Meilleure API LLM pour le résumé et l'extraction de données
Le résumé et l'extraction sont généralement lourds en entrée (un long document) et légers en sortie (un court résumé ou un champ structuré), donc le taux d'entrée pilote le coût. Modèles du palier économique, entrée la moins chère en premier.
Les tâches de résumé et d'extraction structurée partagent un même schéma : une longue entrée et une sortie comparativement courte et structurée. Cela les rend sensibles au prix d'entrée, comme les tâches de classification à fort volume. Cette liste filtre les modèles économiques triés par prix d'entrée croissant.
| Modèle | Fournisseur | Entrée /1M | Sortie /1M | Contexte |
|---|---|---|---|---|
| Mistral | $0.15 | $0.60 | Non publié | |
| Meta (via Together AI) | $0.18 | $0.59 | 1M tokens | |
| OpenAI | $0.20 | $1.20 | ~1,05M tokens | |
| $0.25 | $1.50 | Non publié | ||
| Meta (via Together AI) | $0.27 | $0.85 | ~1,05M tokens | |
| DeepSeek | $0.30 | $1.20 | 1M tokens | |
| Amazon | $0.30 | $2.50 | 1M tokens | |
| Alibaba | $0.40 | $1.60 | 1M tokens | |
| Mistral | $0.50 | $1.50 | Non publié | |
| Anthropic | $1.00 | $5.00 | 200K tokens | |
| xAI | $1.00 | $2.00 | 256K tokens |
Nous ne benchmarkons pas la qualité par tâche — cette sélection est construite uniquement à partir du prix vérifié et de la fenêtre de contexte publiée. Utilisez-la pour réduire les candidats par coût, puis évaluez vous-même la qualité des résultats.
Questions fréquentes
Le filtre et le tri sont identiques car le schéma de coût se recoupe — les deux sont des charges gourmandes en entrée et légères en sortie. Cette page existe séparément pour que le résumé et l'extraction soient faciles à trouver de leur côté.
Oui — si vos documents dépassent régulièrement la fenêtre de contexte d'un modèle, il faudra les découper, ce qui ajoute de la complexité et peut nuire à la qualité du résumé aux frontières des découpages. Vérifiez la colonne contexte, pas seulement le prix.
Oui — nous suivons uniquement le prix vérifié et la fenêtre de contexte, pas la précision d'extraction. Pour les champs qui comptent, validez un échantillon de résultats face à une vérité terrain avant de vous appuyer sur un modèle à grande échelle.