Meta: Muse Wonder 대 ScaleDown: Extract
api14 카탈로그의 최신 USD 가격과 기능을 바탕으로 Meta: Muse Wonder(US$14.00 / 100만 토큰 (≈ ₩18,868))와(과) ScaleDown: Extract(US$0.14 / 100만 토큰 (≈ ₩189))를 나란히 비교합니다. 두 모델 모두 같은 OpenAI 호환 API로 실행됩니다.
사양
| Meta: Muse Wonder | ScaleDown: Extract | |
|---|---|---|
| 제공업체 | Meta | ScaleDown |
| 입력 | US$14.00 / 100만 토큰 (≈ ₩18,868) | US$0.14 / 100만 토큰 (≈ ₩189) |
| 출력 | US$70.00 / 100만 토큰 (≈ ₩94,339) | - |
| 캐시 읽기 | US$0.70 / 100만 토큰 (≈ ₩943) | - |
| 웹 검색 | US$8.75 / 1천 회 검색 (≈ ₩11,792) | - |
| 컨텍스트 윈도우 | 1,048,576 | 1,000,000 |
| 최대 출력 | 943,718 | 900,000 |
| 입력 | text, image, video, file, audio | text, image, file |
| 출력 | text | text |
| 도구 호출 | ||
| 구조화된 출력 | ||
| 추론 조절 | ||
| 추가일 | 2026. 10. 12. | 2026. 10. 13. |
주요 차이점
- ScaleDown: Extract의 입력 토큰 가격이 99% 더 저렴합니다.
- 도구 호출은(는) Meta: Muse Wonder만 지원합니다.
- 구조화된 JSON 출력은(는) Meta: Muse Wonder만 지원합니다.
- 추론 강도 조절은(는) Meta: Muse Wonder만 지원합니다.
- 입력 1,000 토큰, 출력 500 토큰 요청의 비용은 Meta: Muse Wonder에서 US$0.05, ScaleDown: Extract에서 US$0.000140입니다.
자세히 보기
메타: Muse Wonder는 Meta의 텍스트 모델로, api14에 모델 id meta/muse-wonder로 등록되어 있습니다. ScaleDown: Extract는 ScaleDown의 텍스트 모델로, scaledown/extract로 등록되어 있습니다. 둘 다 출력 양식이 텍스트 전용이라는 점에서 텍스트 입력, 텍스트 출력 모델이며, 2026년 10월에 하루 차이로 출시되었기 때문에 어느 쪽도 우회해야 하는 레거시 옵션이 아닙니다. 흥미로운 차이는 입력으로 무엇을 받아들이는지와 무엇을 요청할 수 있는지에 있습니다.
Muse Wonder는 텍스트, 이미지, 비디오, 파일, 오디오를 입력으로 받는 반면, Extract는 텍스트, 이미지, 파일을 받습니다. 따라서 파이프라인에 오디오나 비디오가 포함된다면 해당 자료를 직접 볼 수 있는 쪽은 Muse Wonder입니다. 컨텍스트 길이는 결정을 좌우할 만큼 차이가 나지 않습니다. Muse Wonder는 1,048,576 토큰, Extract는 1,000,000 토큰을 표시하며, 정성적 비교에서는 컨텍스트 차이를 의미 있는 것으로 취급하지 않습니다. 더 큰 차이는 지원되는 파라미터에 있습니다. Muse Wonder는 tools와 tool_choice, structured_outputs와 response_format, 그리고 reasoning 계열(reasoning, reasoning_effort, include_reasoning)과 함께 temperature, top_p, top_k, repetition_penalty 같은 일반적인 샘플링 제어를 노출합니다. Extract는 max_tokens만 지원합니다. 즉 함수 호출, 강제 JSON 스키마, 명시적 추론 제어가 관련된 작업은 모두 Muse Wonder로 가야 합니다. Extract에는 이를 위한 수단이 없기 때문입니다.
일상적인 작업에서는 과제가 실제로 필요로 하는 것을 기준으로 선택하세요. 문서, 이미지, 일반 텍스트에서 필드를 추출하고 답변만 받으면 되는 경우, Extract는 더 저렴한 입력 옵션이며 좁은 파라미터 범위는 장애가 되지 않습니다. 어차피 max_tokens만 설정할 것이기 때문입니다. 모델이 도구를 호출하거나, 스키마를 준수하는 객체를 반환하거나, 어려운 문제에 의도적인 추론 노력을 들이길 원한다면, 둘 중 이를 지원하는 것은 Muse Wonder뿐입니다. 입력에 오디오나 비디오가 포함된 경우에도 마찬가지입니다. Extract는 이를 받지 않습니다. 마지막에 구조화된 출력도 원하는 긴 혼합 미디어 분석이라면, Muse Wonder가 한 번의 호출로 전체 경로를 커버합니다.
둘 중 어느 것이든 api14를 통해 호출하는 방식은 동일합니다. API가 OpenAI 호환 방식이기 때문입니다. 기존 클라이언트를 api14 base URL로 지정하고, 평소의 chat completions 요청을 보내고, model 필드만 meta/muse-wonder 또는 scaledown/extract로 바꾸면 됩니다. 메시지 구조, 인증 헤더, 응답 파싱은 그대로 유지됩니다. 한 가지 주의할 점은 파라미터입니다. Muse Wonder에서 Extract로 전환한다면 max_tokens를 제외한 모든 것을 제거하세요. Extract는 temperature, tools, response_format에 대한 지원을 나열하지 않기 때문입니다. 반대 방향으로 간다면 해당 필드들을 즉시 사용할 수 있습니다.
Muse Wonder를 사용할 수 있는 경우에도 Extract를 쓸 이유는 여전히 있습니다. 작업이 단순한 텍스트, 이미지, 파일 추출이고 도구, 구조화된 출력, 추론 제어가 필요 없다면, Extract는 더 저렴한 입력 모델이며 호출하지도 않을 기능에 비용을 지불할 이유가 없습니다. 과제가 단순한 읽기와 답변 한 번 이상을 필요로 할 때 Muse Wonder를 선택하세요.
문자열 하나로 전환
두 모델은 같은 엔드포인트와 요청 형식을 사용합니다. model 값을 "meta/muse-wonder"에서 "scaledown/extract"로 바꾸기만 하면 프롬프트, 스트리밍, 도구가 그대로 작동합니다.
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);
더 많은 비교
- LiquidAI: LFM3-1.7B 대 Ricursive: Ripple 65B Preview
- LiquidAI: LFM3-1.7B 대 Crouton Alpha
- LiquidAI: LFM3-1.7B 대 Tencent: Hy4
- LiquidAI: LFM3-1.7B 대 Z.ai: GLM 5.3 FlashX Legal
- Ricursive: Ripple 65B Preview 대 Crouton Alpha
- Ricursive: Ripple 65B Preview 대 Tencent: Hy4
- Ricursive: Ripple 65B Preview 대 Z.ai: GLM 5.3 FlashX Legal
- Crouton Alpha 대 Tencent: Hy4