Bolehkah saya jalankan Summarize secara tempatan?

Tidak — ScaleDown tidak mengeluarkan berat terbuka, jadi Summarize hanya tersedia melalui API mereka.

Berapa kos Summarize dan berapa panjang konteksnya?

Input berharga $0.04 setiap sejuta token dan output percuma; tetingkap konteks adalah sejuta token.

Bagaimana Summarize berbeza daripada menggunakan model tujuan umum untuk meringkaskan?

Ia adalah model abstraktif yang dibina khas dengan pensampelan tetap yang dioptimumkan untuk output setia, bukan model umum yang anda prompt ke mod ringkasan — dan harga output percuma menjadikannya lebih murah untuk saluran dokumen berkeluasan tinggi.

Summarize

3926°

#llm #scaledown #penglihatan #ringkasan #konteks panjang #bajet

Jalankan model ini

Tawaran / Iklan

OpenRouter Terminal / API

Bayar setiap token

Bual dengan model ini dalam pelayar atau panggil ia dari kod anda dengan satu kunci API.

ScaleDown | konteks 1,000,000 token | $0.04/M input, output percuma. Summarize adalah model ringkasan abstraktif dari ScaleDown. Ia memadatkan teks dan dokumen panjang menjadi penulisan semula yang lancar dan setia, bukan mengangkat ayat dari sumber, dan sesuai untuk semakan dokumen, ringkasan transkrip, dan pra-pemprosesan RAG di mana kandungan yang diambil mesti dipendekkan sebelum sampai ke model lain. Format, fokus, bahasa, dan panjang dikawal melalui prompt sistem, manakala pensampelan ditetapkan kepada konfigurasi yang dioptimumkan untuk output setia. Ketahui lebih lanjut dalam dokumen ScaleDown: https://docs.scaledown.ai/api-reference/summarize-overviewOpens in new tab

Panduan untuk model ini

Berat terbuka vs sumber terbuka vs hanya API: apa yang sebenarnya kamu dibenarkan lakukan

10 Alternatif ChatGPT Termurah pada 2026: model tempatan percuma, tahap percuma dan pelan kadar rata

Semua panduan

Nota Kapten

Ditulis oleh Captain, editor rumah

Nota dari 2026-10-13

Summarize adalah model ringkasan abstraktif yang dibina khas dari ScaleDown. Daripada mengekstrak ayat secara verbatim, ia menulis semula bahan sumber menjadi bentuk padat yang koheren dan setia — berguna untuk semakan dokumen, transkrip mesyuarat, dan memangkas bahagian yang diambil sebelum dihantar ke model hiliran. Dengan tetingkap konteks sejuta token dan kos input hampir sifar, ia mengendalikan dokumen panjang tanpa perlu memecah bahagian.

Dikenali untuk

Penulisan semula abstraktif: memadatkan teks dan bukan menyalin ayat dari sumber.
Tetingkap konteks sejuta token mengendalikan dokumen sangat panjang dalam satu laluan.
Konfigurasi pensampelan yang dioptimumkan untuk output setia dan rendah halusinasi.
Pengawalan prompt sistem untuk format, fokus, bahasa, dan panjang output.
Direka sebagai langkah pra-pemprosesan RAG untuk mengecilkan kandungan yang diambil sebelum model utama melihatnya.

Berhati-hati dengan

Berat tertutup, hanya API — anda tidak boleh jalankan secara tempatan atau periksa model.
Pensampelan ditetapkan oleh pembuat; anda tidak boleh laraskan suhu atau parameter generasi lain sendiri.
Ditandakan sebagai model visi, tetapi penerangan yang diterbitkan hanya meliputi ringkasan teks — keupayaan visi tidak didokumentasi.

