Kan ik Summarize lokaal draaien?

Nee — ScaleDown heeft geen open weights vrijgegeven, dus Summarize is alleen via hun API beschikbaar.

Wat kost Summarize en hoe lang is de context?

Input kost $0,04 per miljoen tokens en output is gratis; het contextvenster is een miljoen tokens.

Hoe verschilt Summarize van het gebruik van een algemeen model voor samenvatten?

Het is een speciaal gebouwd abstracterend model met vaste sampling, afgestemd op getrouwe output, in plaats van een algemeen model dat je in samenvattingsmodus zet — en de gratis outputprijs maakt het goedkoper voor grootschalige documentpijplijnen.

Summarize

3926°

#llm #scaledown #visie #samenvatten #lange context #budget

Voer dit model uit

Aanbiedingen / Advertenties

OpenRouter Terminal / API

Betaal per token

Chat met dit model in de browser of roep het aan vanuit je code met één API-sleutel.

ScaleDown | 1,000,000 token context | $0.04/M input, free output. Summarize is een abstractive samenvattingsmodel van ScaleDown. Het condenseert lange teksten en documenten tot een vloeiende, getrouwe herschrijving in plaats van zinnen uit de bron te kopiëren, en is geschikt voor documentreview, transcript-samenvattingen en RAG-voorbewerking waarbij opgehaalde inhoud ingekort moet worden voordat het een ander model bereikt. Formaat, focus, taal en lengte worden gestuurd via de systeem-prompt, terwijl sampling is vastgezet op een configuratie afgestemd op getrouwe output. Meer informatie in ScaleDown's docs: https://docs.scaledown.ai/api-reference/summarize-overviewOpens in new tab

Gidsen voor dit model

Open weights vs open source vs alleen API: wat je eigenlijk mag doen

De 10 goedkoopste ChatGPT-alternatieven in 2026: gratis lokale modellen, gratis tiers en vaste prijsplannen

Alle gidsen

Aantekeningen van de kapitein

Geschreven door Captain, de huisredacteur

Aantekeningen van 2026-10-13

Summarize is een speciaal gebouwd abstracterend samenvattingsmodel van ScaleDown. In plaats van zinnen letterlijk te kopiëren, herschrijft het bronmateriaal tot een samenhangende, getrouwe verkorte vorm — nuttig voor documentbeoordeling, vergaderverslagen en het inkorten van opgehaalde stukken voordat ze naar een volgend model gaan. Met een contextvenster van een miljoen tokens en bijna geen inputkosten verwerkt het lange documenten zonder ingewikkelde opsplitsingen.

Bekend om

Abstracterende herschrijvingen: condenseert tekst in plaats van zinnen letterlijk te kopiëren.
Contextvenster van een miljoen tokens kan zeer lange documenten in één keer verwerken.
Afgestelde samplingconfiguratie gericht op getrouwe, weinig hallucinerende output.
Systeem-promptsturing voor formaat, focus, taal en outputlengte.
Ontworpen als RAG-voorverwerkingsstap om opgehaalde inhoud te verkleinen voordat een hoofdmodel het ziet.

Let op

Gesloten weights, alleen API — je kunt dit niet lokaal draaien of het model inspecteren.
Sampling is vastgelegd door de maker; je kunt temperatuur of andere generatieparameters niet zelf aanpassen.
Gemerkt als een vision-model, maar de gepubliceerde beschrijving behandelt alleen tekstsamenvatting — de vision-capaciteit is niet gedocumenteerd.

Het beste voor

Prompts om te proberen

Vat een lang rapport samen

Vat het volgende rapport samen in één alinea van maximaal 100 woorden. Behoud de belangrijkste bevindingen en eventuele numerieke resultaten. Neem geen achtergrond of methodologie op tenzij dit direct de conclusies beïnvloedt. [Plak hier je rapporttekst]

Verwerk een vergaderverslag

Je krijgt een vergaderverslag. Maak een gestructureerde samenvatting met drie secties: genomen beslissingen, actiepunten (eigenaar en deadline indien genoemd) en openstaande vragen. Houd de hele samenvatting onder 200 woorden en schrijf in gewone proza, geen opsommingstekens.

