Bisakah saya menjalankan Summarize secara lokal?

Tidak — ScaleDown belum merilis bobot terbuka, jadi Summarize hanya tersedia melalui API mereka.

Berapa biaya dan berapa panjang konteksnya?

Input dihargai $0,04 per juta token dan output gratis; jendela konteks satu juta token.

Apa bedanya Summarize dengan menggunakan model umum untuk merangkum?

Ini model abstraktif khusus dengan sampling tetap yang disetel untuk output setia, bukan model umum yang diprompt ke mode ringkasan — dan harga output gratis membuatnya lebih murah untuk pipeline dokumen volume tinggi.

Summarize

3926°

#llm #scaledown #visi #ringkasan #konteks panjang #anggaran

Jalankan model ini

Penawaran / Iklan

OpenRouter Terminal / API

Bayar per token

Ngobrol dengan model ini di browser atau panggil dari kode kamu dengan satu API key.

ScaleDown | konteks 1.000.000 token | $0,04/M input, output gratis. Summarize adalah model ringkasan abstraktif dari ScaleDown. Model ini merangkum teks dan dokumen panjang menjadi penulisan ulang yang lancar dan setia, bukan mengangkat kalimat dari sumber, dan cocok untuk tinjauan dokumen, ringkasan transkrip, dan pra-pemrosesan RAG di mana konten yang diambil harus dipersingkat sebelum mencapai model lain. Format, fokus, bahasa, dan panjang dikendalikan melalui prompt sistem, sementara sampling dikonfigurasi untuk output yang setia. Pelajari lebih lanjut di dokumentasi ScaleDown: https://docs.scaledown.ai/api-reference/summarize-overviewOpens in new tab

Panduan untuk model ini

Bobot terbuka vs sumber terbuka vs hanya API: apa yang sebenarnya boleh kamu lakukan

10 Alternatif ChatGPT Termurah di 2026: model lokal gratis, tingkat gratis, dan paket tarif tetap

Semua panduan

Catatan Kapten

Ditulis oleh Captain, editor rumah

Catatan dari 2026-10-13

Summarize adalah model ringkasan abstraktif khusus dari ScaleDown. Alih-alih mengekstrak kalimat secara verbatim, model ini menulis ulang materi sumber menjadi bentuk ringkas yang koheren dan setia — berguna untuk tinjauan dokumen, transkrip rapat, dan memangkas potongan yang diambil sebelum diteruskan ke model berikutnya. Dengan jendela konteks satu juta token dan biaya input hampir nol, model ini menangani dokumen panjang tanpa perlu pemotongan rumit.

Dikenal untuk

Penulisan ulang abstraktif: merangkum teks daripada menyalin kalimat dari sumber.
Jendela konteks satu juta token menangani dokumen sangat panjang dalam satu kali proses.
Konfigurasi sampling disetel untuk output yang setia dan minim halusinasi.
Pengaturan prompt sistem untuk format, fokus, bahasa, dan panjang output.
Dirancang sebagai langkah pra-pemrosesan RAG untuk mengecilkan konten yang diambil sebelum model utama memprosesnya.

Waspadai

Bobot tertutup, hanya API — tidak bisa dijalankan lokal atau diperiksa modelnya.
Sampling dikunci oleh pembuat; Anda tidak bisa mengubah suhu atau parameter generasi lain.
Ditandai sebagai model visi, tapi deskripsi yang dipublikasikan hanya mencakup ringkasan teks — kemampuan visi tidak terdokumentasi.

Terbaik untuk

Prompt untuk dicoba

Ringkas laporan panjang

Ringkas laporan berikut menjadi satu paragraf tidak lebih dari 100 kata. Pertahankan temuan utama dan hasil numerik. Jangan sertakan latar belakang atau metodologi kecuali langsung memengaruhi kesimpulan. [Tempel teks laporan Anda di sini]

Ringkas transkrip rapat

Anda diberikan transkrip rapat. Buat ringkasan terstruktur dengan tiga bagian: Keputusan yang Diambil, Item Tindakan (pemilik dan tenggat jika disebutkan), dan Pertanyaan Terbuka. Jaga ringkasan di bawah 200 kata dan tulis dalam prosa biasa, bukan poin-poin.

