Pwede ko bang patakbuhin ang Summarize nang lokal?

Hindi — hindi naglabas ang ScaleDown ng open weights, kaya available lang ang Summarize sa kanilang API.

Magkano ang presyo at gaano kahaba ang context?

Ang input ay $0.04 bawat milyon tokens at libre ang output; ang context window ay isang milyong tokens.

Paano naiiba ang Summarize sa paggamit ng general-purpose na modelo para magbuod?

Ito ay isang purpose-built na abstractive model na may fixed sampling na naka-tune para sa tapat na output, hindi isang general model na pinapapasok mo lang sa summarization mode — at ang libreng output pricing ay nagpapababa ng gastos para sa mataas na volume na dokumento pipeline.

Summarize

3926°

#llm #scaledown #paningin #pagbubuod #mahabang konteksto #badyet

Patakbuhin ang modelong ito

Alok / Ads

OpenRouter Terminal / API

Bayad kada token

Makipag-chat sa modelong ito sa browser o tawagan ito mula sa iyong code gamit ang isang API key.

ScaleDown | 1,000,000 token context | $0.04/M input, free output. Ang Summarize ay isang abstractive summarization model mula sa ScaleDown. Pinapaikli nito ang mahahabang teksto at dokumento sa isang maayos at tapat na muling pagsulat sa halip na kunin lamang ang mga pangungusap mula sa pinagmulan, at angkop para sa pagsusuri ng dokumento, digest ng transcript, at RAG pre-processing kung saan kailangang paikliin ang nakuha na nilalaman bago maipasa sa ibang modelo. Ang format, pokus, wika, at haba ay kinokontrol sa pamamagitan ng system prompt, habang ang sampling ay nakaayos para sa tapat na output. Matuto pa sa dokumento ng ScaleDown: https://docs.scaledown.ai/api-reference/summarize-overviewOpens in new tab

Mga gabay para sa model na ito

Open weights vs open source vs API-only: ano talaga ang pwede mong gawin

Ang 10 pinakamurang alternatibo sa ChatGPT sa 2026: libreng lokal na mga modelo, libreng tier at flat-rate na mga plano

Lahat ng gabay

Mga tala ng Kapitan

Isinulat ni Captain, ang editor ng bahay

Mga tala mula sa 2026-10-13

Ang Summarize ay isang purpose-built na abstractive summarization model mula sa ScaleDown. Sa halip na kunin nang literal ang mga pangungusap, nire-rewrite nito ang source material sa isang coherent at tapat na pinaikling anyo — kapaki-pakinabang para sa pagsusuri ng dokumento, transcript ng meeting, at pag-trim ng mga retrieved chunk bago ito ipasa sa downstream na modelo. Sa isang milyong token na context window at halos walang gastos sa input, kaya nitong hawakan ang mahahabang dokumento nang hindi kailangan ng chunking gymnastics.

Kilalang-kilala sa

Abstractive rewrites: pinapaikli ang teksto sa halip na kopyahin ang mga pangungusap mula sa source.
Isang milyong token na context window para sa napakahabang dokumento sa isang pass lang.
Tuned sampling configuration para sa tapat at mababang hallucination na output.
System-prompt steering para sa format, focus, wika, at haba ng output.
Dinisenyo bilang pre-processing step sa RAG para paliitin ang retrieved content bago makita ito ng pangunahing modelo.

Mag-ingat sa

Closed weights, API-only — hindi mo ito pwedeng patakbuhin nang lokal o suriin ang modelo.
Fixed ang sampling ng gumawa; hindi mo ma-adjust ang temperature o iba pang generation parameters.
Tinag bilang vision model, pero ang inilathalang deskripsyon ay para lang sa text summarization — hindi dokumentado ang vision capability.

Pinakamainam para sa

Mga prompt na subukan

Paliitin ang isang mahabang ulat

Ibuod ang sumusunod na ulat sa isang talatang hindi lalampas sa 100 salita. Panatilihin ang mga pangunahing natuklasan at anumang numerikal na resulta. Huwag isama ang background o methodology maliban kung direktang nakakaapekto ito sa konklusyon. [I-paste dito ang teksto ng iyong ulat]

Digest ng transcript ng meeting

Binigyan ka ng transcript ng meeting. Gumawa ng istrukturadong digest na may tatlong seksyon: Mga Napagpasyahan, Mga Gagawin (may may-ari at deadline kung nabanggit), at Mga Bukas na Tanong. Panatilihin ang buong digest sa ilalim ng 200 salita at isulat ito sa plain prose, hindi bullet points.