Verklein een fragment voor RAG

De volgende passage is een opgehaald documentfragment dat aan een ander model wordt doorgegeven. Herschrijf het zodat alleen de informatie overblijft die relevant is voor deze vraag: Wat zijn de belangrijkste risico's verbonden aan de voorgestelde overname? Houd de herschrijving onder 150 woorden en behoud cijfers of genoemde entiteiten.

Vergelijk met

Extract
Alleen API-model
1,000,000 token context · $0.04/M invoer, free uitvoer
Step 5 Preview
Model met open gewichten
1,048,576 token context · $1.00/M invoer, $2.70/M uitvoer
Qwen3 VL 8B Instruct
Model met open gewichten
262,144 token context · $0.25/M invoer, $0.75/M uitvoer
Qwen3 VL 30B A3B Instruct
Model met open gewichten
262,144 token context · $0.15/M invoer, $0.60/M uitvoer

Meer tekstmodellen van scaledown

Veelgestelde vragen

Kan ik Summarize lokaal draaien?: Nee — ScaleDown heeft geen open weights vrijgegeven, dus Summarize is alleen via hun API beschikbaar.
Wat kost Summarize en hoe lang is de context?: Input kost $0,04 per miljoen tokens en output is gratis; het contextvenster is een miljoen tokens.
Hoe verschilt Summarize van het gebruik van een algemeen model voor samenvatten?: Het is een speciaal gebouwd abstracterend model met vaste sampling, afgestemd op getrouwe output, in plaats van een algemeen model dat je in samenvattingsmodus zet — en de gratis outputprijs maakt het goedkoper voor grootschalige documentpijplijnen.

Oordeel van de kapitein
Een smal, goedkoop gereedschap dat één ding goed doet — als samenvatten of RAG-voorverwerking jouw bottleneck is, zijn de kosten moeilijk te weerleggen.

De kapitein schrijft deze aantekeningen op basis van de eigen beschrijving en modelkaart van het model. Prijzen en contextgroottes zijn die van de provider op het moment van schrijven en kunnen veranderen.

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

Hoe deze score wordt opgebouwd

Dit model heeft nog geen populariteitsgegevens van welke bron dan ook, dus het krijgt een tijdelijke waarde onder 7,000° om de lijsten compleet te houden. Het staat nooit hoger dan een model met data. De uitsplitsing verschijnt hier zodra een bron het rapporteert.

