Vi använder cookies. Cookies och webbläsarlagring håller dig inloggad och kommer ihåg dina preferenser. Med ditt tillstånd mäter vi också hur webbplatsen används. Du kan när som helst. Läs vår cookiepolicy.

Ny här? Se hur det fungerar En rundtur på 1 minut genom testmiljö, modeller och din API-nyckel.

Perceptron Mk1 vs Qwen2.5 VL 72B Instruct: API-pris, kontext och funktioner · api14

Perceptron: Perceptron Mk1 mot Qwen: Qwen2.5 VL 72B Instruct

En jämförelse sida vid sida av Perceptron: Perceptron Mk1 (0,52 US$ / 1M textdelar (≈ 5,19 kr)) och Qwen: Qwen2.5 VL 72B Instruct (2,80 US$ / 1M textdelar (≈ 27,69 kr)) med aktuella USD-priser och funktioner från api14-katalogen. Båda körs via samma OpenAI-kompatibla API.

Specifikationer

	Perceptron: Perceptron Mk1	Qwen: Qwen2.5 VL 72B Instruct
Leverantör	Perceptron	Qwen
Indata	0,52 US$ / 1M textdelar (≈ 5,19 kr)	2,80 US$ / 1M textdelar (≈ 27,69 kr)
Utdata	5,25 US$ / 1M textdelar (≈ 51,93 kr)	3,50 US$ / 1M textdelar (≈ 34,62 kr)
Cacheläsning	-	1,40 US$ / 1M textdelar (≈ 13,85 kr)
Kontextfönster	32 768	128 000
Max utdata	8 192	115 200
Indata	text, image, video	text, image
Utdata	text	text
Verktygsanrop
Strukturerad utdata
Styrning av resonemang
Tillagd	12 maj 2026	1 feb. 2025

Viktiga skillnader

Perceptron: Perceptron Mk1 är 81% billigare på indata-tokens.
Qwen: Qwen2.5 VL 72B Instruct är 33% billigare på utdata-tokens.
Qwen: Qwen2.5 VL 72B Instruct läser 3.9× mer kontext (128 000 tokens).
Endast Perceptron: Perceptron Mk1 stöder styrning av resonemangsnivå.
Ett anrop med 1 000 indata- och 500 utdata-tokens kostar 0,00315 US$ med Perceptron: Perceptron Mk1 och 0,00455 US$ med Qwen: Qwen2.5 VL 72B Instruct.

Mer i detalj

Perceptron: Perceptron Mk1 tillverkas av Perceptron, och Qwen: Qwen2.5 VL 72B Instruct tillverkas av Qwen. Båda är listade på api14 som textmodeller, vilket innebär att text är vad du får tillbaka från endera av dem. Skillnaden ligger på indatasidan och i hur mycket utrymme de ger dig att arbeta med.

Perceptron Mk1 accepterar text, bilder och video som indata, medan Qwen2.5 VL 72B Instruct accepterar text och bilder men inte video. Det gör Perceptron Mk1 till den enda av de två som kan titta på rörligt material. Kontextfönstren pekar åt andra hållet: Qwen2.5 VL 72B Instruct stöder 128000 tokens, vilket är betydligt större än de 32768 tokens som Perceptron Mk1 stöder. När det gäller resonemang är Perceptron Mk1 den som exponerar resonemangsrelaterade parametrar, så om du vill att modellen ska visa eller styra sitt resonemang är det den sidan du ska titta på. När det gäller pris är Perceptron Mk1 det billigare alternativet för indata, medan Qwen2.5 VL 72B Instruct är billigare för utdata, så totalen beror på hur mycket text du skickar kontra hur mycket du genererar.

För en uppgift som involverar video är Perceptron Mk1 det självklara valet, eftersom Qwen2.5 VL 72B Instruct inte kan ta videoindata alls. För en uppgift som involverar en mycket stor mängd text, till exempel ett långt dokument, en stor kodbas eller en lång konversationshistorik, ger Qwen2.5 VL 72B Instruct dig långt mer kontext att rymma det i. För arbete med bild plus text av måttlig längd kan båda hantera det, och beslutet hänger på om du vill ha resonemangsstyrning (Perceptron Mk1) eller det större fönstret och den bredare uppsättningen av samplings- och utdataparametrar som Qwen2.5 VL 72B Instruct stöder, inklusive logit_bias, logprobs, seed och stop. Om din arbetsbelastning mest består av korta prompter med långa genererade svar kan den billigare utdatan hos Qwen2.5 VL 72B Instruct betyda mer för dig.

Att anropa endera modellen via api14 fungerar på samma sätt, eftersom API:et är OpenAI-kompatibelt. Du pekar din befintliga OpenAI-klient mot api14:s bas-URL, skickar din nyckel och ställer in modellfältet till det id du vill använda. För att använda Perceptron Mk1 ställer du in modellen till perceptron/perceptron-mk1. För att använda Qwen2.5 VL 72B Instruct ställer du in modellen till qwen/qwen2.5-vl-72b-instruct. Inget annat i förfrågans utformning behöver ändras, så att växla mellan dem är en enradsändring i din konfiguration eller din förfrågningskropp. Du kan behålla två konstanter i din kod och byta dem per anrop, eller dirigera efter uppgiftstyp vid körning.

Det finns fortfarande fall där modellen du inte valde först är den bättre. Om du började med Perceptron Mk1 för dess videoindata men din faktiska arbetsbelastning visar sig vara lång text utan video, är Qwen2.5 VL 72B Instruct en bättre matchning på grund av det större kontextfönstret. Om du började med Qwen2.5 VL 72B Instruct för dess kontextstorlek men behöver resonemangsstyrning, är Perceptron Mk1 den som erbjuder dem. Kontrollera den aktuella pristabellen på sidan innan du bestämmer dig, eftersom den billigare sidan skiljer sig mellan indata och utdata.

Byt med en sträng

Båda modellerna använder samma endpoint och anropsformat. Ändra model-värdet från "perceptron/perceptron-mk1" till "qwen/qwen2.5-vl-72b-instruct", promptar, streaming och verktyg fortsätter att fungera.

Perceptron: Perceptron Mk1: detaljer och testmiljö →Qwen: Qwen2.5 VL 72B Instruct: detaljer och testmiljö →

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": "qwen/qwen2.5-vl-72b-instruct",
  "messages": [
    {
      "role": "user",
      "content": "Explain vector databases in two sentences."
    }
  ]
});
console.log(result.choices[0].message.content);

Perceptron: Perceptron Mk1 mot Qwen: Qwen2.5 VL 72B Instruct

Specifikationer

Viktiga skillnader

Mer i detalj

Byt med en sträng

Fler jämförelser