Paliitin ang chunk para sa RAG

Ang sumusunod na bahagi ay isang retrieved document chunk na ipapasa sa ibang modelo. I-rewrite ito upang mapanatili lamang ang impormasyong may kaugnayan sa tanong na ito: Ano ang mga pangunahing panganib na kaugnay ng iminungkahing acquisition? Panatilihin ang rewrite sa ilalim ng 150 salita at isama ang anumang numero o pangalan ng entidad.

Ihambing sa

Extract
Modelong API lang
1,000,000 token na konteksto · $0.04/M input, free output
Step 5 Preview
Modelong bukas ang timbang
1,048,576 token na konteksto · $1.00/M input, $2.70/M output
Qwen3 VL 8B Instruct
Modelong bukas ang timbang
262,144 token na konteksto · $0.25/M input, $0.75/M output
Qwen3 VL 30B A3B Instruct
Modelong bukas ang timbang
262,144 token na konteksto · $0.15/M input, $0.60/M output

Higit pang mga text model mula sa scaledown

Mga tanong na madalas itanong

Pwede ko bang patakbuhin ang Summarize nang lokal?: Hindi — hindi naglabas ang ScaleDown ng open weights, kaya available lang ang Summarize sa kanilang API.
Magkano ang presyo at gaano kahaba ang context?: Ang input ay $0.04 bawat milyon tokens at libre ang output; ang context window ay isang milyong tokens.
Paano naiiba ang Summarize sa paggamit ng general-purpose na modelo para magbuod?: Ito ay isang purpose-built na abstractive model na may fixed sampling na naka-tune para sa tapat na output, hindi isang general model na pinapapasok mo lang sa summarization mode — at ang libreng output pricing ay nagpapababa ng gastos para sa mataas na volume na dokumento pipeline.

Hatol ng Kapitan
Isang makitid, murang tool na mahusay sa isang gawain — kung summarization o RAG pre-processing ang iyong bottleneck, mahirap kontrahin ang economics nito.

Isinusulat ng Kapitan ang mga tala na ito mula sa sariling paglalarawan at model card ng modelo. Ang mga presyo at laki ng konteksto ay mula sa provider sa oras ng pagsulat at maaaring magbago.

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

Paano nagkakalkula ang score na ito

Walang datos ng kasikatan mula sa kahit anong pinanggalingan ang modelong ito, kaya may stand-in na numero ito sa ibaba ng 7,000° para kumpleto ang mga listahan. Hindi ito kailanman mauuna sa isang modelong may datos. Lalabas dito ang breakdown kapag may nag-ulat na pinanggalingan.