Terbaik untuk

Arahan untuk cuba

Padatkan laporan panjang

Ringkaskan laporan berikut menjadi satu perenggan tidak lebih 100 perkataan. Kekalkan penemuan utama dan sebarang keputusan berangka. Jangan sertakan latar belakang atau metodologi kecuali ia terus mempengaruhi kesimpulan. [Tampal teks laporan anda di sini]

Ringkaskan transkrip mesyuarat

Anda diberikan transkrip mesyuarat. Hasilkan ringkasan berstruktur dengan tiga bahagian: Keputusan yang Dibuat, Item Tindakan (pemilik dan tarikh akhir jika disebut), dan Soalan Terbuka. Kekalkan keseluruhan ringkasan di bawah 200 perkataan dan tulis dalam prosa biasa, bukan poin peluru.

Kecilkan bahagian untuk RAG

Petikan berikut adalah bahagian dokumen yang diambil dan akan dihantar ke model lain. Tulis semula untuk mengekalkan hanya maklumat yang relevan dengan soalan ini: Apakah risiko utama yang berkaitan dengan pengambilalihan yang dicadangkan? Kekalkan penulisan semula di bawah 150 perkataan dan simpan sebarang angka atau entiti bernama.

Bandingkan dengan

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

Lebih banyak model teks dari scaledown

Soalan yang sering ditanya

Bolehkah saya jalankan Summarize secara tempatan?: Tidak — ScaleDown tidak mengeluarkan berat terbuka, jadi Summarize hanya tersedia melalui API mereka.
Berapa kos Summarize dan berapa panjang konteksnya?: Input berharga $0.04 setiap sejuta token dan output percuma; tetingkap konteks adalah sejuta token.
Bagaimana Summarize berbeza daripada menggunakan model tujuan umum untuk meringkaskan?: Ia adalah model abstraktif yang dibina khas dengan pensampelan tetap yang dioptimumkan untuk output setia, bukan model umum yang anda prompt ke mod ringkasan — dan harga output percuma menjadikannya lebih murah untuk saluran dokumen berkeluasan tinggi.

Keputusan Kapten
Alat khusus dan murah yang melakukan satu perkara dengan baik — jika ringkasan atau pra-pemprosesan RAG adalah halangan anda, ekonominya sukar untuk dipertikaikan.

Kapten menulis nota ini berdasarkan penerangan model dan kad model itu sendiri. Harga dan saiz konteks adalah dari penyedia pada masa penulisan dan boleh 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 dijumlahkan

Model ini belum ada data populariti dari mana-mana sumber lagi, jadi ia membawa nombor gantian di bawah 7,000° yang memastikan senarai lengkap. Ia tidak pernah menduduki tempat lebih tinggi daripada model yang ada data. Pecahan muncul di sini sebaik sahaja sumber melaporkannya.

