Kan jag köra Summarize lokalt?

Nej — ScaleDown har inte släppt öppna vikter, så Summarize är endast tillgänglig via deras API.

Vad kostar Summarize och hur långt är kontextfönstret?

Input kostar $0,04 per miljon token och output är gratis; kontextfönstret är en miljon token.

Hur skiljer sig Summarize från att använda en allmän modell för sammanfattning?

Det är en specialbyggd abstraktiv modell med fast sampling optimerad för trogen output, snarare än en generell modell du promptar till sammanfattningsläge — och den gratis output-prissättningen gör den billigare för högvolyms dokumentflöden.

Summarize

3926°

#llm #scaledown #vision #sammanfattning #lång kontext #budget

Kör modellen

Erbjudanden / annonser

OpenRouter Terminal / API

Betala per token

Chatta med den här modellen i webbläsaren eller anropa den från din kod med en API-nyckel.

ScaleDown | 1,000,000 token context | $0.04/M input, free output. Summarize är en abstraktiv sammanfattningsmodell från ScaleDown. Den kondenserar lång text och dokument till en flytande, trogen omskrivning snarare än att lyfta meningar från källan, och är lämplig för dokumentgranskning, transkriptsammanfattningar och RAG-förbehandling där hämtat innehåll måste förkortas innan det når en annan modell. Format, fokus, språk och längd styrs genom systemprompten, medan sampling är fastställd till en konfiguration anpassad för trogen output. Läs mer i ScaleDowns dokumentation: https://docs.scaledown.ai/api-reference/summarize-overviewOpens in new tab

Guider för denna modell

Öppna vikter vs öppen källkod vs endast API: vad du faktiskt får göra

De 10 billigaste ChatGPT-alternativen 2026: gratis lokala modeller, gratisnivåer och fastprisplaner

Alla guider

Kaptenens anteckningar

Skrivet av Captain, husets redaktör

Anteckningar från 2026-10-13

Summarize är en specialbyggd abstraktiv sammanfattningsmodell från ScaleDown. Istället för att extrahera meningar ordagrant omskriver den källmaterialet till en sammanhängande, trogen och kondenserad form — användbar för dokumentgranskning, mötesutskrifter och för att trimma hämtade textbitar innan de når en efterföljande modell. Med ett kontextfönster på en miljon token och nästan noll kostnad för input hanterar den långa dokument utan komplicerad uppdelning.

Känd för

Abstrakt omskrivning: kondenserar text istället för att kopiera meningar från källan.
En miljon token kontextfönster hanterar mycket långa dokument i ett enda pass.
Finjusterad sampling för trogen, låg hallucinationsutgång.
System-promptstyrning för format, fokus, språk och längd på output.
Designad som ett förbehandlingssteg för RAG för att krympa hämtat innehåll innan huvudmodellen ser det.

Se upp för

Stängda vikter, endast API — du kan inte köra den lokalt eller inspektera modellen.
Sampling är fastställd av tillverkaren; du kan inte justera temperatur eller andra genereringsparametrar själv.
Taggad som en visionmodell, men den publicerade beskrivningen täcker bara textsammanfattning — visionkapaciteten är inte dokumenterad.

Bäst för

Promptar att prova

Kondensera en lång rapport

Sammanfatta följande rapport till ett stycke på högst 100 ord. Behåll nyckelfynd och eventuella numeriska resultat. Inkludera inte bakgrund eller metodik om det inte direkt påverkar slutsatserna. [Klistra in din rapporttext här]

Sammanfatta en mötesutskrift

Du har en mötesutskrift. Skapa en strukturerad sammanfattning med tre sektioner: Fattade beslut, Åtgärdspunkter (ägare och deadline om nämnts) och Öppna frågor. Håll hela sammanfattningen under 200 ord och skriv i löpande text, inte punktlistor.

Krymp en bit för RAG

Följande stycke är en hämtad dokumentbit som ska skickas till en annan modell. Omskriv den så att endast information relevant för frågan bevaras: Vilka är de största riskerna med det föreslagna förvärvet? Håll omskrivningen under 150 ord och bevara siffror och namngivna enheter.

Jämför med

Extract
Endast API-modell
1,000,000 tokens kontext · $0.04/M indata, free utdata
Step 5 Preview
Öppen vikt-modell
1,048,576 tokens kontext · $1.00/M indata, $2.70/M utdata
Qwen3 VL 8B Instruct
Öppen vikt-modell
262,144 tokens kontext · $0.25/M indata, $0.75/M utdata
Qwen3 VL 30B A3B Instruct
Öppen vikt-modell
262,144 tokens kontext · $0.15/M indata, $0.60/M utdata

Fler textmodeller från scaledown

Vanliga frågor

Kan jag köra Summarize lokalt?: Nej — ScaleDown har inte släppt öppna vikter, så Summarize är endast tillgänglig via deras API.
Vad kostar Summarize och hur långt är kontextfönstret?: Input kostar $0,04 per miljon token och output är gratis; kontextfönstret är en miljon token.
Hur skiljer sig Summarize från att använda en allmän modell för sammanfattning?: Det är en specialbyggd abstraktiv modell med fast sampling optimerad för trogen output, snarare än en generell modell du promptar till sammanfattningsläge — och den gratis output-prissättningen gör den billigare för högvolyms dokumentflöden.

