¿Qué es ScaleDown Constrained Decoding Models (Classify, Extract, Summarize)?
Los Constrained Decoding Models (CDMs) son la familia de modelos alojados de tarea única de ScaleDown, lanzada el 13 de octubre de 2026 por su cofundador y consejero delegado, Neal Patel. Classify devuelve una probabilidad por cada etiqueta que definas, Extract extrae a JSON los campos que describas y Summarize escribe un resumen de 1.000 tokens como máximo. Un modelo anterior, Compress, recorta el contexto antes de una llamada a un LLM. Los cuatro aceptan hasta 1 millón de tokens de entrada, y los tres CDMs también leen imágenes y PDF.
Classify tiene dos interfaces. POST /classify recibe etiquetas con rúbricas y admite lotes de hasta 50 entradas. POST /v1/scaledown es lo que la documentación de ScaleDown llama "a drop-in replacement for the Jev Decisions API": copia la forma de la petición y la respuesta de Jev, de TypeSafe, con preguntas choice, noul (sí/no) y score. ScaleDown es una empresa distinta y no sirve Jev; construyó su propio modelo detrás del mismo formato de petición. Extract y Summarize se llaman a través de un endpoint /v1/chat/completions compatible con OpenAI en https://api.scaledown.xyz.
La entrada de texto cuesta 0,05 $ por millón de tokens y la de imágenes 0,15 $, con la salida gratis. En OpenRouter, Classify-1, Extract y Summarize figuran a 0,04 $ con un descuento del 20%.
¿Merece la pena ScaleDown Constrained Decoding Models (Classify, Extract, Summarize)?
El precio de ScaleDown es la afirmación que resiste la comprobación; la mayor parte de las cuentas de su lanzamiento, no. La publicación de lanzamiento prometía modelos "200x faster, 467x cheaper than frontier LLM APIs" y un 77,2% en DecisionBench, frente al 72% de Jev. La documentación de benchmarks de la propia ScaleDown es mucho más modesta: entre 2,2 y 13,9 veces más rápido que la media de la gama de cada proveedor, y 89 veces más barato que la media de OpenAI y 161 veces más barato que la de Anthropic. No ha aparecido ningún registro público del resultado del 77,2% en DecisionBench, una laguna que señaló un hilo de Bitroot, según un análisis independiente. Todas las comparaciones de ScaleDown son autodeclaradas.
La mejor prueba independiente es un test de 1.000 llamadas de Ishank Choudhary en DEV Community, que es la ejecución de un solo ingeniero y no una evaluación revisada por pares. En 300 intenciones de CLINC150, el endpoint Decisions compatible con Jev obtuvo un 97,3% (intervalo del 95%, de 94,8 a 98,6) frente al 90,7% de un Qwen3 1.7B local; en 110 tickets de soporte de Bitext fue un 92,7% frente a un 62,7%. Extract empató con el modelo local con un 89,5% de precisión por campo en 50 recibos de SROIE, pero leyó bien los totales todas las veces, frente al 78%, y cada valor vuelve con una puntuación de confianza y las posiciones de los caracteres en el original.
La factura es mayor que tu prompt. ScaleDown cuenta como entrada los criterios de las etiquetas, los esquemas y sus prompts internos: las llamadas de clasificación de Choudhary facturaron unos 481 tokens donde la misma tarea como prompt simple ocupaba 172. En el endpoint Decisions cada pregunta es una llamada al modelo distinta que se factura por separado, mientras que Jev responde todas las preguntas de una vez. A precios de tarifa, eso hizo que la clasificación corta costara el doble que gpt-5-nano (0,024 $ frente a 0,012 $ por 1.000 llamadas) y algo más en extracción (0,069 $ frente a 0,057 $). El ahorro solo es grande frente a los modelos insignia: de 45 a 102 veces frente a gpt-5.5 en la misma prueba. El modo por lotes de /classify ayuda, porque 50 entradas comparten un único conjunto de etiquetas facturado.
