Perceptron: Perceptron Mk1 tegen Qwen: Qwen2.5 VL 72B Instruct
Een vergelijking naast elkaar van Perceptron: Perceptron Mk1 (US$ 0,52 / 1M tekstdelen (≈ € 0,47)) en Qwen: Qwen2.5 VL 72B Instruct (US$ 2,80 / 1M tekstdelen (≈ € 2,49)) met actuele USD-prijzen en mogelijkheden uit de catalogus van api14. Beide werken via dezelfde OpenAI-compatibele API.
Specificaties
| Perceptron: Perceptron Mk1 | Qwen: Qwen2.5 VL 72B Instruct | |
|---|---|---|
| Aanbieder | Perceptron | Qwen |
| Invoer | US$ 0,52 / 1M tekstdelen (≈ € 0,47) | US$ 2,80 / 1M tekstdelen (≈ € 2,49) |
| Uitvoer | US$ 5,25 / 1M tekstdelen (≈ € 4,68) | US$ 3,50 / 1M tekstdelen (≈ € 3,12) |
| Cache lezen | - | US$ 1,40 / 1M tekstdelen (≈ € 1,25) |
| Contextvenster | 32.768 | 128.000 |
| Maximale output | 8.192 | 115.200 |
| Invoer | text, image, video | text, image |
| Uitvoer | text | text |
| tool-aanroepen | ||
| Gestructureerde output | ||
| Instelbaar redeneren | ||
| Toegevoegd | 12 mei 2026 | 1 feb 2025 |
Belangrijkste verschillen
- Perceptron: Perceptron Mk1 is 81% goedkoper op inputtokens.
- Qwen: Qwen2.5 VL 72B Instruct is 33% goedkoper op outputtokens.
- Qwen: Qwen2.5 VL 72B Instruct leest 3.9× meer context (128.000 tokens).
- Alleen Perceptron: Perceptron Mk1 ondersteunt instelbare redeneerinspanning.
- Een verzoek met 1.000 input- en 500 outputtokens kost US$ 0,00315 met Perceptron: Perceptron Mk1 en US$ 0,00455 met Qwen: Qwen2.5 VL 72B Instruct.
In detail
Perceptron: Perceptron Mk1 is gemaakt door Perceptron, en Qwen: Qwen2.5 VL 72B Instruct is gemaakt door Qwen. Beide staan op api14 vermeld als tekstmodellen, wat betekent dat tekst is wat je van beide terugkrijgt. Het verschil zit aan de invoerkant en in hoeveel ruimte ze je geven om mee te werken.
Perceptron Mk1 accepteert tekst, afbeeldingen en video als invoer, terwijl Qwen2.5 VL 72B Instruct tekst en afbeeldingen accepteert, maar geen video. Daardoor is Perceptron Mk1 de enige van de twee die naar bewegend beeld kan kijken. De contextvensters wijzen de andere kant op: Qwen2.5 VL 72B Instruct ondersteunt 128000 tokens, wat aanzienlijk groter is dan de 32768 tokens die Perceptron Mk1 ondersteunt. Wat redeneren betreft, is Perceptron Mk1 degene die redeneergerelateerde parameters blootlegt, dus als je wilt dat het model zijn redenering toont of beheert, is dat de kant om naar te kijken. Qua prijs is Perceptron Mk1 de goedkopere optie voor invoer, terwijl Qwen2.5 VL 72B Instruct goedkoper is voor uitvoer, dus het totaal hangt af van hoeveel tekst je verstuurt versus hoeveel je genereert.
Voor een taak met video is Perceptron Mk1 de voor de hand liggende keuze, aangezien Qwen2.5 VL 72B Instruct helemaal geen video-invoer kan verwerken. Voor een taak met een zeer grote hoeveelheid tekst, zoals een lang document, een grote codebase-dump of een lange gespreksgeschiedenis, geeft Qwen2.5 VL 72B Instruct je veel meer context om het in te passen. Voor werk met afbeelding plus tekst van matige lengte kunnen beide het aan, en de beslissing komt neer op of je redeneerbesturing wilt (Perceptron Mk1) of het grotere venster en de bredere set sampling- en uitvoerparameters die Qwen2.5 VL 72B Instruct ondersteunt, waaronder logit_bias, logprobs, seed en stop. Als je workload vooral korte prompts met lange gegenereerde antwoorden is, kan de goedkopere uitvoer bij Qwen2.5 VL 72B Instruct zwaarder voor je wegen.
Een van beide modellen aanroepen via api14 werkt op dezelfde manier, omdat de API OpenAI-compatibel is. Je richt je bestaande OpenAI-client op de api14 base-URL, stuurt je sleutel mee en zet het model-veld op de id die je wilt. Om Perceptron Mk1 te gebruiken, zet je het model op perceptron/perceptron-mk1. Om Qwen2.5 VL 72B Instruct te gebruiken, zet je het model op qwen/qwen2.5-vl-72b-instruct. Niets anders in de vorm van het verzoek hoeft te veranderen, dus wisselen tussen de twee is een aanpassing van één regel in je configuratie of je request body. Je kunt twee constanten in je code houden en ze per aanroep verwisselen, of tijdens runtime routeren op taaktype.
Er zijn nog steeds gevallen waarin het model dat je niet als eerste koos de betere is. Als je begon met Perceptron Mk1 vanwege de video-invoer, maar je werkelijke workload lange tekst zonder video blijkt te zijn, is Qwen2.5 VL 72B Instruct de betere match vanwege het grotere contextvenster. Als je begon met Qwen2.5 VL 72B Instruct vanwege de contextgrootte, maar je redeneerbesturing nodig hebt, is Perceptron Mk1 degene die dat biedt. Controleer de actuele prijstabel op de pagina voordat je je vastlegt, aangezien de goedkopere kant verschilt tussen invoer en uitvoer.
Wissel met één string
Beide modellen gebruiken hetzelfde endpoint en dezelfde verzoekstructuur. Verander de waarde van model van "perceptron/perceptron-mk1" naar "qwen/qwen2.5-vl-72b-instruct", prompts, streaming en tools blijven werken.
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);
Meer vergelijkingen
- LiquidAI: LFM3-1.7B tegen Ricursive: Ripple 65B Preview
- LiquidAI: LFM3-1.7B tegen Crouton Alpha
- LiquidAI: LFM3-1.7B tegen Tencent: Hy4
- LiquidAI: LFM3-1.7B tegen Z.ai: GLM 5.3 FlashX Legal
- Ricursive: Ripple 65B Preview tegen Crouton Alpha
- Ricursive: Ripple 65B Preview tegen Tencent: Hy4
- Ricursive: Ripple 65B Preview tegen Z.ai: GLM 5.3 FlashX Legal
- Crouton Alpha tegen Tencent: Hy4