ScaleDown: Extract est un modèle de texte de ScaleDown, publié le 2026-10-13. XingChen: Xing4.0 29B A4B (free) est un modèle de texte de XingChen, publié le 2026-10-16. Les deux sont servis via api14 en tant que modèles de chat compatibles OpenAI, et les deux sont listés dans la catégorie texte. Le nom indique quelque chose sur le positionnement : Extract ressemble à un modèle d'extraction conçu pour un usage précis, tandis que Xing4.0 29B A4B est un modèle général de chat et de raisonnement avec un palier gratuit.
Les deux diffèrent surtout par le contexte et les modalités. ScaleDown: Extract a une fenêtre de contexte de 1 000 000 de tokens, la plus grande des deux, et il accepte des entrées texte, image et fichier, produisant une sortie texte. XingChen: Xing4.0 29B A4B a une fenêtre de contexte de 262 144 tokens et n'accepte que du texte. Sur les paramètres, la répartition s'inverse. XingChen expose une longue liste de paramètres d'échantillonnage et de contrôle : frequency_penalty, presence_penalty, temperature, top_p, top_k, min_p, repetition_penalty, seed, stop, max_tokens, response_format, structured_outputs, tool_choice, tools, reasoning et include_reasoning. ScaleDown: Extract ne prend en charge que max_tokens. Ainsi, XingChen est le seul des deux à disposer de l'appel d'outils, des sorties structurées et du raisonnement, tandis que ScaleDown est le seul à accepter les images et les fichiers et le seul à avoir le contexte le plus grand.
Pour le travail pratique, le choix découle directement de ces différences. Si votre tâche implique de longs documents, des entrées image ou fichier, ou une seule invite qui doit contenir une très grande quantité de matière, ScaleDown: Extract est le choix naturel en raison de son contexte plus grand et de sa prise en charge des entrées multimodales. Si votre tâche nécessite l'appel de fonctions, une sortie contrainte par un schéma JSON, ou une passe de raisonnement visible, XingChen: Xing4.0 29B A4B est le choix, puisque ce sont des capacités que ScaleDown: Extract n'expose pas. Pour une simple génération de texte où aucune de ces fonctionnalités n'importe, l'un ou l'autre fera l'affaire, et le tableau des prix en direct sur cette page est un meilleur guide que tout ce qui est écrit ici.
Appeler l'un ou l'autre modèle via api14 fonctionne de la même manière, car le point de terminaison est compatible OpenAI. Vous pointez votre client vers l'URL de base api14, envoyez une requête de complétions de chat, et définissez le champ model sur l'id souhaité. Pour changer de modèle, vous ne modifiez que cette chaîne, de "scaledown/extract" à "xingchen-agi/xing4.0-29b-a4b:free" ou inversement. Le corps de votre requête, l'en-tête d'authentification et l'analyse de la réponse restent tels quels. La seule mise en garde concerne les paramètres : si vous envoyez les champs tools, response_format ou reasoning, ils s'appliquent à XingChen et ne sont pas pris en charge par ScaleDown: Extract, qui n'accepte que max_tokens, donc gardez des ensembles de paramètres par modèle plutôt qu'une charge utile partagée.
Il existe des cas où l'autre modèle reste le meilleur choix même après cela. Si vous utilisez déjà XingChen pour un pipeline d'appel d'outils ou de sortie structurée et que vous n'avez besoin que d'une courte réponse texte, rester sur XingChen évite une seconde intégration. Inversement, si vous êtes sur ScaleDown: Extract pour du travail documentaire et que vous avez besoin d'une complétion rapide en texte brut, y rester évite d'ajouter un autre id de modèle à votre configuration. Aucun des deux modèles n'est strictement meilleur ; les facteurs décisifs sont la taille du contexte, l'entrée multimodale, et le besoin ou non d'outils, de sortie structurée ou de raisonnement.