ScaleDown: Classify-1 kontra Together: Tev1 4B Experimental
Porównanie ScaleDown: Classify-1 (0,14 USD / 1M tokenów (≈ 0,55 zł)) i Together: Tev1 4B Experimental (0,15 USD / 1M tokenów (≈ 0,58 zł)) obok siebie na podstawie aktualnych cen w USD i możliwości z katalogu api14. Oba działają przez to samo API zgodne z OpenAI.
Specyfikacja
| ScaleDown: Classify-1 | Together: Tev1 4B Experimental | |
|---|---|---|
| Dostawca | ScaleDown | Together |
| Wejście | 0,14 USD / 1M tokenów (≈ 0,55 zł) | 0,15 USD / 1M tokenów (≈ 0,58 zł) |
| Okno kontekstu | 1 000 000 | 32 768 |
| Maks. wyjście | 900 000 | 8 |
| Wejście | text, image, file | text |
| Wyjście | decisions | decisions |
| Wywołania narzędzi | ||
| Ustrukturyzowane wyjście | ||
| Sterowanie rozumowaniem | ||
| Dodano | 13 paź 2026 | 30 wrz 2026 |
Najważniejsze różnice
- Oba mają zbliżoną cenę wejścia.
- ScaleDown: Classify-1 przyjmuje 30.5× więcej kontekstu (1 000 000 tokenów).
- Żądanie z 1000 tokenów wejściowych i 500 wyjściowych kosztuje 0,000140 USD z ScaleDown: Classify-1 i 0,000147 USD z Together: Tev1 4B Experimental.
Szczegółowo
ScaleDown: Classify-1 to model decyzyjny od ScaleDown, a Together: Tev1 4B Experimental to model decyzyjny od Together. Oba należą do kategorii decyzji, co oznacza, że ich zadaniem jest zwrócenie decyzji, a nie swobodnej prozy, i oba zostały wydane pod koniec 2026 roku, przy czym Tev1 4B Experimental pojawił się 30 września 2026, a Classify-1 13 października 2026. Żaden z modeli nie udostępnia żadnych obsługiwanych parametrów, więc konfigurujesz je wyłącznie poprzez prompt i dane wejściowe, które wysyłasz.
Najwyraźniejszy podział między nimi dotyczy kontekstu i obsługi danych wejściowych. Classify-1 przyjmuje tekst, obrazy i pliki, a jego okno kontekstowe wynosi 1 000 000 tokenów. Tev1 4B Experimental przyjmuje wyłącznie tekst, a jego okno kontekstowe wynosi 32 768 tokenów. Jeśli chodzi o cenę, oba są w przybliżeniu takie same dla danych wejściowych, więc wybór nie jest tak naprawdę kwestią kosztu po stronie wejścia; cen danych wyjściowych nie możemy tu sensownie porównać. Oba zwracają decyzje jako jedyny modalność wyjściowy, więc żaden nie jest ogólnym generatorem tekstu.
W praktycznej pracy sięgnij po Classify-1, gdy materiał, który chcesz sklasyfikować, jest duży lub ma mieszany format. Długie umowy, zeskanowane dokumenty, zrzuty ekranu, pliki PDF i zgłoszenia z dużą ilością obrazów pasują do jego modalności wejściowych i bardzo dużego kontekstu, więc możesz przekazać mu cały pakiet w jednym wywołaniu, zamiast samodzielnie dzielić go na fragmenty i sklejać wyniki. Sięgnij po Tev1 4B Experimental, gdy dane wejściowe to zwykły tekst i mieszczą się swobodnie w 32 768 tokenach, na przykład przy kierowaniu wiadomości wsparcia, oznaczaniu krótkiego rekordu lub podejmowaniu szybkiej decyzji na podstawie promptu, który już skróciłeś. Jeśli twój potok przetwarzania obsługuje tylko tekst, a dane wejściowe są małe, mniejszy model jest prostszym wyborem; w momencie, gdy pojawiają się obrazy, pliki lub bardzo długie dane wejściowe, Classify-1 jest tym, który faktycznie może je przyjąć.
Wywoływanie któregokolwiek z tych modeli przez api14 działa tak samo, ponieważ brama używa formatu chat completions zgodnego z OpenAI. Kierujesz swojego klienta na bazowy URL api14, wysyłasz żądanie jak zwykle i ustawiasz pole model na identyfikator, którego chcesz użyć. Przełączanie między nimi to zmiana jednej linii: użyj "scaledown/classify-1" dla modelu ScaleDown lub "togethercomputer/tev1-4b-experimental" dla modelu Together. Wszystko inne w treści żądania, nagłówkach i kodzie parsującym pozostaje bez zmian, więc możesz porównać oba modele na własnych danych, zamieniając ciąg znaków i uruchamiając ponownie.
Wciąż istnieją przypadki, w których Tev1 4B Experimental jest lepszym wyborem, mimo że Classify-1 jest bardziej zdolny na papierze. Jeśli twoje dane wejściowe to krótki zwykły tekst i chcesz możliwie najlżejszego żądania, model obsługujący tylko tekst pozwala uniknąć wysyłania ładunków obrazów lub plików, których nie potrzebujesz. Jest to również rozsądny domyślny wybór, gdy już zweryfikowałeś go na swoim zadaniu i po prostu chcesz utrzymać to zachowanie stabilnym, ponieważ oba modele nie przyjmują żadnych parametrów i zachowują się deterministycznie względem podanego im promptu.
Zmień jednym ciągiem znaków
Oba modele używają tego samego endpointu i tej samej struktury żądania. Zmień wartość model z "scaledown/classify-1" na "togethercomputer/tev1-4b-experimental", 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": "togethercomputer/tev1-4b-experimental",
"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