ScaleDown: Extract lawan XingChen: Xing4.0 29B A4B (free)
Perbandingan berdampingan ScaleDown: Extract (US$0,14 / 1 jt token (≈ Rp 2.531)) dan XingChen: Xing4.0 29B A4B (free) (Gratis) menggunakan harga USD dan kemampuan terkini dari katalog api14. Keduanya berjalan melalui API yang sama dan kompatibel dengan OpenAI.
Spesifikasi
| ScaleDown: Extract | XingChen: Xing4.0 29B A4B (free) | |
|---|---|---|
| Penyedia | ScaleDown | XingChen |
| Masukan | US$0,14 / 1 jt token (≈ Rp 2.531) | - |
| Jendela konteks | 1.000.000 | 262.144 |
| Output maks. | 900.000 | 235.929 |
| Masukan | text, image, file | text |
| Keluaran | text | text |
| panggilan alat | ||
| Output terstruktur | ||
| Pengaturan penalaran | ||
| Ditambahkan | 13 Okt 2026 | 16 Okt 2026 |
Perbedaan utama
- ScaleDown: Extract membaca konteks 3.8× lebih banyak (1.000.000 token).
- Hanya XingChen: Xing4.0 29B A4B (free) yang mendukung panggilan alat.
- Hanya XingChen: Xing4.0 29B A4B (free) yang mendukung output JSON terstruktur.
- Hanya XingChen: Xing4.0 29B A4B (free) yang mendukung pengaturan tingkat penalaran.
Lebih mendalam
ScaleDown: Extract adalah model teks dari ScaleDown, dirilis pada 2026-10-13. XingChen: Xing4.0 29B A4B (free) adalah model teks dari XingChen, dirilis pada 2026-10-16. Keduanya dilayani melalui api14 sebagai model chat yang kompatibel dengan OpenAI, dan keduanya terdaftar dalam kategori teks. Penamaannya memberi petunjuk tentang posisinya: Extract terdengar seperti model ekstraksi yang dibangun untuk tujuan khusus, sementara Xing4.0 29B A4B adalah model chat dan penalaran umum dengan tier gratis.
Keduanya paling berbeda dalam hal konteks dan modalitas. ScaleDown: Extract memiliki jendela konteks 1.000.000 token, yang lebih besar di antara keduanya, dan menerima input teks, gambar dan file, menghasilkan output teks. XingChen: Xing4.0 29B A4B memiliki jendela konteks 262.144 token dan hanya menerima teks. Pada parameter, pembagiannya justru sebaliknya. XingChen mengekspos daftar panjang parameter sampling dan kontrol: 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 dan include_reasoning. ScaleDown: Extract hanya mendukung max_tokens. Jadi XingChen adalah satu-satunya dari keduanya yang memiliki tool calling, structured outputs dan reasoning, sementara ScaleDown adalah satu-satunya yang menerima gambar dan file serta satu-satunya dengan konteks yang lebih besar.
Untuk pekerjaan praktis, pilihannya mengikuti langsung dari perbedaan tersebut. Jika tugas Anda melibatkan dokumen panjang, input gambar atau file, atau satu prompt yang harus menampung materi dalam jumlah sangat besar, ScaleDown: Extract adalah pilihan alaminya karena konteksnya yang lebih besar dan dukungan input multimodalnya. Jika tugas Anda membutuhkan function calling, output yang dibatasi skema JSON, atau proses reasoning yang terlihat, XingChen: Xing4.0 29B A4B adalah pilihannya, karena itu adalah kemampuan yang tidak diekspos oleh ScaleDown: Extract. Untuk generasi teks biasa di mana tidak ada fitur tersebut yang penting, keduanya bisa dipakai, dan tabel harga langsung di halaman ini adalah panduan yang lebih baik daripada apa pun yang tertulis di sini.
Memanggil salah satu model melalui api14 bekerja dengan cara yang sama, karena endpoint-nya kompatibel dengan OpenAI. Anda arahkan klien Anda ke base URL api14, kirim permintaan chat completions, dan setel field model ke id yang Anda inginkan. Untuk mengganti model, Anda hanya mengubah string itu, dari "scaledown/extract" menjadi "xingchen-agi/xing4.0-29b-a4b:free" atau sebaliknya. Body permintaan, header autentikasi dan parsing respons Anda tetap sama. Satu catatannya adalah parameter: jika Anda mengirim field tools, response_format atau reasoning, itu berlaku untuk XingChen dan tidak didukung oleh ScaleDown: Extract, yang hanya menerima max_tokens, jadi simpanlah set parameter per model daripada satu payload bersama.
Ada kasus di mana model lain tetap menjadi pilihan yang lebih baik bahkan setelah itu. Jika Anda sudah menggunakan XingChen untuk pipeline tool-calling atau structured-output dan Anda hanya perlu jawaban teks singkat, tetap di XingChen menghindari integrasi kedua. Sebaliknya, jika Anda menggunakan ScaleDown: Extract untuk pekerjaan dokumen dan Anda perlu penyelesaian teks biasa yang cepat, tetap di sana menghindari penambahan id model lain ke konfigurasi Anda. Tidak ada model yang secara mutlak lebih baik; faktor penentunya adalah ukuran konteks, input multimodal, dan apakah Anda membutuhkan tools, structured output atau reasoning.
Berganti cukup dengan satu string
Kedua model menggunakan endpoint dan bentuk permintaan yang sama. Ubah nilai model dari "scaledown/extract" ke "xingchen-agi/xing4.0-29b-a4b:free", 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": "xingchen-agi/xing4.0-29b-a4b:free",
"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