ScaleDown 推出三款小型 AI 模型：Classify、Extract 和 Summarize

ScaleDown 发布了三款用于应用内常规任务的小型 AI 模型：Classify、Extract 和 Summarize。三款模型均具有 100 万 token 的输入上限，并支持文本或图像输入。

功能上，Classify 通过分配用户提供的标签来对文本进行路由，并为每个标签给出一个概率；Extract 可以读取文件、收集所需数据，并以带有高置信度分数的 JSON 字段形式输出；Summarize 可以读取长转录文本或报告，并生成最长 1,000 token 的简短摘要。

分发渠道方面，三款模型可通过 ScaleDown 的 API 访问，同时也可通过 OpenRouter、Vercel AI Gateway、LiteLLM 和 LangChain 使用。

输入目前按每百万 token 0.05 美元计费，发布时在 OpenRouter 上有 0.04 美元的促销价，输出 token 不计费。这一计费结构是厂商自述，来源未说明其能否长期持续。

在公开意图检测基准 CLINC OOS 上，ScaleDown 称 Classify 达到 95% 准确率，而三个 OpenAI 模型的平均值为 89.6%。

这一对比属于厂商自述，来源未披露 CLINC OOS 的具体评测设置、样本与对比模型版本，因此 95% 对 89.6% 是否在同等条件下测得尚不清楚。

ScaleDown 联合创始人兼 CEO Neal Patel 提出一种名为“约束解码模型”（CDMs）的新 AI 模型架构，主张多数生产工作负载只需要快速、一致且可负担的答案。

来源未说明 CDMs 架构是否已实际用于这三款模型，还是仅作为概念提出。

来源提及 DecisionBench 上 77.2%、快 200 倍、便宜 467 倍等指标，但未给出可核验的评测细节。这些数字的基准对象与测量方法不明，只能视为来源提及，不能作为已确认的性能或成本结论。

Fireply.ai 评论认为 Classify 的“每个标签一个概率”是有用之处，可设置阈值只把不确定的样本升级给更大的模型。这属于第三方评论，不代表对模型整体性能的独立验证。

上述信息全部来自 TestingCatalog 在 X 上的一条帖子及其转述，缺少 ScaleDown 官方一手来源的独立佐证。该帖子标注为付费合作（Paid partnership），存在商业推广属性。

因此，性能与成本对比数据由厂商自述，未经第三方独立验证；付费合作是否影响帖子内容与数据呈现无法判断。模型参数规模、延迟、上下文输出上限等关键规格也未披露，这些模型在真实生产负载中的表现缺乏独立评测。