ScaleDown: Extract

ScaleDown: Extract är en textmodell från ScaleDown, byggd specifikt för beskrivningsstyrd entitetsextrahering. Istället för att tvinga dig att välja från en fast uppsättning entitetstyper låter den dig beskriva de fält du vill ha på vanlig engelska. Det gör den till en annan sorts verktyg än en allmän chattmodell: dess uppgift är att plocka ut strukturerad information ur vad du än ger den, styrd av din egen beskrivning av målfälten.

Modellen tar text, bilder och filer som indata och returnerar text. Dess kontextfönster är 1 000 000 tokens, och maximal utdata är 900 000 tokens. Den kombinationen av ett mycket stort indatafönster och ett högt utdatatak innebär att du kan ge den långa dokument eller blandade medier och ändå få ett omfattande extraherat resultat tillbaka i ett enda anrop. Listan över parametrar som stöds är medvetet kort: endast max_tokens exponeras, vilket passar en modell vars beteende främst styrs av den entitetsbeskrivning du anger snarare än av en bred uppsättning urvalsreglage.

Praktiska användningsfall följer direkt av dessa egenskaper. Om du har avtal, fakturor, rapporter eller skannade papper och behöver få specifika fält utplockade beskriver du dessa fält och låter modellen hitta dem. Eftersom bilder och filer accepteras tillsammans med text kan samma anrop täcka en PDF, en skärmbild eller en vanlig textdump utan en separat pipeline för varje format. Kontextfönstret på en miljon tokens är användbart när de relevanta detaljerna är utspridda över ett långt dokument och du helst inte vill dela upp det själv. Det höga utdatataket hjälper när själva extraheringsresultatet är långt, till exempel en lista med många entiteter eller en tabelliknande struktur.

Du anropar den via api14:s OpenAI-kompatibla API med modell-id:t "scaledown/extract". Den enda parameter för förfrågan som stöds är max_tokens, så håll din förfrågan enkel och placera fältbeskrivningarna där leverantören förväntar sig dem, under provider.options.scaledown.entities. Eftersom gränssnittet är OpenAI-kompatibelt fungerar befintliga klienter och SDK:er i allmänhet med ett byte av modell-id och endpoint, och du kan ställa in max_tokens för att begränsa svarslängden för din arbetsbelastning.

Den smala parameterytan är värd att notera när du väljer modell. Om din uppgift kräver kreativ generering, flerrundskonversation eller finjusterad kontroll över urvalsbeteende passar en allmän textmodell bättre. Extract är inriktad på en enda uppgift, och den utför den uppgiften genom att läsa din beskrivning av fälten snarare än genom att exponera många inställningsalternativ. För extraheringsuppgifter där fälten är lättare att beskriva i ord än att uttrycka som ett schema är den ett rimligt standardval att prova först.