Qu’est-ce que ScaleDown Constrained Decoding Models (Classify, Extract, Summarize) ?
Les Constrained Decoding Models (CDMs) sont la famille de modèles hébergés mono-tâche de ScaleDown, lancée le 13 octobre 2026 par le cofondateur et PDG Neal Patel. Classify renvoie une probabilité par étiquette que vous définissez, Extract tire les champs que vous décrivez en JSON, et Summarize écrit un résumé d'au plus 1 000 tokens. Un modèle plus ancien, Compress, réduit le contexte avant un appel LLM. Les quatre prennent jusqu'à 1M de tokens en entrée, et les trois CDM lisent aussi les images et les PDF.
Classify a deux interfaces. POST /classify prend des étiquettes avec des grilles et prend en charge des lots jusqu'à 50 entrées. POST /v1/scaledown est ce que la documentation de ScaleDown appelle « un remplacement direct de l'API Jev Decisions » : elle copie la forme de requête et de réponse du Jev de TypeSafe, avec des questions de choix, noul (oui/non) et score. ScaleDown est une entreprise distincte et ne sert pas Jev ; elle a construit son propre modèle derrière le même format de requête. Extract et Summarize sont appelés via un endpoint /v1/chat/completions compatible OpenAI sur https://api.scaledown.xyz.
L'entrée texte coûte 0,05 $ par million de tokens et les images 0,15 $, avec la sortie gratuite. Sur OpenRouter, Classify-1, Extract et Summarize sont listés à 0,04 $ sous une remise de 20 %.
ScaleDown Constrained Decoding Models (Classify, Extract, Summarize) vaut-il le coup ?
Le prix de ScaleDown est l'affirmation qui survit à la vérification ; la plupart de son arithmétique de lancement non. Le billet de lancement promettait des modèles « 200x plus rapides, 467x moins chers que les API LLM de frontière » et 77,2 % sur DecisionBench, contre 72 % pour Jev. Les propres documents de benchmark de ScaleDown sont bien plus modestes : 2,2 à 13,9 fois plus rapides que la moyenne de la gamme de chaque fournisseur, et 89 fois moins cher que la moyenne d'OpenAI et 161 fois moins cher que celle d'Anthropic. Aucun registre public du résultat de 77,2 % sur DecisionBench n'a fait surface, une lacune qu'un fil Bitroot a signalée, selon un compte rendu indépendant. Toutes les comparaisons de ScaleDown sont autodéclarées.
La meilleure preuve indépendante est un test de 1 000 appels par Ishank Choudhary sur DEV Community, qui est l'exécution d'un seul ingénieur plutôt qu'une évaluation évaluée par des pairs. Sur 300 intentions CLINC150, l'endpoint Decisions compatible Jev a obtenu 97,3 % (intervalle à 95 % de 94,8 à 98,6) contre 90,7 % pour un Qwen3 1.7B local ; sur 110 tickets de support Bitext, c'était 92,7 % contre 62,7 %. Extract a égalé le modèle local à 89,5 % de précision de champ sur 50 reçus SROIE mais a lu les totaux correctement à chaque fois, contre 78 %, et chaque valeur revient avec un score de confiance et des offsets de caractères dans la source.
La facture est plus grosse que votre prompt. ScaleDown compte les critères d'étiquettes, les schémas et ses prompts internes comme entrée : les appels classify de Choudhary ont facturé environ 481 tokens là où la même tâche en prompt simple faisait 172. Sur l'endpoint Decisions, chaque question est un appel de modèle distinct facturé séparément, là où Jev répond à toutes les questions en une passe. Aux prix de liste, cela rendait la classification courte deux fois le coût de gpt-5-nano (0,024 $ contre 0,012 $ les 1 000 appels) et légèrement plus cher sur l'extraction (0,069 $ contre 0,057 $). Les économies ne sont grandes que face aux modèles phares : 45 à 102 fois face à gpt-5.5 dans le même test. Le mode batch /classify aide, puisque 50 entrées partagent un seul jeu d'étiquettes facturé.