Woordenlijst: de gebruikte termen

Heat-score: Één getal voor hoe veel een model nu gebruikt en gewenst wordt, van 0° tot 9.999°. Elke lijst op deze site die zegt heetste is gesorteerd op deze score en niets anders.
Vloer: De 7.000° waar elk model met echte data mee begint. De schaal loopt van 0° tot 9.999°; het deel onder de vloer is gereserveerd voor plaatsvervangers (modellen zonder data), zodat een model met data altijd hoger scoort dan een zonder. De vloer is voor iedereen gelijk en beslist niets; de graden erboven zijn de meting.
Download-equivalenten: Alles wat de score als een download telt, bij elkaar opgeteld: downloads zelf, elke torrent seeder als 1.000, elke AI Horde-afbeelding en elke run op een generatie-site als één.
Logaritmische schaal: Tellen per tien, niet per één: van 1.000 naar 10.000 downloads voegt evenveel graden toe als van 10.000 naar 100.000. Zo verdringen grote spelers niet alles.
Likes: Duimen omhoog en likes van elke bron, elk de helft van een download waard op de log-schaal.
Adoptiesnelheid: Hoeveel downloads een model nu per dag krijgt, uit het verschil tussen twee metingen van een bron. Een kwart van het gewicht van de downloadterm.
Gemeten en geschat: Gemeten betekent dat er twee metingen van een bron zijn en het verschil echt is. Geschat betekent dat alleen het totaal van vandaag bekend is en het verleden over de levensduur van het model wordt verdeeld; de site geeft aan welke het toont.
Seeder: Iemand die een kopie van de gewichten online houdt zodat anderen die via een torrent kunnen downloaden, of een gehoste mirror die hetzelfde doet. Elk telt als 1.000 downloads.
AI Horde: Een vrijwilligersnetwerk dat gratis beelden genereert op gedoneerde computers. Het aantal beelden dat het met een model heeft gemaakt is openbaar, en elk telt als één download.
Generatiesites: Sites die hun eigen kopieën van een model hosten en mensen laten genereren, zoals PixAI, SeaArt en Yodayo. Hun downloads tellen net als die van Civitai en elke generatie telt als één download.
OpenRouter tokens: Een tekstmodel dat via een API wordt aangeboden, zoals Claude of GPT, heeft geen gewichten om te downloaden, dus het gebruik wordt gemeten in tokens: de tekststukken die het las en schreef via OpenRouter, een gateway die veel apps gebruiken, in de afgelopen 30 dagen. Elke 10,000,000 tokens telt als één download. Bron: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Volledig model (checkpoint): De gewichten zelf, het bestand dat zelfstandig genereert. Het krijgt een bonus omdat add-ons ervan afhangen.
LoRA en embedding: Kleine add-on bestanden die iemands gewichten sturen naar een stijl, een personage of een concept. Ze kunnen niet zelfstandig draaien.
Familie en gewichten: De basis waarop een model is gebouwd, zoals SD 1.5, SDXL, Flux of Wan. Elk model erft de releasedatum van de gewichten van zijn familie.
Leeftijd: Graden afgetrokken voor hoe lang geleden de gewichten van de familie uitkwamen: 150° per jaar, tot 750°. Het houdt oude downloads die jaren hadden om op te lopen door de top van de lijst te bevriezen.
Familie boost: Een kleine, begrensde duw voor LoRA's van een familie die deze site nu naar voren schuift, altijd vermeld in de uitsplitsing.
Stand-in score: Een stabiel getal onder de vloer gegeven aan een model waar nog geen bron over rapporteert, zodat lijsten compleet blijven. Het staat nooit hoger dan een model met data.
Nieuw! (gratieperiode): Een model dat minder dan 7 dagen oud is, toont Nieuw! in plaats van een score en neemt geen plaats in de ranglijst in. De score wordt vanaf dag één berekend, maar een model van één dag oud groeit sneller dan wat dan ook, dus zonder de wachttijd zou de #1 van de week altijd het model zijn dat gisteren uitkwam in plaats van wat een week standhield.
Trend: Hoe de groei van een model over een periode zich verhoudt tot de typische groei van een model over dezelfde periode. Sneller dan typisch betekent stijging, langzamer betekent daling.
Typisch model: Het midden van de catalogus: de helft van de modellen met een cijfer groeide sneller over de periode, de andere helft langzamer.

Vergelijkbare modellen

Nano Banana 2 Lite (Gemini 3.1 Flash Lite Image)

TEXT / LLM

GPT 4.1 Mini

TEXT / LLM

AI-modellen voor het genereren van afbeeldingen, video en tekst

Summarize is een tekstmodel voor de Text / LLM-familie, vermeld op ModelTrends.ai, een alleen-lezen catalogus van open source AI-modellen voor afbeeldingen, video en tekst. Vergelijk het met andere Text / LLM-modellen en bekijk de populariteitsscore om de trend te zien.

Meer Text / LLM-modellen Meer Text / LLM Tekst / LLM llm scaledown visie samenvatten lange context budget onderzoek

Bladeren op modelfamilie