Recursive: Flint (free) mot ScaleDown: Extract
En jämförelse sida vid sida av Recursive: Flint (free) (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
| Recursive: Flint (free) | ScaleDown: Extract | |
|---|---|---|
| Leverantör | Recursive | ScaleDown |
| Indata | - | 0,14 US$ / 1M textdelar (≈ 1,37 kr) |
| Kontextfönster | 262 144 | 1 000 000 |
| Max utdata | 235 929 | 900 000 |
| Indata | text | text, image, file |
| Utdata | text | text |
| Verktygsanrop | ||
| Strukturerad utdata | ||
| Styrning av resonemang | ||
| Tillagd | 21 okt. 2026 | 13 okt. 2026 |
Viktiga skillnader
- ScaleDown: Extract läser 3.8× mer kontext (1 000 000 tokens).
- Endast Recursive: Flint (free) stöder verktygsanrop.
- Endast Recursive: Flint (free) stöder styrning av resonemangsnivå.
Mer i detalj
Rekursiv: Flint (gratis) är en textmodell från Rekursiv, släppt 2026-10-21. ScaleDown: Extract är en textmodell från ScaleDown, släppt 2026-10-13. Båda serveras via api14 under kategorin text, och båda tar emot text och returnerar text, så på grundläggande nivå är de samma typ av endpoint. Skillnaden ligger i vad var och en är byggd för att göra bra och hur mycket du kan styra den.
ScaleDown: Extract har den större kontextfönstret av de två, med 1 000 000 tokens mot 262 144 för Flint. Den accepterar också bild- och filindata vid sidan av text, medan Flint endast accepterar text. Flint å andra sidan exponerar en mycket bredare uppsättning stödda parametrar: include_reasoning, logprobs, max_tokens, reasoning, response_format, seed, stop, temperature, tools, top_logprobs och top_p. ScaleDown: Extract stöder endast max_tokens. Så Flint är den med verktygsanrop och resonemangskontroller, och det är den enda av de två med dessa funktioner. Ingen av modellerna är flaggad som billigare på indata eller utdata, så betrakta dem som ungefär samma pris och kontrollera den aktuella tabellen för de faktiska siffrorna.
Om din uppgift behöver funktions- eller verktygsanrop, eller om du vill slå på resonemang och läsa loggsannolikheter, är Flint valet, eftersom ScaleDown: Extract inte erbjuder dessa parametrar alls. Om din uppgift är arbete med långa dokument, eller om du behöver skicka bilder eller filer i samma begäran, är ScaleDown: Extract valet, eftersom Flint inte kan ta dessa modaliteter och dess kontext är ungefär en fjärdedel så stor. För vanlig textgenerering där du bara vill ha en completion och kontroll över sampling fungerar båda, och Flint ger dig fler rattar (temperature, top_p, seed, stop) för att forma utdata.
Att anropa någon av modellerna via api14 är samma operation. API:et är OpenAI-kompatibelt, så du pekar din befintliga klient mot api14:s bas-URL, skickar en chat completions-begäran med dina meddelanden och anger model-fältet. För att använda Flint, ange model till "recursive/flint-v1.0:free". För att använda ScaleDown: Extract, ange model till "scaledown/extract". Inget annat i begärans body behöver ändras för ett grundläggande anrop. Om du flyttar från den ena till den andra, byt ut modell-id:t och, om du förlitade dig på parametrar som den nya modellen inte listar, ta bort dem, eftersom ScaleDown: Extract endast accepterar max_tokens.
Det finns ett fall där den mindre, mer begränsade modellen fortfarande är det bättre valet: när jobbet är extrahering över en stor mängd text, eller över text plus bilder eller filer, och du inte behöver verktyg eller resonemangsutdata. ScaleDown: Extract täcker det med sitt större kontextfönster och sina extra indatamodaliteter, och du betalar inte för kontroller du inte kommer att använda.
Byt med en sträng
Båda modellerna använder samma endpoint och anropsformat. Ändra model-värdet från "recursive/flint-v1.0: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