Perkecil potongan untuk RAG

Kutipan berikut adalah potongan dokumen yang diambil dan akan diteruskan ke model lain. Tulis ulang hanya untuk mempertahankan informasi relevan dengan pertanyaan ini: Apa risiko utama terkait akuisisi yang diusulkan? Jaga tulisan ulang di bawah 150 kata dan pertahankan angka atau entitas bernama.

Bandingkan dengan

Extract
Model hanya API
konteks 1,000,000 token · $0.04/M input, free output
Step 5 Preview
Model dengan bobot terbuka
konteks 1,048,576 token · $1.00/M input, $2.70/M output
Qwen3 VL 8B Instruct
Model dengan bobot terbuka
konteks 262,144 token · $0.25/M input, $0.75/M output
Qwen3 VL 30B A3B Instruct
Model dengan bobot terbuka
konteks 262,144 token · $0.15/M input, $0.60/M output

Model teks lain dari scaledown

Pertanyaan yang sering diajukan

Bisakah saya menjalankan Summarize secara lokal?: Tidak — ScaleDown belum merilis bobot terbuka, jadi Summarize hanya tersedia melalui API mereka.
Berapa biaya dan berapa panjang konteksnya?: Input dihargai $0,04 per juta token dan output gratis; jendela konteks satu juta token.
Apa bedanya Summarize dengan menggunakan model umum untuk merangkum?: Ini model abstraktif khusus dengan sampling tetap yang disetel untuk output setia, bukan model umum yang diprompt ke mode ringkasan — dan harga output gratis membuatnya lebih murah untuk pipeline dokumen volume tinggi.

Putusan Kapten
Alat sempit dan murah yang melakukan satu hal dengan baik — jika ringkasan atau pra-pemrosesan RAG adalah hambatan Anda, ekonominya sulit ditolak.

Kapten menulis catatan ini dari deskripsi model dan kartu model itu sendiri. Harga dan ukuran konteks adalah milik penyedia pada saat penulisan dan dapat berubah.

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

Bagaimana skor ini dihitung

Model ini belum punya data popularitas dari sumber mana pun, jadi memakai angka pengganti di bawah 7,000° supaya daftar tetap lengkap. Model ini tidak pernah berada di atas model yang punya data. Rinciannya akan muncul di sini segera setelah ada laporan dari sumber.

