Extract 能本地或离线运行吗？

ScaleDown | 1,000,000 令牌上下文 | $0.04/M 输入, 免费输出。Extract 是 ScaleDown 的描述驱动实体抽取模型。调用者无需固定实体类型，而是通过 provider.options.scaledown.entities 用英文描述所需字段，模型返回每个匹配片段的置信度分数、字符偏移和上下文。适合从合同、发票、邮件和转录文本中提取结构化值，内置 OCR，支持扫描图像和 PDF，无需额外步骤。详情见 ScaleDown 文档：https://docs.scaledown.ai/api-reference/extract-overviewOpens in new tab

本模型的指南

开放权重 vs 开源 vs 仅API：你到底能做什么

2026年最便宜的10款ChatGPT替代品：免费本地模型、免费套餐和固定费率计划

全部指南

船长笔记

由 Captain 撰写，本站编辑

2026-10-13 的笔记

Extract 是 ScaleDown 推出的描述驱动实体抽取模型。您无需固定实体类型，只需用简单英文描述所需字段，它即可返回匹配的文本片段及置信度、字符偏移和上下文。内置 OCR 支持扫描 PDF 和图像，无需预处理，适合合同、发票、邮件和转录文本。

以……著称

描述驱动抽取：用简单英文定义任意实体类型，无需预设模式
返回每个抽取片段的置信度和字符偏移
内置 OCR，支持扫描图像和 PDF，无需额外管道
百万令牌上下文窗口，支持长文档一次调用
免费输出令牌，降低抽取密集型工作负载成本

注意

权重未公开，绑定 ScaleDown API，无自托管选项
定价和上下文细节未有独立验证

最适合

与……比较

Summarize
仅限API模型
1,000,000 令牌上下文 · $0.04/M 输入，free 输出
Qwen3 VL 8B Instruct
开源权重模型
262,144 令牌上下文 · $0.25/M 输入，$0.75/M 输出
Qwen3 VL 30B A3B Instruct
开源权重模型
262,144 令牌上下文 · $0.15/M 输入，$0.60/M 输出
Llama 4 Scout
开源权重模型
1,310,720 令牌上下文 · $0.18/M 输入，$0.59/M 输出

来自 scaledown 的更多文本模型

常见问题

Extract 能本地或离线运行吗？: 不能。Extract 是 ScaleDown 的 API 专用模型，权重未公开，无自托管选项。
Extract 的费用和上下文窗口多大？: ScaleDown 收费为输入每百万令牌 0.04 美元，输出免费，上下文窗口为一百万令牌。
Extract 与通用大语言模型在抽取任务上有何不同？: Extract 专为实体抽取设计：您用简单英文描述字段，它返回带置信度、字符偏移和上下文的结构化结果，且内置 OCR 支持文档图像，无需预处理。

船长评语
如果您的流程被发票或合同淹没，Extract 的描述驱动方法和内置 OCR 能显著简化大量繁琐工作。

船长根据模型自身描述和模型卡撰写这些笔记。价格和上下文大小为撰写时提供商的数据，可能会变动。

Ranking badge

Updated Oct 22, 2026

Made this model? Show this badge on your page.

Paste it into your Hugging Face card or Civitai description.

Change colors / personalize / get code

Not this creator?

Get your own badge

这个评分是怎么计算的

这个模型还没有任何来源的流行度数据，所以它用一个低于 7,000° 的替代数值来保持列表完整。它永远不会排在有数据的模型前面。一旦有来源报告数据，分解就会显示在这里。

术语表：这里用到的术语

热度得分: 一个数字，表示模型当前的使用和需求程度，范围从0°到9,999°。本站所有标注为最热门的榜单都按这个分数排序，别无他物。
基准线: 所有有真实数据的模型起始于7,000°。分数范围是0°到9,999°；基准线以下的部分保留给无数据的替代模型，这样有数据的模型总是排在无数据模型之上。基准线对所有人相同，不影响排名；超过基准线的度数才是实际测量值。
下载等价量: 得分中当作下载计算的所有项目总和：下载本身，每个种子上传者算1,000，每个AI Horde图片和每次生成网站的运行算一个。
对数刻度: 以十为单位计数，而不是以一为单位：从1,000到10,000下载增加的热度和从10,000到100,000增加的热度相同。这样可以防止巨头压倒一切。
点赞: 来自所有来源的点赞和竖起大拇指，每个点赞在对数刻度上价值半个下载。
采用率: 模型当前每天的下载次数，基于两次读数的差值。权重是下载项的四分之一。
测量与估算: 测量表示有两个来源的读数，且差异是真实的。估算表示只知道今天的总数，过去的数据是根据模型的生命周期分配的；网站会说明显示的是哪种。
做种者: 指那些在线保存权重副本供他人通过种子下载的人，或者提供同样服务的托管镜像。每个做种者相当于1000次下载。
AI Horde: 一个志愿者网络，在捐赠的电脑上免费生成图片。它用某个模型生成的图片数量是公开的，每张图片算作一次下载。
生成网站: 托管自己模型副本并允许用户生成的站点，比如PixAI、SeaArt和Yodayo。它们的下载计数和Civitai一样，每次生成算一次下载。
OpenRouter 令牌: 通过API提供的文本模型，如Claude或GPT，没有权重需要下载，因此其使用量以令牌计量：过去30天内通过OpenRouter（一种许多应用使用的网关）读取和生成的文本片段。每10,000,000个令牌计为一次下载。来源：OpenRouter (openrouter.ai/rankings)，CC BY 4.0。
完整模型（检查点）: 权重文件本身，是能独立生成的文件。它会获得额外加分，因为附加组件依赖它。
LoRA和嵌入: 小型附加文件，用来引导别人的权重朝向某种风格、角色或概念。它们不能单独运行。
家族与权重: 模型构建所基于的基础，比如SD 1.5、SDXL、Flux或Wan。每个模型继承其家族权重的发布日期。
年龄: 根据家族权重发布多久，扣除的度数：每年150°，最多750°。它保留了那些积累了多年下载量的老模型，防止它们被挤出榜单顶部。
家族加成: 对当前网站重点推广的某个家族的LoRA给予的小幅度限制性加分，总是在分数细目中列出。
替代分数: 给还没有任何来源报告的模型一个稳定的最低分数，这样榜单才完整。它永远不会高于有数据的模型。
新模型！（宽限期）: 不到7天的新模型显示“新模型！”而非分数，且不参与排名。其分数从第一天开始计算，但一天大的模型增长最快，若不等待，周榜#1总是昨天刚发布的模型，而非持续一周的。
趋势: 模型在某段时间内的增长与同一时间段内典型模型增长的对比。比典型快表示上升，比典型慢表示下降。
典型模型: 目录的中间值：一半有数据的模型增长比它快，一半比它慢。