Лучший LLM API для реферирования и извлечения данных
Реферирование и извлечение данных обычно требуют много входных данных (длинный документ) и мало выходных (короткое резюме или структурированное поле), поэтому стоимость определяется ценой входа. Модели бюджетного уровня, сначала с самым дешёвым входом.
Суммаризация и структурированное извлечение данных схожи по паттерну: длинный вход и сравнительно короткий, структурированный выход. Это делает их чувствительными к цене за вход — так же, как высоконагруженные задачи классификации. Этот список отбирает бюджетные модели, отсортированные по возрастанию цены за вход.
| Модель | Провайдер | Вход /1М | Выход /1М | Контекст |
|---|---|---|---|---|
| Mistral | $0.15 | $0.60 | Не опубликовано | |
| Meta (via Together AI) | $0.18 | $0.59 | 1 млн токенов | |
| OpenAI | $0.20 | $1.20 | ~1,05 млн токенов | |
| $0.25 | $1.50 | Не опубликовано | ||
| Meta (via Together AI) | $0.27 | $0.85 | ~1,05 млн токенов | |
| DeepSeek | $0.30 | $1.20 | 1 млн токенов | |
| Amazon | $0.30 | $2.50 | 1 млн токенов | |
| Alibaba | $0.40 | $1.60 | 1 млн токенов | |
| Mistral | $0.50 | $1.50 | Не опубликовано | |
| Anthropic | $1.00 | $5.00 | 200 тыс. токенов | |
| xAI | $1.00 | $2.00 | 256 тыс. токенов |
Мы не проводим бенчмарк качества для конкретных задач — эта подборка построена исключительно на проверенной цене и опубликованном окне контекста. Используйте её, чтобы сузить круг кандидатов по стоимости, а затем самостоятельно оцените качество результата.
Часто задаваемые вопросы
Фильтр и сортировка совпадают, потому что совпадает и структура расходов — обе задачи требовательны к входу и лёгкие по выходу. Эта страница существует отдельно, чтобы суммаризацию и извлечение было легко найти самостоятельно.
Да — если ваши документы регулярно превышают контекстное окно модели, их придётся делить на части, что усложняет работу и может ухудшить качество на границах фрагментов. Смотрите столбец с контекстом, а не только цену.
Да — мы отслеживаем только проверенную цену и размер контекстного окна, но не точность извлечения. Для важных полей проверьте выборку результатов на соответствие эталонным данным, прежде чем полагаться на модель в большом масштабе.