Glosarium: istilah yang dipakai di sini

Skor heat: Satu angka untuk seberapa banyak model dipakai dan diinginkan sekarang, dari 0° sampai 9.999°. Setiap daftar di situs ini yang bilang terpanas diurutkan berdasarkan ini dan tidak ada yang lain.
Lantai: 7.000° yang jadi titik awal semua model dengan data nyata. Skala dari 0° sampai 9.999°; bagian di bawah lantai untuk pengganti (model tanpa data), supaya model dengan data selalu di atas yang tanpa. Lantai sama untuk semua dan tidak menentukan apa-apa; derajat di atasnya yang dihitung.
Setara unduhan: Semua yang dihitung skor sebagai unduhan, dijumlahkan: unduhan itu sendiri, setiap torrent seeder dihitung 1.000, setiap gambar AI Horde dan setiap run di situs generasi dihitung satu.
Skala log: Menghitung per puluhan, bukan per satuan: naik dari 1.000 ke 10.000 unduhan menambah derajat yang sama dengan naik dari 10.000 ke 100.000. Ini mencegah raksasa mendominasi semuanya.
Suka: Jempol ke atas dan suka dari semua sumber, bernilai setengah unduhan di skala log.
Tingkat adopsi: Berapa banyak unduhan per hari yang didapat model sekarang, dari selisih dua pembacaan sumber. Bobot seperempat dari istilah unduhan.
Diukur dan diperkirakan: Diukur berarti ada dua pembacaan dari sumber dan perbedaannya nyata. Diperkirakan berarti hanya total hari ini yang diketahui dan masa lalu dibagi selama umur model; situs memberitahu mana yang sedang ditampilkan.
Seeder: Seseorang yang menyimpan salinan bobot secara online agar orang lain bisa mengunduh lewat torrent, atau mirror yang dihosting melakukan hal yang sama. Setiap satu dihitung sebagai 1.000 unduhan.
AI Horde: Jaringan sukarelawan yang menghasilkan gambar secara gratis di komputer yang disumbangkan. Jumlah gambar yang dibuat dengan model tertentu bersifat publik, dan setiap gambar dihitung sebagai satu unduhan.
Situs generasi: Situs yang menyimpan salinan model sendiri dan membiarkan orang menghasilkan gambar dengannya, seperti PixAI, SeaArt, dan Yodayo. Unduhan mereka dihitung seperti di Civitai dan setiap kali generasi dihitung sebagai satu unduhan.
Token OpenRouter: Model teks yang dilayani melalui API, seperti Claude atau GPT, tidak memiliki bobot untuk diunduh, jadi penggunaannya diukur dalam token: potongan teks yang dibaca dan ditulis melalui OpenRouter, gateway yang digunakan banyak aplikasi, selama 30 hari terakhir. Setiap 10,000,000 token dihitung sebagai satu unduhan. Sumber: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Model penuh (checkpoint): Bobot itu sendiri, file yang bisa menghasilkan secara mandiri. Mendapat bonus karena add-on bergantung padanya.
LoRA dan embedding: File add-on kecil yang mengarahkan bobot orang lain ke gaya, karakter, atau konsep tertentu. Tidak bisa dijalankan sendiri.
Keluarga dan bobot: Dasar yang dipakai model, seperti SD 1.5, SDXL, Flux, atau Wan. Setiap model mewarisi tanggal rilis bobot keluarganya.
Usia: Pengurangan nilai berdasarkan seberapa lama bobot keluarga itu dirilis: 150° per tahun, sampai maksimal 750°. Ini menjaga unduhan lama yang sudah bertahun-tahun menumpuk agar tetap di atas daftar.
Dorongan keluarga: Dorongan kecil dan terbatas untuk LoRA dari keluarga yang sedang didorong situs ini sekarang, selalu tercantum dalam rincian.
Skor pengganti: Angka stabil di bawah batas yang diberikan pada model yang belum ada laporan sumbernya, supaya daftar tetap lengkap. Tidak pernah lebih tinggi dari model yang punya data.
Baru! (masa tenggang): Model yang berumur kurang dari 7 hari menunjukkan label Baru! bukan skor dan tidak masuk peringkat. Skornya dihitung sejak hari pertama, tapi model yang baru sehari tumbuh lebih cepat dari apa pun, jadi tanpa masa tunggu model #1 minggu ini selalu yang baru kemarin, bukan yang bertahan seminggu.
Tren: Bagaimana pertumbuhan model selama periode tertentu dibandingkan dengan pertumbuhan model biasa di periode yang sama. Lebih cepat dari biasanya berarti naik, lebih lambat berarti turun.
Model biasa: Tengah katalog: setengah model dengan angka tumbuh lebih cepat selama periode itu, setengahnya lebih lambat.

Model Serupa

Model AI untuk Pembuatan Gambar, Video & Teks

Summarize adalah model teks untuk keluarga Text / LLM yang tercantum di ModelTrends.ai, katalog hanya-baca untuk model AI gambar, video, dan teks open source. Bandingkan dengan model Text / LLM lainnya dan lihat skor popularitasnya untuk mengetahui trennya.

Model Text / LLM lainnya Teks / LLM Text / LLM lainnya llm scaledown visi ringkasan konteks panjang anggaran riset

Jelajahi berdasarkan Keluarga Model