Nace.AI: Drex v2.0 kontra ScaleDown: Classify-1
Porównanie Nace.AI: Drex v2.0 (0,21 USD / 1M tokenów (≈ 0,82 zł)) i ScaleDown: Classify-1 (0,14 USD / 1M tokenów (≈ 0,55 zł)) obok siebie na podstawie aktualnych cen w USD i możliwości z katalogu api14. Oba działają przez to samo API zgodne z OpenAI.
Specyfikacja
| Nace.AI: Drex v2.0 | ScaleDown: Classify-1 | |
|---|---|---|
| Dostawca | Nace.AI | ScaleDown |
| Wejście | 0,21 USD / 1M tokenów (≈ 0,82 zł) | 0,14 USD / 1M tokenów (≈ 0,55 zł) |
| Okno kontekstu | 131 072 | 1 000 000 |
| Maks. wyjście | 117 964 | 900 000 |
| Wejście | text | text, image, file |
| Wyjście | decisions | decisions |
| Wywołania narzędzi | ||
| Ustrukturyzowane wyjście | ||
| Sterowanie rozumowaniem | ||
| Dodano | 12 paź 2026 | 13 paź 2026 |
Najważniejsze różnice
- ScaleDown: Classify-1 jest o 33% tańszy na tokenach wejściowych.
- ScaleDown: Classify-1 przyjmuje 7.6× więcej kontekstu (1 000 000 tokenów).
- Żądanie z 1000 tokenów wejściowych i 500 wyjściowych kosztuje 0,000210 USD z Nace.AI: Drex v2.0 i 0,000140 USD z ScaleDown: Classify-1.
Szczegółowo
Nace.AI: Drex v2.0 to model decyzyjny od Nace.AI, wydany 2026-10-12. ScaleDown: Classify-1 to model decyzyjny od ScaleDown, wydany 2026-10-13. Oba naleza do tej samej kategorii, wiec sa ukierunkowane na to samo szerokie zadanie: przyjecie danych wejsciowych i zwrocenie decyzji zamiast swobodnej prozy. Zadne z tych modeli nie udostepnia zadnych obslugiwanych parametrow, wiec konfigurujesz je przez tresc zadania, ktora juz wysylasz, a nie przez liste regulowanych opcji.
Najwyrazniejszy podzial dotyczy kontekstu i obslugi danych wejsciowych. Drex v2.0 przyjmuje tylko tekst i ma okno kontekstu wynoszace 131 072 tokeny. Classify-1 przyjmuje tekst, obrazy i pliki, a jego okno kontekstu wynosi 1 000 000 tokenow, wiec jest zdecydowanie wiekszy z tych dwoch. Oba zwracaja decyzje jako swoja modalnosc wyjsciowa, wiec roznica dotyczy wejscia, a nie wyjscia. Jesli twoje dane wejsciowe to zeskanowany formularz, zrzut ekranu, PDF lub dlugi zestaw dokumentow, Classify-1 moze je przyjac bezposrednio; Drex v2.0 oczekuje, ze najpierw wyodrebnisz tekst. Jesli chodzi o cene, Classify-1 jest tanszy z tych dwoch pod wzgledem wejscia, natomiast cena wyjscia jest mniej wiecej taka sama lub nie rozni sie istotnie miedzy nimi.
W codziennej pracy wybor zazwyczaj wynika z formatu danych wejsciowych. Jesli masz juz czysty tekst, a twoje polecenia mieszcza sie wygodnie w 131 072 tokenach, Drex v2.0 jest rozsadnym domyslnym wyborem i utrzymuje twoj potok prostym, poniewaz nie ma kroku wyodrebniania, ktory trzeba utrzymywac. Jesli klasyfikujesz dokumenty, ktore przychodza jako pliki PDF, obrazy lub pliki mieszane, albo jesli material jest tak dlugi, ze dzielenie na fragmenty zgubiloby kontekst, od ktorego zalezy decyzja, Classify-1 usuwa te prace wstepna i daje ci wiecej miejsca, zanim bedziesz musial cokolwiek dzielic. Roznica w cenie wejscia ma tez znaczenie przy duzym wolumenie, choc powinienes sprawdzic aktualna tabele cen na tej stronie, aby poznac biezace liczby, zamiast polegac na ogolnej zasadzie.
Wywoływanie kazdego z tych modeli przez api14 dziala tak samo, poniewaz brama jest zgodna z OpenAI. Kierujesz swojego klienta na ten sam bazowy URL, wysylasz to samo zadanie w stylu chat completions i zmieniasz tylko identyfikator modelu: "nace-ai/drex-v2.0" dla Drex v2.0 lub "scaledown/classify-1" dla Classify-1. Twoje uwierzytelnianie, logika ponawiania, logowanie i parsowanie odpowiedzi pozostaja nietkniete, co sprawia, ze testowanie obu na wlasnych danych jest tanie. Czesly wzorzec polega na zbudowaniu zadania raz, uruchomieniu go dla obu identyfikatorow na probce rzeczywistych danych wejsciowych i porownaniu decyzji przed wybraniem jednego.
Sa jednak przypadki, w ktorych Drex v2.0 jest lepszym wyborem. Jesli twoje dane wejsciowe to zwykly tekst i sa wystarczajaco krotkie, by zmiescic sie w jego oknie kontekstu, dodawanie obslugi obrazow i plikow nic ci nie daje, a model tylko tekstowy utrzymuje mniejszy zakres twojej integracji. Zespoly, ktore juz same wykonuja OCR lub parsowanie dokumentow i chca, aby krok decyzyjny pozostal oddzielony od wyodrebniania, moga go preferowac chociazby z tego powodu. Poniewaz cena wyjscia jest mniej wiecej taka sama w obu przypadkach, decyzja czesto sprowadza sie do tego, czy multimodalne wejscie i wieksze okno kontekstu sa warte tego dla twojego obciazenia.
Zmień jednym ciągiem znaków
Oba modele używają tego samego endpointu i tej samej struktury żądania. Zmień wartość model z "nace-ai/drex-v2.0" na "scaledown/classify-1", prompty, streaming i narzędzia działają dalej.
import OpenAI from "openai";
const client = new OpenAI({
baseURL: "https://api14.com/api/v1",
apiKey: process.env.API14_API_KEY,
});
const result = await client.post("/decisions", { body: {
"model": "scaledown/classify-1",
"state": "Customer: I was charged twice for my order and want my money back.",
"questions": {
"team": {
"type": "choice",
"instructions": "Which team should handle this message?",
"criteria": {
"billing": "Payments, refunds, invoices",
"support": "Product questions and bugs",
"sales": "Pricing and new purchases"
}
},
"urgent": {
"type": "noul",
"instructions": "Does this need a reply today?",
"criteria": {
"true": "Money, outage or legal risk",
"false": "Can wait"
}
}
}
} });
console.log(result.answers);
Więcej porównań
- LiquidAI: d1 Latest kontra LiquidAI: d1-ultra Latest
- LiquidAI: d1 Latest kontra Baseten: Joey 1
- LiquidAI: d1 Latest kontra LiquidAI: d1.1
- LiquidAI: d1 Latest kontra Morph: Reflex
- LiquidAI: d1-ultra Latest kontra Baseten: Joey 1
- LiquidAI: d1-ultra Latest kontra LiquidAI: d1.1
- LiquidAI: d1-ultra Latest kontra Morph: Reflex
- Baseten: Joey 1 kontra LiquidAI: d1.1