Talahulugan: ang mga terminong ginagamit dito

Heat score: Isang numero kung gaano kadalas gamitin at gusto ang isang modelo ngayon, mula 0° hanggang 9,999°. Bawat listahan sa site na ito na nagsasabing pinakamainit ay nakaayos base dito at wala nang iba pa.
Floor: Ang 7,000° na panimulang puntos ng bawat modelong may totoong datos. Ang sukatan ay mula 0° hanggang 9,999°; ang bahagi sa ilalim ng floor ay para sa mga stand-in (mga modelong walang datos), para laging mas mataas ang ranggo ng may datos kaysa wala. Pareho ang floor para sa lahat at hindi ito nagpapasya; ang mga degree sa itaas nito ang totoong sukat.
Katumbas ng download: Lahat ng tinatrato ng score bilang download, pinagsama-sama: mga download mismo, bawat torrent seeder bilang 1,000, bawat AI Horde na larawan at bawat takbo sa isang generation site bilang isa.
Log scale: Bilang ng sampu, hindi isa-isa: ang pagtaas mula 1,000 hanggang 10,000 downloads ay nagdadagdag ng parehong degree tulad ng mula 10,000 hanggang 100,000. Pinipigilan nito ang mga higante na mauna sa lahat.
Likes: Thumbs up at likes mula sa lahat ng pinanggalingan, na katumbas ng kalahati ng download sa log scale.
Bilis ng pagtanggap: Ilang downloads kada araw ang nakukuha ng modelo ngayon, mula sa pagkakaiba ng dalawang readings ng isang pinanggalingan. Isang-kapat ng bigat ng term na download.
Nasukat at tinantya: Ang nasukat ay ibig sabihin may dalawang pagbabasa mula sa isang pinagmulan at tunay ang pagkakaiba. Ang tinantya naman ay alam lang ang kabuuan ngayon at hinahati ang nakaraan sa buong buhay ng modelo; sinasabi ng site kung alin ang ipinapakita.
Seeder: Isang tao na nag-iimbak ng kopya ng weights online para ma-download ng iba gamit ang torrent, o isang naka-host na mirror na gumagawa rin nito. Bawat isa ay katumbas ng 1,000 downloads.
AI Horde: Isang volunteer network na gumagawa ng mga larawan nang libre gamit ang mga donadong computer. Pampubliko kung ilang larawan ang nagawa gamit ang isang modelo, at bawat isa ay katumbas ng isang download.
Mga generation site: Mga site na may sariling kopya ng modelo at pinapayagan ang mga tao na gumawa gamit ito, tulad ng PixAI, SeaArt at Yodayo. Ang kanilang mga downloads ay binibilang tulad ng sa Civitai at bawat generation run ay isang download.
OpenRouter tokens: Ang isang text model na pinagsisilbihan sa pamamagitan ng API, tulad ng Claude o GPT, ay walang weights na ida-download, kaya ang paggamit nito ay sinusukat sa tokens: mga piraso ng teksto na binasa at isinulat nito sa pamamagitan ng OpenRouter, isang gateway na ginagamit ng maraming apps, sa nakaraang 30 araw. Bawat 10,000,000 tokens ay katumbas ng isang download. Pinagmulan: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Buong modelo (checkpoint): Ang weights mismo, ang file na kayang mag-generate mag-isa. May bonus ito dahil nakadepende dito ang mga add-on.
LoRA at embedding: Maliit na add-on files na nagtutulak sa weights ng iba papunta sa isang estilo, karakter o konsepto. Hindi sila kayang tumakbo mag-isa.
Pamilya at weights: Ang base na pinagbuo ng modelo, tulad ng SD 1.5, SDXL, Flux o Wan. Lahat ng modelo ay namamana ang petsa ng release ng weights ng pamilya nito.
Edad: Mga degree na ibinabawas base sa gaano katagal nang lumabas ang weights ng pamilya: 150° kada taon, hanggang 750°. Pinananatili nito ang mga lumang downloads na may taon para mag-ipon mula sa pag-freeze sa taas ng listahan.
Pampasigla ng pamilya: Isang maliit at limitadong tulak para sa mga LoRA ng pamilyang itinataguyod ng site ngayon, palaging nakalista sa breakdown.
Stand-in score: Isang matatag na numero sa ibaba ng floor na ibinibigay sa modelong wala pang ulat mula sa pinagmulan, para kumpleto ang listahan. Hindi ito nangunguna sa modelong may datos.
Bago! (panahon ng grace): Ang isang model na mas mababa sa 7 araw ang tanda ay nagpapakita ng Bago! sa halip na score at walang puwesto sa mga ranggo. Ang score nito ay kinakalkula mula unang araw, pero ang modelong isang araw pa lang ang tanda ay lumalago nang mas mabilis kaysa sa iba, kaya kung walang paghihintay, ang #1 ng linggo ay palaging yung lumabas kahapon kaysa sa tumagal nang isang linggo.
Uso: Paano ang paglago ng modelo sa isang panahon kumpara sa karaniwang paglago ng modelo sa parehong panahon. Mas mabilis kaysa karaniwan ay pagtaas, mas mabagal ay pagbaba.
Karaniwang modelo: Gitna ng katalogo: kalahati ng mga modelo na may numero ay mas mabilis ang paglago sa panahon, kalahati ay mas mabagal.

Mga katulad na model

Qwen3.7 Max

TEXT / LLM

Gemini 3 Flash Preview

TEXT / LLM

Mistral Small 3.2 24B

TEXT / LLM

GPT 4 Turbo

TEXT / LLM

Mga AI model para sa paggawa ng larawan, video at teksto

Ang Summarize ay isang text model para sa pamilyang Text / LLM na nakalista sa ModelTrends.ai, isang read-only na catalog ng mga open source AI model para sa larawan, video at teksto. Ikumpara ito sa ibang Text / LLM model at tingnan ang heat score nito para makita kung gaano ito kasikat.

Higit pang Text / LLM model Higit pang Text / LLM Teksto / LLM llm scaledown paningin pagbubuod mahabang konteksto badyet pananaliksik

Mag-browse ayon sa pamilya ng model