généraliste.
Pour le travail pratique, privilégiez Classify-1 lorsque le matériel à classer est volumineux ou de formats mixtes. Les contrats longs, les documents scannés, les captures d'écran, les PDF et les tickets riches en images correspondent tous à ses modalités d'entrée et à son très grand contexte, vous pouvez donc lui confier un lot entier en un seul appel au lieu de découper et de recoller les résultats vous-même. Privilégiez Tev1 4B Experimental lorsque l'entrée est du texte brut et tient confortablement dans 32 768 tokens, par exemple pour router un message de support, étiqueter un enregistrement court, ou prendre une décision rapide sur un prompt que vous avez déjà réduit. Si votre pipeline est uniquement textuel et vos entrées petites, le plus petit modèle est le choix le plus simple ; dès que des images, des fichiers ou des entrées très longues entrent en jeu, Classify-1 est celui qui peut réellement les accepter.
Appeler l'un ou l'autre modèle via api14 fonctionne de la même manière, car la passerelle parle le format chat completions compatible OpenAI. Vous pointez votre client vers l'URL de base d'api14, vous envoyez votre requête comme d'habitude, et vous définissez le champ model sur l'id souhaité. Passer de l'un à l'autre est un changement d'une ligne : utilisez "scaledown/classify-1" pour le modèle ScaleDown, ou "togethercomputer/tev1-4b-experimental" pour le modèle Together. Tout le reste dans le corps de votre requête, vos en-têtes et votre code d'analyse reste tel quel, vous pouvez donc comparer les deux sur vos propres données en échangeant la chaîne et en relançant.
Il reste des cas où Tev1 4B Experimental est le meilleur choix même si Classify-1 est le plus capable sur le papier. Si vos entrées sont du texte brut court et que vous voulez la requête la plus légère possible, le modèle uniquement textuel évite d'envoyer des charges utiles d'images ou de fichiers dont vous n'avez pas besoin. C'est aussi un choix par défaut raisonnable lorsque vous l'avez déjà validé sur votre tâche et que vous voulez simplement garder ce comportement stable, puisque les deux modèles ne prennent aucun paramètre et se comportent de manière déterministe par rapport au prompt que vous leur donnez.
Changer de modèle en une chaîne
Les deux modèles utilisent le même endpoint et la même structure de requête. Remplacez la valeur de model "scaledown/classify-1" par "togethercomputer/tev1-4b-experimental" : 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": "togethercomputer/tev1-4b-experimental",
"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