Meta: Muse Wonder contro ScaleDown: Extract
Un confronto fianco a fianco tra Meta: Muse Wonder (14,00 USD / 1M token (≈ 12,47 €)) e ScaleDown: Extract (0,14 USD / 1M token (≈ 0,12 €)) con i prezzi in USD e le funzionalità aggiornati dal catalogo di api14. Entrambi funzionano con la stessa API compatibile OpenAI.
Specifiche
| Meta: Muse Wonder | ScaleDown: Extract | |
|---|---|---|
| Fornitore | Meta | ScaleDown |
| Ingresso | 14,00 USD / 1M token (≈ 12,47 €) | 0,14 USD / 1M token (≈ 0,12 €) |
| Uscita | 70,00 USD / 1M token (≈ 62,33 €) | - |
| Lettura cache | 0,70 USD / 1M token (≈ 0,62 €) | - |
| Ricerca web | 8,75 USD / 1K ricerche (≈ 7,79 €) | - |
| Finestra di contesto | 1.048.576 | 1.000.000 |
| Output massimo | 943.718 | 900.000 |
| Ingresso | text, image, video, file, audio | text, image, file |
| Uscita | text | text |
| chiamata di strumenti | ||
| Output strutturato | ||
| Controllo del ragionamento | ||
| Aggiunto | 12 ott 2026 | 13 ott 2026 |
Differenze principali
- ScaleDown: Extract costa il 99% in meno sui token di input.
- Solo Meta: Muse Wonder supporta chiamata di strumenti.
- Solo Meta: Muse Wonder supporta output JSON strutturato.
- Solo Meta: Muse Wonder supporta controllo del livello di ragionamento.
- Una richiesta con 1.000 token di input e 500 di output costa 0,05 USD con Meta: Muse Wonder e 0,000140 USD con ScaleDown: Extract.
Nel dettaglio
Meta: Muse Wonder è un modello testuale di Meta, elencato su api14 con l'id modello meta/muse-wonder. ScaleDown: Extract è un modello testuale di ScaleDown, elencato come scaledown/extract. Entrambi sono modelli text-in, text-out nel senso che la loro modalità di output è solo testo, ed entrambi sono stati rilasciati a un giorno di distanza l'uno dall'altro in ottobre 2026, quindi nessuno dei due è un'opzione legacy con cui devi convivere. Le differenze interessanti stanno in ciò che accettano come input e in ciò che puoi chiedere loro di fare.
Muse Wonder accetta testo, immagine, video, file e audio come input, mentre Extract accetta testo, immagine e file. Quindi se la tua pipeline coinvolge audio o video, Muse Wonder è quello che può guardare direttamente quel materiale. La lunghezza del contesto è abbastanza simile da non dover guidare la tua decisione: Muse Wonder elenca 1.048.576 token e Extract elenca 1.000.000, e il confronto qualitativo tratta la differenza di contesto come non significativa. La divisione più netta è nei parametri supportati. Muse Wonder espone tools e tool_choice, structured_outputs e response_format, e la famiglia di reasoning (reasoning, reasoning_effort, include_reasoning), più i soliti controlli di campionamento come temperature, top_p, top_k e repetition_penalty. Extract supporta solo max_tokens. Questo significa che qualsiasi cosa che coinvolga function calling, schemi JSON imposti o controllo esplicito del reasoning deve andare su Muse Wonder, perché Extract non ti dà alcuna leva per farlo.
Per il lavoro quotidiano, scegli in base a ciò di cui il task ha realmente bisogno. Se stai estraendo campi da documenti, immagini o testo semplice e vuoi solo la risposta indietro, Extract è l'opzione di input più economica e la sua superficie ristretta di parametri non è un handicap, dato che avresti impostato comunque solo max_tokens. Se hai bisogno che il modello chiami strumenti, restituisca un oggetto conforme a uno schema, o impieghi uno sforzo di reasoning deliberato su un problema difficile, Muse Wonder è l'unico dei due che lo supporta. Lo stesso vale se il tuo input include audio o video, che Extract non accetta. Per l'analisi long su media misti in cui vuoi anche un output strutturato alla fine, Muse Wonder copre l'intero percorso in una sola chiamata.
Chiamare l'uno o l'altro tramite api14 funziona allo stesso modo, perché l'API è compatibile con OpenAI. Punti il tuo client esistente all'URL di base di api14, invii la tua solita richiesta di chat completions e cambi solo il campo model: meta/muse-wonder o scaledown/extract. La struttura dei tuoi messaggi, il tuo header di autenticazione e il parsing delle tue risposte restano come sono. L'unica cosa a cui fare attenzione sono i parametri: se passi da Muse Wonder a Extract, elimina tutto tranne max_tokens, dato che Extract non elenca il supporto per temperature, tools o response_format. Andando nella direzione opposta, puoi iniziare a usare quei campi immediatamente.
Cambia modello con una stringa
Entrambi i modelli usano lo stesso endpoint e la stessa struttura di richiesta. Cambia il valore di model da "meta/muse-wonder" a "scaledown/extract", prompt, streaming e tool continuano a funzionare.
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": "scaledown/extract",
"messages": [
{
"role": "user",
"content": "Explain vector databases in two sentences."
}
]
});
console.log(result.choices[0].message.content);
Altri confronti
- LiquidAI: LFM3-1.7B contro Ricursive: Ripple 65B Preview
- LiquidAI: LFM3-1.7B contro Crouton Alpha
- LiquidAI: LFM3-1.7B contro Tencent: Hy4
- LiquidAI: LFM3-1.7B contro Z.ai: GLM 5.3 FlashX Legal
- Ricursive: Ripple 65B Preview contro Crouton Alpha
- Ricursive: Ripple 65B Preview contro Tencent: Hy4
- Ricursive: Ripple 65B Preview contro Z.ai: GLM 5.3 FlashX Legal
- Crouton Alpha contro Tencent: Hy4