Perceptron: Perceptron Mk1 lawan Qwen: Qwen2.5 VL 72B Instruct
Perbandingan berdampingan Perceptron: Perceptron Mk1 (US$0,52 / 1 jt token (≈ Rp 9.492)) dan Qwen: Qwen2.5 VL 72B Instruct (US$2,80 / 1 jt token (≈ Rp 50.624)) menggunakan harga USD dan kemampuan terkini dari katalog api14. Keduanya berjalan melalui API yang sama dan kompatibel dengan OpenAI.
Spesifikasi
| Perceptron: Perceptron Mk1 | Qwen: Qwen2.5 VL 72B Instruct | |
|---|---|---|
| Penyedia | Perceptron | Qwen |
| Masukan | US$0,52 / 1 jt token (≈ Rp 9.492) | US$2,80 / 1 jt token (≈ Rp 50.624) |
| Keluaran | US$5,25 / 1 jt token (≈ Rp 94.920) | US$3,50 / 1 jt token (≈ Rp 63.280) |
| Baca cache | - | US$1,40 / 1 jt token (≈ Rp 25.312) |
| Jendela konteks | 32.768 | 128.000 |
| Output maks. | 8.192 | 115.200 |
| Masukan | text, image, video | text, image |
| Keluaran | text | text |
| panggilan alat | ||
| Output terstruktur | ||
| Pengaturan penalaran | ||
| Ditambahkan | 12 Mei 2026 | 1 Feb 2025 |
Perbedaan utama
- Perceptron: Perceptron Mk1 81% lebih murah untuk token input.
- Qwen: Qwen2.5 VL 72B Instruct 33% lebih murah untuk token output.
- Qwen: Qwen2.5 VL 72B Instruct membaca konteks 3.9× lebih banyak (128.000 token).
- Hanya Perceptron: Perceptron Mk1 yang mendukung pengaturan tingkat penalaran.
- Permintaan dengan 1.000 token input dan 500 token output berbiaya US$0,00315 dengan Perceptron: Perceptron Mk1 dan US$0,00455 dengan Qwen: Qwen2.5 VL 72B Instruct.
Lebih mendalam
Perceptron: Perceptron Mk1 dibuat oleh Perceptron, dan Qwen: Qwen2.5 VL 72B Instruct dibuat oleh Qwen. Keduanya terdaftar di api14 sebagai model teks, yang berarti teks adalah yang Anda dapatkan kembali dari salah satunya. Perbedaannya ada di sisi input dan seberapa banyak ruang yang diberikan untuk Anda bekerja.
Perceptron Mk1 menerima teks, gambar dan video sebagai input, sedangkan Qwen2.5 VL 72B Instruct menerima teks dan gambar tetapi tidak video. Itu membuat Perceptron Mk1 menjadi satu-satunya dari keduanya yang dapat melihat rekaman bergerak. Jendela konteksnya menunjukkan arah sebaliknya: Qwen2.5 VL 72B Instruct mendukung 128000 token, yang jauh lebih besar daripada 32768 token yang didukung Perceptron Mk1. Pada penalaran, Perceptron Mk1 adalah yang mengekspos parameter terkait penalaran, jadi jika Anda ingin model menunjukkan atau mengendalikan penalarannya, itulah sisi yang perlu dilihat. Pada harga, Perceptron Mk1 adalah opsi yang lebih murah untuk input, sedangkan Qwen2.5 VL 72B Instruct lebih murah untuk output, jadi totalnya tergantung pada berapa banyak teks yang Anda kirim versus berapa banyak yang Anda hasilkan.
Untuk tugas yang melibatkan video, Perceptron Mk1 adalah pilihan yang lugas, karena Qwen2.5 VL 72B Instruct tidak dapat menerima input video sama sekali. Untuk tugas yang melibatkan teks dalam jumlah sangat besar, seperti dokumen panjang, dump basis kode besar atau riwayat percakapan panjang, Qwen2.5 VL 72B Instruct memberi Anda konteks yang jauh lebih banyak untuk memuatnya. Untuk pekerjaan gambar plus teks dengan panjang sedang, keduanya dapat menanganinya, dan keputusannya bermuara pada apakah Anda ingin kontrol penalaran (Perceptron Mk1) atau jendela yang lebih besar dan kumpulan parameter sampling dan output yang lebih luas yang didukung Qwen2.5 VL 72B Instruct, termasuk logit_bias, logprobs, seed dan stop. Jika beban kerja Anda sebagian besar berupa prompt pendek dengan jawaban yang dihasilkan panjang, output yang lebih murah pada Qwen2.5 VL 72B Instruct mungkin lebih penting bagi Anda.
Memanggil salah satu model melalui api14 bekerja dengan cara yang sama, karena API-nya kompatibel dengan OpenAI. Anda mengarahkan klien OpenAI yang sudah ada ke base URL api14, mengirim kunci Anda, dan mengatur field model ke id yang Anda inginkan. Untuk menggunakan Perceptron Mk1, atur model ke perceptron/perceptron-mk1. Untuk menggunakan Qwen2.5 VL 72B Instruct, atur model ke qwen/qwen2.5-vl-72b-instruct. Tidak ada hal lain dalam bentuk permintaan yang harus berubah, jadi beralih di antara keduanya adalah edit satu baris di konfigurasi atau body permintaan Anda. Anda dapat menyimpan dua konstanta di kode Anda dan menukarnya per panggilan, atau merutekan berdasarkan jenis tugas saat runtime.
Masih ada kasus di mana model yang tidak Anda pilih pertama adalah yang lebih baik. Jika Anda memulai dengan Perceptron Mk1 karena input videonya tetapi beban kerja aktual Anda ternyata adalah teks panjang tanpa video, Qwen2.5 VL 72B Instruct adalah yang lebih cocok karena jendela konteksnya yang lebih besar. Jika Anda memulai dengan Qwen2.5 VL 72B Instruct karena ukuran konteksnya tetapi Anda memerlukan kontrol penalaran, Perceptron Mk1 adalah yang menawarkannya. Periksa tabel harga langsung di halaman sebelum Anda memutuskan, karena sisi yang lebih murah berbeda antara input dan output.
Berganti cukup dengan satu string
Kedua model menggunakan endpoint dan bentuk permintaan yang sama. Ubah nilai model dari "perceptron/perceptron-mk1" ke "qwen/qwen2.5-vl-72b-instruct", prompt, streaming, dan tools tetap berfungsi.
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": "qwen/qwen2.5-vl-72b-instruct",
"messages": [
{
"role": "user",
"content": "Explain vector databases in two sentences."
}
]
});
console.log(result.choices[0].message.content);
Perbandingan lainnya
- LiquidAI: LFM3-1.7B lawan Ricursive: Ripple 65B Preview
- LiquidAI: LFM3-1.7B lawan Crouton Alpha
- LiquidAI: LFM3-1.7B lawan Tencent: Hy4
- LiquidAI: LFM3-1.7B lawan Z.ai: GLM 5.3 FlashX Legal
- Ricursive: Ripple 65B Preview lawan Crouton Alpha
- Ricursive: Ripple 65B Preview lawan Tencent: Hy4
- Ricursive: Ripple 65B Preview lawan Z.ai: GLM 5.3 FlashX Legal
- Crouton Alpha lawan Tencent: Hy4