Glosari: istilah yang digunakan di sini

Skor heat: Satu nombor untuk seberapa banyak model digunakan dan diingini sekarang, dari 0° hingga 9,999°. Setiap senarai di laman ini yang kata paling panas disusun mengikutnya dan tiada yang lain.
Lantai: 7,000° yang setiap model dengan data sebenar bermula. Skala dari 0° hingga 9,999°; bahagian bawah lantai untuk pengganti (model tanpa data), supaya model dengan data sentiasa lebih tinggi dari yang tiada. Lantai sama untuk semua dan tidak tentukan apa-apa; darjah di atasnya adalah ukuran.
Setara muat turun: Semua yang skor anggap sebagai muat turun, dijumlahkan: muat turun sendiri, setiap torrent seeder sebagai 1,000, setiap imej AI Horde dan setiap larian di laman generasi sebagai satu.
Skala log: Mengira dengan puluhan, bukan satuan: dari 1,000 ke 10,000 muat turun tambah darjah sama seperti dari 10,000 ke 100,000. Ini elak gergasi menindas yang lain.
Suka: Jempol dan suka dari semua sumber, bernilai separuh muat turun pada skala log.
Kadar penerimaan: Berapa banyak muat turun sehari model dapat sekarang, dari beza dua bacaan sumber. Berat suku dari terma muat turun.
Diukur dan dianggarkan: Diukur bermaksud ada dua bacaan dari satu sumber dan perbezaannya adalah nyata. Dianggarkan bermaksud hanya jumlah hari ini yang diketahui dan masa lalu diagihkan sepanjang hayat model; laman web akan memberitahu yang mana satu ia tunjukkan.
Seeder: Seseorang yang menyimpan salinan berat secara dalam talian untuk dimuat turun oleh orang lain melalui torrent, atau cermin yang dihoskan melakukan perkara yang sama. Setiap satu dikira sebagai 1,000 muat turun.
AI Horde: Rangkaian sukarelawan yang menjana imej secara percuma pada komputer yang didermakan. Bilangan imej yang telah dihasilkan dengan model adalah awam, dan setiap satu dikira sebagai satu muat turun.
Laman penjanaan: Laman yang menghoskan salinan model mereka sendiri dan membenarkan orang menjana dengannya, seperti PixAI, SeaArt dan Yodayo. Muat turun mereka dikira seperti Civitai dan setiap sesi penjanaan dikira sebagai satu muat turun.
Token OpenRouter: Model teks yang disediakan melalui API, seperti Claude atau GPT, tidak mempunyai berat untuk dimuat turun, jadi penggunaannya diukur dalam token: bahagian teks yang dibaca dan ditulis melalui OpenRouter, pintu masuk yang digunakan oleh banyak aplikasi, dalam 30 hari terakhir. Setiap 10,000,000 token dikira sebagai satu muat turun. Sumber: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Model penuh (checkpoint): Berat itu sendiri, fail yang menjana secara sendiri. Ia mendapat bonus kerana add-on bergantung padanya.
LoRA dan embedding: Fail add-on kecil yang mengarahkan berat orang lain ke arah gaya, watak atau konsep. Ia tidak boleh dijalankan sendiri.
Keluarga dan berat: Asas yang model dibina, seperti SD 1.5, SDXL, Flux atau Wan. Setiap model mewarisi tarikh keluaran berat keluarganya.
Umur: Darjah yang ditolak berdasarkan berapa lama berat keluarga itu dikeluarkan: 150° setahun, sehingga 750°. Ia mengekalkan muat turun lama yang mempunyai masa bertahun-tahun untuk terkumpul dengan membekukan di bahagian atas senarai.
Peningkatan keluarga: Dorongan kecil dan terhad untuk LoRA dari keluarga yang laman ini sedang galakkan sekarang, sentiasa disenaraikan dalam pecahan.
Skor gantian: Nombor stabil di bawah paras yang diberikan kepada model yang belum ada laporan sumber, supaya senarai kekal lengkap. Ia tidak pernah mendahului model yang ada data.
Baru! (tempoh kelonggaran): Model yang berumur kurang dari 7 hari menunjukkan Baru! dan tidak mempunyai skor serta tidak menduduki tempat dalam kedudukan. Skornya dikira dari hari pertama, tetapi model yang berumur satu hari berkembang lebih cepat daripada apa pun, jadi tanpa menunggu, #1 minggu ini akan sentiasa menjadi apa sahaja yang keluar semalam dan bukan yang bertahan selama seminggu.
Trend: Bagaimana pertumbuhan model dalam tempoh tertentu dibandingkan dengan pertumbuhan model biasa dalam tempoh yang sama. Lebih cepat dari biasa bermaksud naik, lebih perlahan bermaksud turun.
Model biasa: Tengah katalog: separuh model dengan angka tumbuh lebih cepat dalam tempoh itu, separuh lagi lebih perlahan.

Model serupa

Model AI untuk penjanaan imej, video dan teks

Summarize ialah model teks untuk keluarga Text / LLM yang disenaraikan di ModelTrends.ai, katalog baca sahaja untuk model AI imej, video dan teks sumber terbuka. Bandingkannya dengan model Text / LLM lain dan semak skor habanya untuk melihat trendnya.

Lagi model Text / LLM Lagi Teks / LLM Text / LLM llm scaledown penglihatan ringkasan konteks panjang bajet penyelidikan

Layari mengikut keluarga model