Summarize est le plus faible des trois. Il n'a inventé aucun fait sur six réunions QMSum, mais il résumait souvent la mauvaise partie d'une réunion quand on lui posait une question, et sur un document de 369 000 tokens il n'a couvert qu'une des deux séries de réunions. La fenêtre de 1M de tokens accepte l'entrée ; elle ne garantit pas que le modèle la lit toute.
Face à Jev lui-même, la compatibilité est réelle mais partielle. La documentation liste deux noms de modèle (classify et classify-1), pas de questions de boîte, au plus 10 niveaux par question de score, et un plafond de 20 étiquettes sur /classify, sur lequel tournent les questions de choix, contre les 255 options de Jev. Une couche de routage Jev avec de longues listes d'options ou de nombreuses questions par requête ne se portera pas au même coût.
Là où il fait la différence
Un ingénieur plateforme avec une couche de routage Jev en production
Faire tourner les mêmes questions de décision sur un second fournisseur pour le prix et le basculement
Pointer la forme de requête Jev existante sur /v1/scaledown et comparer les réponses sur le trafic journalisé. Les requêtes avec plusieurs questions facturent un appel par question, et les questions de choix au-dessus de 20 options doivent être découpées, alors mesurez la facture avant de basculer.
Un responsable comptes fournisseurs chez un distributeur de taille moyenne qui scanne 5 000 reçus par semaine
Extraire commerçant, date et total des photos vers le grand livre avec une piste d'audit
Extract lit l'image, renvoie chaque champ avec une confiance et des offsets dans le texte, et les lignes à faible confiance vont à un employé. Dans le test indépendant, il a eu raison sur les totaux de reçus 50 fois sur 50, à environ 0,069 $ les 1 000 appels.
Un analyste des opérations support dans une banque qui étiquette des tickets historiques
Classer un backlog de dix millions de tickets face à 15 intentions du jour au lendemain
Envoyer 50 tickets par requête /classify pour que les 15 grilles soient facturées une fois par lot plutôt qu'une fois par ticket. Les requêtes par lot sautent l'appel de raisonnement d'une phrase, qui sur les requêtes uniques renvoie les grilles au double du prix d'entrée.
Avant de vous engager
- Mise en route
- Le site propose une inscription avec 1M de tokens gratuits et sans carte ; l'introduction de la documentation oriente encore les nouveaux utilisateurs vers un appel commercial pour une clé. Les requêtes utilisent un en-tête x-api-key contre https://api.scaledown.xyz ; api.scaledown.ai n'est pas un hôte d'API.
- Intégrations
- Endpoints personnalisés /classify et /compress/raw/, le POST /v1/scaledown à la Jev, et les chat completions compatibles OpenAI pour extract et summarize. Aussi sur OpenRouter (Classify-1 via son API Decisions), LiteLLM et le middleware langchain-scaledown de LangChain.
- Données et confidentialité
- La page d'accueil de ScaleDown annonce la non-conservation des données, l'absence d'entraînement sur les données des clients et l'auto-hébergement, et indique qu'elle est construite aux standards SOC 2, HIPAA, RGPD et ISO 27001, avec un badge SOC 2 Type 1. La documentation ne dit pas quelles offres ont la non-conservation ni ne publie de durées de conservation.
- Coût à grande échelle
- Aux décomptes de tokens mesurés dans le test indépendant, un million d'appels classify coûtent environ 24 $, un million d'appels extract environ 69 $ et un million de résumés de 6K tokens environ 317 $. L'offre de la fenêtre de lancement de 50M de tokens gratuits a pris fin ; les nouveaux comptes obtiennent désormais 1M.
- Limites
- 1M de tokens en entrée ; résumés plafonnés à 1 000 tokens de sortie ; /classify prend au plus 20 étiquettes (16 multi-étiquettes) et 50 morceaux ; les questions de score prennent 2 à 10 niveaux. Hors crédit renvoie 402 Insufficient credits. Les limites de débit ne sont pas publiées.
