Migliore API LLM per riassunti ed estrazione dati
Riassunti ed estrazione sono tipicamente intensivi in input (un documento lungo) e leggeri in output (un breve riassunto o un campo strutturato), quindi la tariffa di input determina il costo. Modelli della fascia economica, input più economico prima.
I task di riassunto ed estrazione strutturata condividono uno schema: un input lungo e un output comparativamente breve e strutturato. Questo li rende sensibili al prezzo di input, come i task di classificazione ad alto volume. Questa lista filtra i modelli economici ordinati per prezzo di input crescente.
| Modello | Provider | Input /1M | Output /1M | Contesto |
|---|---|---|---|---|
| Mistral | $0.15 | $0.60 | Non pubblicato | |
| Meta (via Together AI) | $0.18 | $0.59 | 1M token | |
| OpenAI | $0.20 | $1.20 | ~1,05M token | |
| $0.25 | $1.50 | Non pubblicato | ||
| Meta (via Together AI) | $0.27 | $0.85 | ~1,05M token | |
| DeepSeek | $0.30 | $1.20 | 1M token | |
| Amazon | $0.30 | $2.50 | 1M token | |
| Alibaba | $0.40 | $1.60 | 1M token | |
| Mistral | $0.50 | $1.50 | Non pubblicato | |
| Anthropic | $1.00 | $5.00 | 200K token | |
| xAI | $1.00 | $2.00 | 256K token |
Non facciamo il benchmark della qualità per compito specifico — questa selezione è costruita solo a partire dal prezzo verificato e dalla finestra di contesto pubblicata. Usala per restringere i candidati in base al costo, poi valuta tu stesso la qualità dell'output.
Domande frequenti
Il filtro e l'ordinamento sono gli stessi perché lo schema di costo si sovrappone — entrambi sono carichi pesanti in input e leggeri in output. Questa pagina esiste separatamente per rendere facile trovare riassunto ed estrazione per conto proprio.
Sì — se i vostri documenti superano regolarmente la finestra di contesto di un modello, dovrete suddividerli, il che aggiunge complessità e può penalizzare la qualità del riassunto ai confini dei blocchi. Controllate la colonna contesto, non solo il prezzo.
Sì — tracciamo solo prezzo verificato e finestra di contesto, non l'accuratezza di estrazione. Per i campi che contano, validate un campione di risultati contro una verità di riferimento prima di affidarvi a un modello su larga scala.