Kaptens omdöme
Ett smalt, billigt verktyg som gör en sak bra — om sammanfattning eller RAG-förbehandling är din flaskhals är ekonomin svår att argumentera emot.

Kapten skriver dessa anteckningar från modellens egen beskrivning och model card. Priser och kontextstorlekar är från leverantören vid skrivtillfället och kan ändras.

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

Hur denna poäng räknas ihop

Den här modellen har ännu inga popularitetsdata från någon källa, så den har ett tillfälligt nummer under 7,000° som håller listorna kompletta. Den rankas aldrig högre än en modell med data. Uppdelningen visas här så fort en källa rapporterar den.

Ordlista: termerna som används här

Heat-poäng: Ett nummer för hur mycket en modell används och efterfrågas just nu, från 0° till 9 999°. Varje lista på den här sidan som säger hetast sorteras efter den och inget annat.
Golvet: De 7 000° som varje modell med verklig data börjar från. Skalan går från 0° till 9 999°; delen under golvet är reserverad för ersättare (modeller utan data), så att en modell med data alltid rankas över en utan. Golvet är samma för alla och avgör inget; graderna ovanför är själva mätningen.
Nedladdnings-ekvivalenter: Allt som poängen räknar som en nedladdning, summerat: själva nedladdningarna, varje torrent-seeder som 1 000, varje AI Horde-bild och varje körning på en genereringssajt som en.
Logaritmisk skala: Räknar i tiotal, inte i ental: att gå från 1 000 till 10 000 nedladdningar ger lika många grader som att gå från 10 000 till 100 000. Det hindrar jättar från att tränga ut allt annat.
Gillanden: Tummar upp och gillanden från alla källor, värda hälften av en nedladdning på den logaritmiska skalan.
Adoptionshastighet: Hur många nedladdningar per dag en modell får just nu, från skillnaden mellan två mätningar av en källa. En fjärdedels vikt av nedladdningsdelen.
Mätt och uppskattad: Mätt betyder att det finns två mätningar från en källa och skillnaden är verklig. Uppskattad betyder att bara dagens total är känd och det fördelas över modellens livstid; sidan visar vilken det är.
Seeder: Någon som håller en kopia av vikterna online för andra att ladda ner via torrent, eller en hostad spegel som gör samma sak. Varje sådan räknas som 1 000 nedladdningar.
AI Horde: Ett frivilligt nätverk som genererar bilder gratis på donerade datorer. Antalet bilder det har gjort med en modell är offentligt, och varje bild räknas som en nedladdning.
Genereringssajter: Sajter som hostar sina egna kopior av en modell och låter folk generera med den, som PixAI, SeaArt och Yodayo. Deras nedladdningar räknas som Civitaís och varje genereringskörning räknas som en nedladdning.
OpenRouter-token: En textmodell som nås via API, som Claude eller GPT, har inga vikter att ladda ner, så dess användning mäts i token: textbitar den läst och skrivit via OpenRouter, en gateway som många appar använder, under de senaste 30 dagarna. Varje 10,000,000 token räknas som en nedladdning. Källa: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Full modell (checkpoint): Själva vikterna, filen som genererar självständigt. Den får en bonus eftersom tillägg beror på den.
LoRA och embedding: Små tilläggsfiler som styr någon annans vikter mot en stil, en karaktär eller ett koncept. De kan inte köras själva.
Familj och vikter: Basen en modell är byggd på, som SD 1.5, SDXL, Flux eller Wan. Varje modell ärver släppdatumet för sin familjs vikter.
Ålder: Poäng som dras av beroende på hur länge sedan familjens vikter släpptes: 150° per år, upp till 750°. Det behåller gamla nedladdningar som haft år på sig att samlas för att frysa toppen av listan.
Familjeboost: En liten, begränsad skjuts för LoRAs från en familj som den här sajten just nu vill lyfta fram, alltid med i uppdelningen.
Stand-in-poäng: Ett stabilt nummer under golvet som ges till en modell som ännu inte har rapporter från någon källa, så listorna förblir kompletta. Den rankas aldrig högre än en modell med data.
Ny! (karensperiod): En modell som är mindre än 7 dagar gammal visar Ny! istället för poäng och räknas inte i rankningen. Poängen räknas från dag ett, men en modell som är en dag gammal växer snabbare än allt annat, så utan väntan skulle veckans #1 alltid vara det som kom ut igår istället för det som hållit i en vecka.
Trend: Hur en modells tillväxt under en period jämförs med den typiska modellens tillväxt under samma period. Snabbare än vanligt läses som en ökning, långsammare som en nedgång.
Typisk modell: Mitten av katalogen: hälften av modellerna med siffror växte snabbare under perioden, hälften långsammare.

Liknande modeller

AI-modeller för bild-, video- och textgenerering

Summarize är en textmodell för familjen Text / LLM, listad på ModelTrends.ai, en skrivskyddad katalog över AI-modeller med öppen källkod för bild, video och text. Jämför den med andra Text / LLM-modeller och se dess hettapoäng.

Fler Text / LLM-modeller llm scaledown vision sammanfattning lång kontext budget forskning

Bläddra efter modellfamilj