Summarize es el más flojo de los tres. No inventó ningún dato en seis reuniones de QMSum, pero a menudo resumió la parte equivocada de una reunión cuando se le hacía una pregunta, y en un documento de 369.000 tokens cubrió solo una de dos series de reuniones. La ventana de 1 millón de tokens acepta la entrada; no garantiza que el modelo la lea entera.
Frente al propio Jev, la compatibilidad es real pero parcial. La documentación indica dos nombres de modelo (classify y classify-1), ninguna pregunta box, un máximo de 10 niveles por pregunta score y un tope de 20 etiquetas en /classify, sobre el que funcionan las preguntas choice, frente a las 255 opciones de Jev. Una capa de enrutamiento de Jev con listas largas de opciones o muchas preguntas por petición no se podrá trasladar al mismo coste.
Dónde se gana su sitio
Un ingeniero de plataforma con una capa de enrutamiento de Jev en producción
Ejecutar las mismas preguntas de decisión en un segundo proveedor por precio y para conmutación por error
Dirige la forma de petición de Jev que ya tienes a /v1/scaledown y compara las respuestas con tráfico registrado. Las peticiones con varias preguntas facturan una llamada por pregunta, y las preguntas choice de más de 20 opciones hay que dividirlas, así que mide la factura antes de cambiar.
La responsable de cuentas por pagar de un distribuidor mediano que escanea 5.000 recibos a la semana
Pasar comercio, fecha y total de las fotos al libro contable con una pista de auditoría
Extract lee la imagen, devuelve cada campo con una confianza y las posiciones en el texto, y las filas de baja confianza van a un administrativo. En la prueba independiente acertó los totales de los recibos 50 veces de 50, a unos 0,069 $ por 1.000 llamadas.
Un analista de operaciones de soporte de un banco que etiqueta tickets históricos
Clasificar en una noche un atraso de diez millones de tickets según 15 intenciones
Envía 50 tickets por petición a /classify para que las 15 rúbricas se facturen una vez por lote y no una vez por ticket. Las peticiones por lotes omiten la llamada de razonamiento de una frase, que en las peticiones individuales vuelve a enviar las rúbricas al doble del precio de entrada.
Antes de decidirte
- Puesta en marcha
- La web ofrece registrarse con 1 millón de tokens gratis y sin tarjeta; la introducción de la documentación aún remite a los usuarios nuevos a una llamada comercial para obtener una clave. Las peticiones usan una cabecera x-api-key contra https://api.scaledown.xyz; api.scaledown.ai no es un host de la API.
- Integraciones
- Endpoints propios /classify y /compress/raw/, el POST /v1/scaledown con la forma de Jev y chat completions compatibles con OpenAI para extract y summarize. También en OpenRouter (Classify-1 a través de su Decisions API), LiteLLM y el middleware langchain-scaledown de LangChain.
- Datos y privacidad
- La página principal de ScaleDown anuncia cero retención de datos, ningún entrenamiento con datos de clientes y la opción de alojarlo uno mismo, y dice que está construido según los estándares SOC 2, HIPAA, GDPR e ISO 27001, con una insignia de SOC 2 Type 1. La documentación no dice qué planes tienen retención cero ni publica los plazos de retención.
- Coste a escala
- Con los recuentos de tokens medidos en la prueba independiente, un millón de llamadas de clasificación cuesta unos 24 $, un millón de llamadas de extracción unos 69 $ y un millón de resúmenes de 6K tokens unos 317 $. La oferta del lanzamiento de 50 millones de tokens gratis ha terminado; las cuentas nuevas reciben ahora 1 millón.
- Límites
- 1 millón de tokens de entrada; resúmenes limitados a 1.000 tokens de salida; /classify admite como máximo 20 etiquetas (16 en multietiqueta) y 50 fragmentos; las preguntas score admiten de 2 a 10 niveles. Sin crédito devuelve 402 Insufficient credits. Los límites de frecuencia no se publican.