Les points forts
- 97,3 % sur CLINC150 et 92,7 % sur Bitext dans un test indépendant de 1 000 appels
- 0,05 $ par 1M de tokens en entrée, sortie gratuite, un tarif unique sur quatre modèles
- Extract renvoie la confiance et les offsets de caractères pour chaque valeur
- Lit les images et les PDF sur Classify, Extract et Summarize
Les points faibles
- Les affirmations de lancement de 467x moins cher et 77,2 % sur DecisionBench manquent d'une base publiée
- L'entrée facturée inclut les critères d'étiquettes et les schémas, si bien qu'elle dépasse votre prompt
- Chaque question Decisions est facturée comme un appel distinct ; /classify plafonne les étiquettes à 20
- Summarize dérive hors de la question et a sauté la moitié d'une entrée de 369K tokens
Idéal pour
Les équipes qui paient des prix de modèle phare pour le routage, l'étiquetage ou l'extraction de champs et veulent un remplaçant hébergé bon marché et le testeront d'abord sur leurs propres données étiquetées.
Alternatives à ScaleDown Constrained Decoding Models (Classify, Extract, Summarize)
ScaleDown Constrained Decoding Models (Classify, Extract, Summarize) : questions fréquentes
- ScaleDown Constrained Decoding Models (Classify, Extract, Summarize) vaut-il le coup ?
- Les prix sont réels et le classifieur est bon, mais les chiffres de lancement ont devancé les preuves et la compatibilité Jev coûte plus qu'il n'y paraît. Nous lui donnons 3.7 sur 5.
- Combien coûte ScaleDown Constrained Decoding Models (Classify, Extract, Summarize) ?
- 0,05 $ par 1M de tokens de texte en entrée, 0,15 $ par 1M de tokens d'image en entrée, sortie gratuite ; 1M de tokens gratuits pour les nouveaux comptes. OpenRouter : 0,04 $ avec une remise de 20 %. Entreprise : instance dédiée ou licence d'auto-hébergement, sur devis.
- Quels sont les inconvénients de ScaleDown Constrained Decoding Models (Classify, Extract, Summarize) ?
- Les affirmations de lancement de 467x moins cher et 77,2 % sur DecisionBench manquent d'une base publiée; l'entrée facturée inclut les critères d'étiquettes et les schémas, si bien qu'elle dépasse votre prompt; chaque question Decisions est facturée comme un appel distinct ; /classify plafonne les étiquettes à 20; summarize dérive hors de la question et a sauté la moitié d'une entrée de 369K tokens.
- À qui s’adresse ScaleDown Constrained Decoding Models (Classify, Extract, Summarize) ?
- Les équipes qui paient des prix de modèle phare pour le routage, l'étiquetage ou l'extraction de champs et veulent un remplaçant hébergé bon marché et le testeront d'abord sur leurs propres données étiquetées.
- Combien coûte ScaleDown Constrained Decoding Models (Classify, Extract, Summarize) pour une équipe ou en production ?
- Aux décomptes de tokens mesurés dans le test indépendant, un million d'appels classify coûtent environ 24 $, un million d'appels extract environ 69 $ et un million de résumés de 6K tokens environ 317 $. L'offre de la fenêtre de lancement de 50M de tokens gratuits a pris fin ; les nouveaux comptes obtiennent désormais 1M.
- ScaleDown Constrained Decoding Models (Classify, Extract, Summarize) est-il sûr pour les données de l’entreprise ?
- La page d'accueil de ScaleDown annonce la non-conservation des données, l'absence d'entraînement sur les données des clients et l'auto-hébergement, et indique qu'elle est construite aux standards SOC 2, HIPAA, RGPD et ISO 27001, avec un badge SOC 2 Type 1. La documentation ne dit pas quelles offres ont la non-conservation ni ne publie de durées de conservation.
- Quelles sont les meilleures alternatives à ScaleDown Constrained Decoding Models (Classify, Extract, Summarize) ?
- Les alternatives les plus proches que nous avons testées sont Jev, Perplexity Decider (pplx-decider), Laya, GLiNER2.5-Decide et d3 (vLLM Semantic Router).
Réponses vérifiées le 26 oct. 2026.