Free Models Router mot ScaleDown: Extract
En jämförelse sida vid sida av Free Models Router (Gratis) 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
| Free Models Router | ScaleDown: Extract | |
|---|---|---|
| Leverantör | OpenRouter | ScaleDown |
| Indata | - | 0,14 US$ / 1M textdelar (≈ 1,37 kr) |
| Kontextfönster | 200 000 | 1 000 000 |
| Max utdata | - | 900 000 |
| Indata | text, image | text, image, file |
| Utdata | text | text |
| Verktygsanrop | ||
| Strukturerad utdata | ||
| Styrning av resonemang | ||
| Tillagd | 1 feb. 2026 | 13 okt. 2026 |
Viktiga skillnader
- ScaleDown: Extract läser 5.0× mer kontext (1 000 000 tokens).
- Endast Free Models Router stöder verktygsanrop.
- Endast Free Models Router stöder strukturerad JSON-utdata.
- Endast Free Models Router stöder styrning av resonemangsnivå.
Mer i detalj
Free Models Router är en textmodell från OpenRouter, listad under modell-id openrouter/free. ScaleDown: Extract är en textmodell från ScaleDown, listad under modell-id scaledown/extract. Båda tar text- och bildindata och båda returnerar textutdata, så på grundläggande nivå gör de samma jobb: du skickar in innehåll och får text tillbaka. Skillnaderna visar sig i hur mycket du kan skicka och hur mycket kontroll du har över svaret.
Den tydligaste uppdelningen är kontexten. ScaleDown: Extract har ett kontextfönster på 1 000 000 tokens mot 200 000 för Free Models Router, så ScaleDown är den man ska välja när materialet är långt. ScaleDown accepterar också filindata vid sidan av text och bild, medan Free Models Router endast accepterar text och bild. I andra riktningen exponerar Free Models Router en bred uppsättning parametrar: temperature, top_p, top_k, min_p, frekvens- och närvarostraff, repetition penalty, seed, stop, logprobs och top_logprobs, response_format, structured_outputs, tool_choice och tools, plus resonemangskontroller som reasoning, reasoning_effort och include_reasoning. ScaleDown: Extract stöder endast max_tokens. Så Free Models Router är modellen med verktygsanrop, strukturerad utdata och resonemangskontroller, och ScaleDown är modellen med det större fönstret och filindata.
För praktiskt arbete, välj ScaleDown: Extract när uppgiften är extrahering eller sammanfattning över mycket stora indata, särskilt när dessa indata kommer som filer, och när ett vanligt textsvar är allt du behöver. Välj Free Models Router när uppgiften kräver funktionsanrop, ett JSON-schema du kan lita på, eller explicit reasoning effort, och när indata ryms bekvämt inom 200 000 tokens. Om din pipeline är beroende av samplingskontroller som seed eller temperature, eller av loggsannolikheter för poängsättning, är Free Models Router den enda av de två som erbjuder dem.
Att anropa endera via api14 är samma anrop. Båda serveras bakom den OpenAI-kompatibla endpointen, så du behåller din befintliga klient, din messages-array och din autentisering, och ändrar endast modell-id:t i request body, mellan openrouter/free och scaledown/extract. Inget annat i requestens form behöver ändras, men du bör ta bort parametrar som målmodellen inte listar, eftersom ScaleDown: Extract endast accepterar max_tokens.
Det finns ett fall där den mindre modellen ändå vinner. Om ditt jobb är en kort prompt som behöver verktyg, strukturerad utdata eller reasoning effort, ger den extra kontexten hos ScaleDown: Extract dig ingenting, och Free Models Router är den bättre passningen. De kvalitativa prisfälten för input och output skiljer sig inte meningsfullt mellan de två, så kostnad är inte den avgörande faktorn här; kontextstorlek, filindata och parameterstöd är det.
Byt med en sträng
Båda modellerna använder samma endpoint och anropsformat. Ändra model-värdet från "openrouter/free" 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