ScaleDown: Extract är en textmodell från ScaleDown, släppt 2026-10-13. XingChen: Xing4.0 29B A4B (free) är en textmodell från XingChen, släppt 2026-10-16. Båda serveras via api14 som OpenAI-kompatibla chattmodeller, och båda listas i kategorin text. Namngivningen säger något om positioneringen: Extract låter som en specialbyggd extraktionsmodell, medan Xing4.0 29B A4B är en allmän chatt- och resonemangsmodell med en gratisnivå.
De två skiljer sig mest åt i kontext och modaliteter. ScaleDown: Extract har ett kontextfönster på 1 000 000 tokens, vilket är det större av de två, och den tar emot text-, bild- och filindata och producerar textutdata. XingChen: Xing4.0 29B A4B har ett kontextfönster på 262 144 tokens och tar endast emot text. När det gäller parametrar går uppdelningen åt andra hållet. XingChen exponerar en lång lista med samplings- och styrparametrar: 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 och include_reasoning. ScaleDown: Extract stöder endast max_tokens. Så XingChen är den enda av de två med tool calling, strukturerade utdata och resonemang, medan ScaleDown är den enda som tar emot bilder och filer och den enda med den större kontexten.
För praktiskt arbete följer valet direkt av dessa skillnader. Om din uppgift involverar långa dokument, bild- eller filindata, eller en enda prompt som måste rymma en mycket stor mängd material, är ScaleDown: Extract det naturliga valet på grund av dess större kontext och dess stöd för multimodala indata. Om din uppgift behöver funktionsanrop, JSON-schemabegränsade utdata eller en synlig resonemangskörning, är XingChen: Xing4.0 29B A4B valet, eftersom det är funktioner som ScaleDown: Extract inte exponerar. För vanlig textgenerering där ingen av dessa funktioner spelar roll fungerar båda, och den aktuella pristabellen på den här sidan är en bättre vägledning än något som står här.
Att anropa endera modellen via api14 fungerar på samma sätt, eftersom slutpunkten är OpenAI-kompatibel. Du pekar din klient mot api14:s bas-URL, skickar en chat completions-begäran och ställer in modellfältet till det id du vill ha. För att byta modell ändrar du bara den strängen, från "scaledown/extract" till "xingchen-agi/xing4.0-29b-a4b:free" eller tillbaka. Din begärans brödtext, autentiseringshuvud och svarsanalys förblir som de är. Den enda varningen är parametrar: om du skickar fälten tools, response_format eller reasoning gäller de XingChen och stöds inte av ScaleDown: Extract, som endast accepterar max_tokens, så håll separata parameteruppsättningar per modell i stället för en delad nyttolast.
Det finns fall där den andra modellen fortfarande är det bättre valet även efter det. Om du redan använder XingChen för en pipeline för tool calling eller strukturerade utdata och bara behöver ett kort textsvar, undviker du en andra integration genom att stanna på XingChen. Omvänt, om du använder ScaleDown: Extract för dokumentarbete och behöver en snabb textkomplettering, undviker du att lägga till ännu ett modell-id i din konfiguration genom att stanna där. Ingen av modellerna är strikt bättre; de avgörande faktorerna är kontextstorlek, multimodala indata och huruvida du behöver verktyg, strukturerade utdata eller resonemang.