Perceptron: Perceptron Mk1 is een tekstmodel van Perceptron, uitgebracht op 2026-05-12. Sao10K: Llama 3.1 Euryale 70B v2.2 komt van Sao10K en werd uitgebracht op 2024-08-28. Beide worden aangeboden als modellen in de categorie tekst op api14, en beide retourneren tekst als hun enige uitvoermodaliteit, dus alles wat je met een van beide genereert, komt terug als tekst.
De twee verschillen het duidelijkst op context, modaliteiten en redenering. Perceptron Mk1 accepteert tekst, afbeelding en video als invoer, terwijl het Euryale-model alleen tekst accepteert. Dat maakt Perceptron Mk1 de keuze wanneer je prompt een schermafbeelding, een diagram, een gescande pagina of een videoclip naast geschreven instructies moet bevatten. Het Euryale-model heeft het grotere contextvenster, met 131072 tokens tegenover 32768 voor Perceptron Mk1, dus het kan veel meer tekst in een enkele aanroep bevatten, wat belangrijk is voor lange documenten, uitgebreide transcripties of grote hoeveelheden referentiemateriaal. Perceptron Mk1 is de enige van de twee die wordt beschreven als het ondersteunen van redenering, en de parameterset bevat include_reasoning en reasoning, dus het is het model om naar te grijpen wanneer je wilt dat het model een probleem doordenkt voordat het antwoordt. Het Euryale-model biedt in plaats daarvan een bredere set sampling- en regelparameters, waaronder logit_bias, min_p, repetition_penalty, seed en stop, wat je fijnere controle geeft over hoe de tekst wordt geproduceerd. Op gestructureerde uitvoer verschillen de twee niet wezenlijk, en geen van beide wordt aangemerkt als de enige die tools ondersteunt.
Om tussen hen te kiezen, begin je met de vorm van de invoer. Als je taak afbeeldingen of video omvat, kan alleen Perceptron Mk1 dat aan, dus de beslissing is al gemaakt. Als je taak alleen tekst is maar het materiaal erg lang is, is het grotere contextvenster van het Euryale-model een echt voordeel, en de extra knoppen (seed voor reproduceerbaarheid, logit_bias voor sturing, repetition_penalty voor tekst die in een lus raakt) passen bij generatiewerk waarbij je de uitvoer wilt afstemmen. Als je taak een tekstprobleem is dat baat heeft bij expliciete redenering, is Perceptron Mk1 degene om aan te roepen. Qua kosten is invoer goedkoper bij Perceptron Mk1, terwijl uitvoer goedkoper is bij het Euryale-model, dus de goedkopere optie hangt ervan af of je workload invoerzwaar of uitvoerzwaar is; de live prijstabel toont de actuele cijfers.
Het aanroepen van een van beide modellen werkt op dezelfde manier via de OpenAI-compatibele API van api14. Je richt je client op de basis-URL van api14, stuurt je verzoek naar het chat completions-endpoint met je api14-sleutel, en stelt het model-veld in op de id die je wilt. Om Perceptron Mk1 te gebruiken, stel je de model-id in op perceptron/perceptron-mk1. Om het Euryale-model te gebruiken, stel je die in op sao10k/l3.1-euryale-70b. Al het andere in de request body behoudt dezelfde vorm, dus van model wisselen is een wijziging van een regel in de model-id. Houd er rekening mee dat parameters niet identiek zijn tussen de twee: Perceptron Mk1 ondersteunt reasoning en include_reasoning, wat het Euryale-model niet doet, en het Euryale-model ondersteunt logit_bias, min_p, repetition_penalty, seed en stop, wat Perceptron Mk1 niet doet. Stuur alleen parameters die het doelmodel vermeldt, en hetzelfde codepad bedient beide.
Er zijn nog steeds gevallen waarin het Euryale-model de betere keuze is, zelfs wanneer redenering niet vereist is. Als je invoer pure tekst is en lang is, laat het contextvenster van 131072 tokens je chunking of retrieval-werk vermijden dat je anders nodig zou hebben met een venster van 32768 tokens, en goedkopere uitvoerprijzen helpen wanneer het antwoord het grootste deel van de aanroep vormt. Perceptron Mk1 blijft de betere keuze wanneer afbeeldingen, video of redenering deel uitmaken van de taak.