ScaleDown: Extract contra XingChen: Xing4.0 29B A4B (free)
Uma comparação lado a lado entre ScaleDown: Extract (US$ 0,14 / 1M fragmentos (≈ R$ 0,77)) e XingChen: Xing4.0 29B A4B (free) (Grátis) com preços em USD e recursos atuais do catálogo do api14. Os dois funcionam pela mesma API compatível com OpenAI.
Especificações
| ScaleDown: Extract | XingChen: Xing4.0 29B A4B (free) | |
|---|---|---|
| Provedor | ScaleDown | XingChen |
| Entrada | US$ 0,14 / 1M fragmentos (≈ R$ 0,77) | - |
| Janela de contexto | 1.000.000 | 262.144 |
| Saída máxima | 900.000 | 235.929 |
| Entrada | text, image, file | text |
| Saída | text | text |
| chamada de ferramentas | ||
| Saída estruturada | ||
| Controle de raciocínio | ||
| Adicionado em | 13 de out. de 2026 | 16 de out. de 2026 |
Principais diferenças
- ScaleDown: Extract lê 3.8× mais contexto (1.000.000 tokens).
- Só o XingChen: Xing4.0 29B A4B (free) suporta chamada de ferramentas.
- Só o XingChen: Xing4.0 29B A4B (free) suporta saída JSON estruturada.
- Só o XingChen: Xing4.0 29B A4B (free) suporta controle do esforço de raciocínio.
Em detalhe
ScaleDown: Extract é um modelo de texto do ScaleDown, lançado em 2026-10-13. XingChen: Xing4.0 29B A4B (free) é um modelo de texto do XingChen, lançado em 2026-10-16. Ambos são servidos através de api14 como modelos de chat compatíveis com a OpenAI, e ambos estão listados na categoria texto. A nomenclatura diz algo sobre o posicionamento: Extract soa como um modelo de extração construído para um propósito, enquanto Xing4.0 29B A4B é um modelo de chat e raciocínio geral com um nível gratuito.
Os dois diferem mais em contexto e modalidades. ScaleDown: Extract tem uma janela de contexto de 1.000.000 de tokens, que é a maior dos dois, e aceita entradas de texto, imagem e arquivo, produzindo saída de texto. XingChen: Xing4.0 29B A4B tem uma janela de contexto de 262.144 tokens e aceita apenas texto. Em parâmetros, a divisão funciona de forma oposta. XingChen expõe uma longa lista de parâmetros de amostragem e controle: frequency_penalty, presence_penalty, temperature, top_p, top_k, min_p, repetition_penalty, seed, stop, max_tokens, response_format, structured_outputs, tool_choice, tools, reasoning e include_reasoning. ScaleDown: Extract suporta apenas max_tokens. Portanto, XingChen é o único dos dois com chamada de ferramentas, saídas estruturadas e raciocínio, enquanto ScaleDown é o único que aceita imagens e arquivos e o único com o contexto maior.
Para trabalho prático, a escolha decorre diretamente dessas diferenças. Se sua tarefa envolve documentos longos, entradas de imagem ou arquivo, ou um único prompt que tenha que reter uma quantidade muito grande de material, ScaleDown: Extract é a escolha natural devido ao seu contexto maior e ao seu suporte a entrada multimodal. Se sua tarefa necessita de chamada de função, saída restrita a JSON-schema ou uma passagem de raciocínio visível, XingChen: Xing4.0 29B A4B é a escolha, já que essas são capacidades que ScaleDown: Extract não expõe. Para geração de texto simples onde nenhum desses recursos importa, qualquer um serve, e a tabela de preços ao vivo nesta página é um guia melhor do que qualquer coisa escrita aqui.
Chamar qualquer um dos modelos através de api14 funciona da mesma maneira, porque o endpoint é compatível com a OpenAI. Você aponta seu cliente para a URL base de api14, envia uma solicitação de chat completions e define o campo model para o ID que deseja. Para trocar de modelos, você muda apenas essa string, de "scaledown/extract" para "xingchen-agi/xing4.0-29b-a4b:free" ou vice-versa. Seu corpo de solicitação, cabeçalho de autenticação e análise de resposta permanecem os mesmos. A única ressalva são os parâmetros: se você enviar campos tools, response_format ou reasoning, eles se aplicam ao XingChen e não são suportados pelo ScaleDown: Extract, que aceita apenas max_tokens, portanto, mantenha conjuntos de parâmetros por modelo em vez de uma carga útil compartilhada.
Existem casos em que o outro modelo ainda é a melhor escolha mesmo após isso. Se você já está usando o XingChen para um pipeline de chamada de ferramentas ou saída estruturada e só precisa de uma resposta curta em texto, permanecer no XingChen evita uma segunda integração. Inversamente, se você está usando o ScaleDown: Extract para trabalho com documentos e precisa de uma conclusão rápida em texto simples, permanecer lá evita adicionar outro ID de modelo à sua configuração. Nenhum dos modelos é estritamente melhor; os fatores decisivos são o tamanho do contexto, a entrada multimodal e se você precisa de ferramentas, saída estruturada ou raciocínio.
Troque com uma string
Os dois modelos usam o mesmo endpoint e o mesmo formato de requisição. Mude o valor de model de "scaledown/extract" para "xingchen-agi/xing4.0-29b-a4b:free", prompts, streaming e ferramentas continuam funcionando.
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": "xingchen-agi/xing4.0-29b-a4b:free",
"messages": [
{
"role": "user",
"content": "Explain vector databases in two sentences."
}
]
});
console.log(result.choices[0].message.content);
Mais comparações
- LiquidAI: LFM3-1.7B contra Ricursive: Ripple 65B Preview
- LiquidAI: LFM3-1.7B contra Crouton Alpha
- LiquidAI: LFM3-1.7B contra Tencent: Hy4
- LiquidAI: LFM3-1.7B contra Z.ai: GLM 5.3 FlashX Legal
- Ricursive: Ripple 65B Preview contra Crouton Alpha
- Ricursive: Ripple 65B Preview contra Tencent: Hy4
- Ricursive: Ripple 65B Preview contra Z.ai: GLM 5.3 FlashX Legal
- Crouton Alpha contra Tencent: Hy4