Lo bueno
- 97,3% en CLINC150 y 92,7% en Bitext en una prueba independiente de 1.000 llamadas
- 0,05 $ por 1 millón de tokens de entrada, salida gratis, una tarifa plana para cuatro modelos
- Extract devuelve la confianza y las posiciones de los caracteres de cada valor
- Lee imágenes y PDF en Classify, Extract y Summarize
Lo malo
- Las afirmaciones del lanzamiento de 467 veces más barato y 77,2% en DecisionBench carecen de una referencia publicada
- La entrada facturada incluye los criterios de las etiquetas y los esquemas, así que supera tu prompt
- Cada pregunta de Decisions se factura como una llamada aparte; /classify limita las etiquetas a 20
- Summarize se desvía de la pregunta y se saltó la mitad de una entrada de 369K tokens
Ideal para
Equipos que pagan precios de modelos insignia por enrutar, etiquetar o extraer campos y quieren un sustituto alojado barato, y que lo probarán antes con sus propios datos etiquetados.
Alternativas a ScaleDown Constrained Decoding Models (Classify, Extract, Summarize)
ScaleDown Constrained Decoding Models (Classify, Extract, Summarize): preguntas frecuentes
- ¿Merece la pena ScaleDown Constrained Decoding Models (Classify, Extract, Summarize)?
- Los precios son reales y el clasificador es bueno, pero las cifras del lanzamiento fueron más allá de las pruebas y la compatibilidad con Jev sale más cara de lo que parece. Le damos un 3.7 sobre 5.
- ¿Cuánto cuesta ScaleDown Constrained Decoding Models (Classify, Extract, Summarize)?
- 0,05 $ por 1 millón de tokens de entrada de texto, 0,15 $ por 1 millón de tokens de entrada de imagen, salida gratis; 1 millón de tokens gratis para cuentas nuevas. OpenRouter: 0,04 $ con un descuento del 20%. Enterprise: instancia dedicada o licencia para alojarlo uno mismo, bajo presupuesto.
- ¿Qué inconvenientes tiene ScaleDown Constrained Decoding Models (Classify, Extract, Summarize)?
- Las afirmaciones del lanzamiento de 467 veces más barato y 77,2% en DecisionBench carecen de una referencia publicada; la entrada facturada incluye los criterios de las etiquetas y los esquemas, así que supera tu prompt; cada pregunta de Decisions se factura como una llamada aparte; /classify limita las etiquetas a 20; summarize se desvía de la pregunta y se saltó la mitad de una entrada de 369K tokens.
- ¿Para quién es ScaleDown Constrained Decoding Models (Classify, Extract, Summarize)?
- Equipos que pagan precios de modelos insignia por enrutar, etiquetar o extraer campos y quieren un sustituto alojado barato, y que lo probarán antes con sus propios datos etiquetados.
- ¿Cuánto cuesta ScaleDown Constrained Decoding Models (Classify, Extract, Summarize) para un equipo o en producción?
- Con los recuentos de tokens medidos en la prueba independiente, un millón de llamadas de clasificación cuesta unos 24 $, un millón de llamadas de extracción unos 69 $ y un millón de resúmenes de 6K tokens unos 317 $. La oferta del lanzamiento de 50 millones de tokens gratis ha terminado; las cuentas nuevas reciben ahora 1 millón.
- ¿Es ScaleDown Constrained Decoding Models (Classify, Extract, Summarize) seguro para los datos de la empresa?
- La página principal de ScaleDown anuncia cero retención de datos, ningún entrenamiento con datos de clientes y la opción de alojarlo uno mismo, y dice que está construido según los estándares SOC 2, HIPAA, GDPR e ISO 27001, con una insignia de SOC 2 Type 1. La documentación no dice qué planes tienen retención cero ni publica los plazos de retención.
- ¿Cuáles son las mejores alternativas a ScaleDown Constrained Decoding Models (Classify, Extract, Summarize)?
- Las alternativas más cercanas que hemos analizado son Jev, Perplexity Decider (pplx-decider), Laya, GLiNER2.5-Decide y d3 (vLLM Semantic Router).
Respuestas comprobadas el 26 oct 2026.