Perceptron: Perceptron Mk1 è un modello text di Perceptron, rilasciato il 2026-05-12. Sao10K: Llama 3.1 Euryale 70B v2.2 proviene da Sao10K ed è stato rilasciato il 2024-08-28. Entrambi sono serviti come modelli della categoria text su api14, ed entrambi restituiscono text come unica modalità di output, quindi qualsiasi cosa tu generi con uno dei due torna indietro come text.
I due divergono più chiaramente su contesto, modalità e reasoning. Perceptron Mk1 accetta text, image e video come input, mentre il modello Euryale accetta solo text. Questo rende Perceptron Mk1 la scelta quando il tuo prompt deve includere uno screenshot, un diagramma, una pagina scansionata o una clip video insieme a istruzioni scritte. Il modello Euryale ha la finestra di contesto più ampia, con 131072 token contro 32768 di Perceptron Mk1, quindi può contenere molto più testo in una singola chiamata, il che conta per documenti lunghi, trascrizioni estese o grandi volumi di materiale di riferimento. Perceptron Mk1 è l'unico dei due descritto come supporto al reasoning, e il suo insieme di parametri include include_reasoning e reasoning, quindi è il modello a cui rivolgersi quando vuoi che il modello elabori un problema prima di rispondere. Il modello Euryale espone invece un insieme più ampio di parametri di campionamento e controllo, tra cui logit_bias, min_p, repetition_penalty, seed e stop, il che ti dà un controllo più fine su come viene prodotto il suo testo. Sugli output strutturati i due non sono significativamente diversi, e nessuno dei due è indicato come l'unico a supportare i tools.
Per scegliere tra i due, parti dalla forma dell'input. Se il tuo compito coinvolge immagini o video, solo Perceptron Mk1 può gestirli, quindi la decisione è già presa. Se il tuo compito è solo testo ma il materiale è molto lungo, il contesto più ampio del modello Euryale è un vero vantaggio, e le sue manopole extra (seed per la riproducibilità, logit_bias per orientare, repetition_penalty per il testo che si ripete) si adattano al lavoro di generazione in cui vuoi regolare l'output. Se il tuo compito è un problema testuale che beneficia di un reasoning esplicito, Perceptron Mk1 è quello da chiamare. Sul costo, l'input è più economico su Perceptron Mk1, mentre l'output è più economico sul modello Euryale, quindi l'opzione più economica dipende dal fatto che il tuo carico di lavoro sia pesante in input o in output; la tabella dei prezzi live mostra i numeri attuali.
Chiamare l'uno o l'altro modello funziona allo stesso modo tramite l'API compatibile con OpenAI di api14. Punti il tuo client all'URL di base di api14, invii la tua richiesta all'endpoint chat completions con la tua chiave api14, e imposti il campo model all'id che vuoi. Per usare Perceptron Mk1, imposta l'id del modello su perceptron/perceptron-mk1. Per usare il modello Euryale, impostalo su sao10k/l3.1-euryale-70b. Tutto il resto nel corpo della richiesta mantiene la stessa forma, quindi cambiare modello è una modifica di una riga all'id del modello. Tieni presente che i parametri non sono identici tra i due: Perceptron Mk1 supporta reasoning e include_reasoning, cosa che il modello Euryale non fa, e il modello Euryale supporta logit_bias, min_p, repetition_penalty, seed e stop, cosa che Perceptron Mk1 non fa. Invia solo i parametri che il modello di destinazione elenca, e lo stesso percorso di codice servirà entrambi.
Ci sono ancora casi in cui il modello Euryale è la scelta migliore anche quando il reasoning non è richiesto. Se il tuo input è puro testo e si dilunga, il suo contesto di 131072 token ti permette di evitare il chunking o il lavoro di retrieval che altrimenti ti servirebbe con una finestra di 32768 token, e il prezzo di output più economico aiuta quando la risposta costituisce la maggior parte della chiamata. Perceptron Mk1 resta la scelta migliore quando immagini, video o reasoning fanno parte del lavoro.