Meta: Muse Wonder mot ScaleDown: Extract
En jämförelse sida vid sida av Meta: Muse Wonder (14,00 US$ / 1M textdelar (≈ 137,15 kr)) och ScaleDown: Extract (0,14 US$ / 1M textdelar (≈ 1,37 kr)) med aktuella USD-priser och funktioner från api14-katalogen. Båda körs via samma OpenAI-kompatibla API.
Specifikationer
| Meta: Muse Wonder | ScaleDown: Extract | |
|---|---|---|
| Leverantör | Meta | ScaleDown |
| Indata | 14,00 US$ / 1M textdelar (≈ 137,15 kr) | 0,14 US$ / 1M textdelar (≈ 1,37 kr) |
| Utdata | 70,00 US$ / 1M textdelar (≈ 685,75 kr) | - |
| Cacheläsning | 0,70 US$ / 1M textdelar (≈ 6,86 kr) | - |
| Webbsökning | 8,75 US$ / 1K sökningar (≈ 85,72 kr) | - |
| Kontextfönster | 1 048 576 | 1 000 000 |
| Max utdata | 943 718 | 900 000 |
| Indata | text, image, video, file, audio | text, image, file |
| Utdata | text | text |
| Verktygsanrop | ||
| Strukturerad utdata | ||
| Styrning av resonemang | ||
| Tillagd | 12 okt. 2026 | 13 okt. 2026 |
Viktiga skillnader
- ScaleDown: Extract är 99% billigare på indata-tokens.
- Endast Meta: Muse Wonder stöder verktygsanrop.
- Endast Meta: Muse Wonder stöder strukturerad JSON-utdata.
- Endast Meta: Muse Wonder stöder styrning av resonemangsnivå.
- Ett anrop med 1 000 indata- och 500 utdata-tokens kostar 0,05 US$ med Meta: Muse Wonder och 0,000140 US$ med ScaleDown: Extract.
Mer i detalj
Meta: Muse Wonder är en textmodell från Meta, listad på api14 under modell-id:t meta/muse-wonder. ScaleDown: Extract är en textmodell från ScaleDown, listad under scaledown/extract. Båda är text-in, text-out-modeller i den meningen att deras utdatamodalitet enbart är text, och båda släpptes inom en dag från varandra i oktober 2026, så ingen av dem är ett äldre alternativ som du måste arbeta runt. De intressanta skillnaderna ligger i vad de accepterar som indata och vad du kan be dem göra.
Muse Wonder tar text, bild, video, fil och ljud som indata, medan Extract tar text, bild och fil. Så om din pipeline involverar ljud eller video är Muse Wonder den som kan titta på det materialet direkt. Kontextlängden ligger tillräckligt nära för att den inte bör styra ditt beslut: Muse Wonder listar 1 048 576 tokens och Extract listar 1 000 000, och den kvalitativa jämförelsen behandlar kontextskillnaden som inte betydelsefull. Den större uppdelningen ligger i vilka parametrar som stöds. Muse Wonder exponerar tools och tool_choice, structured_outputs och response_format, samt reasoning-familjen (reasoning, reasoning_effort, include_reasoning), plus de vanliga samplingskontrollerna som temperature, top_p, top_k och repetition_penalty. Extract stöder endast max_tokens. Det innebär att allt som involverar funktionsanrop, påtvingade JSON-scheman eller explicit reasoning-kontroll måste gå till Muse Wonder, eftersom Extract inte ger dig någon spak för det.
För det dagliga arbetet, välj utifrån vad uppgiften faktiskt behöver. Om du extraherar fält från dokument, bilder eller ren text och bara vill ha svaret tillbaka, är Extract det billigare indataalternativet och dess smala parameteruppsättning är inte en nackdel, eftersom du ändå bara skulle sätta max_tokens. Om du behöver att modellen anropar verktyg, returnerar ett schemaenligt objekt eller lägger avsiktlig reasoning-ansträngning på ett svårt problem, är Muse Wonder den enda av de två som stöder det. Samma sak gäller om din indata innehåller ljud eller video, vilket Extract inte accepterar. För lång mixed-media-analys där du också vill ha strukturerad utdata i slutet täcker Muse Wonder hela vägen i ett anrop.
Att anropa endera via api14 fungerar på samma sätt, eftersom API:et är OpenAI-kompatibelt. Du pekar din befintliga klient mot api14:s bas-URL, skickar din vanliga chat completions-förfrågan och ändrar bara modellfältet: meta/muse-wonder eller scaledown/extract. Din meddelandestruktur, din auth-header och din svarsanalys förblir som de är. Det enda att se upp med är parametrar: om du byter från Muse Wonder till Extract, ta bort allt utom max_tokens, eftersom Extract inte listar stöd för temperature, tools eller response_format. Åt andra hållet kan du börja använda dessa fält omedelbart.
Det finns fortfarande ett skäl för Extract även när Muse Wonder är tillgänglig. När jobbet är en enkel text-, bild- eller filextrahering och du inte behöver verktyg, strukturerad utdata eller reasoning-kontroller, är Extract den billigare indatamodellen och det finns ingen anledning att betala för kapacitet du inte kommer att använda. Välj Muse Wonder när uppgiften kräver mer än en enda omgång av läsning och svarande.
Byt med en sträng
Båda modellerna använder samma endpoint och anropsformat. Ändra model-värdet från "meta/muse-wonder" till "scaledown/extract", promptar, streaming och verktyg fortsätter att fungera.
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": "scaledown/extract",
"messages": [
{
"role": "user",
"content": "Explain vector databases in two sentences."
}
]
});
console.log(result.choices[0].message.content);
Fler jämförelser
- LiquidAI: LFM3-1.7B mot Ricursive: Ripple 65B Preview
- LiquidAI: LFM3-1.7B mot Crouton Alpha
- LiquidAI: LFM3-1.7B mot Tencent: Hy4
- LiquidAI: LFM3-1.7B mot Z.ai: GLM 5.3 FlashX Legal
- Ricursive: Ripple 65B Preview mot Crouton Alpha
- Ricursive: Ripple 65B Preview mot Tencent: Hy4
- Ricursive: Ripple 65B Preview mot Z.ai: GLM 5.3 FlashX Legal
- Crouton Alpha mot Tencent: Hy4