Shannon 3, el model d'IA sense censura que revisa la seva pròpia resposta
Un bucle de raonament iteratiu al nostre propi clúster de GPU: pensar, redactar, revisar, reescriure. Lite fa una passada. Pro en fa fins a deu, i demana els fets que sap que li falten.
Resum ràpid
Shannon 3 és una família de models d'IA sense censura servida des del nostre propi clúster de GPU. El seu tret distintiu és la forma d'un torn: el model pensa, escriu un esborrany i després torna a llegir el seu propi esborrany contrastant-lo amb el seu propi raonament, i reescriu allò que no s'aguanta. Lite (shannon-3) fa una passada de pensar i redactar per obtenir la latència més baixa. Pro (shannon-3-pro) executa el bucle complet durant un màxim de 10 iteracions, i s'atura tan bon punt una revisió aprova l'esborrany; a més, fa una recol·lecció de coneixement contra un model més gran per omplir els fets que ha detectat que li faltaven. Tota la traça de raonament és visible, en la teva llengua. L'entrada de visió i de documents està admesa als dos nivells. El context en el llançament de la 3.0 era de 32.768 tokens.
Gairebé tots els models de xat que has fet servir responen en una sola passada endavant. Trien el primer token abans de saber quin serà l'últim i, un cop emesa una frase, hi queden compromesos: el model la pot contradir més endavant, però no pot tornar enrere i arreglar-la. Això funciona bé quan la resposta és curta i la pregunta té una sola part. Funciona malament quan la resposta és llarga, la pregunta té quatre parts i el paràgraf sis invalida discretament el paràgraf dos. Shannon 3 existeix perquè no crèiem que la solució fos un model més gran. La solució és deixar que el model llegeixi el que acaba d'escriure.
01Què és Shannon 3
Shannon 3 és una família de models de dos nivells. Tots dos nivells s'executen al nostre propi clúster de GPU en lloc d'una API d'inferència de tercers, i tots dos són sense censura: no hi ha cap capa de refús al davant ni cap filtre de contingut al darrere. El que canvia entre nivells és quanta feina té permès fer un sol torn abans que la resposta t'arribi.
A l'API els dos nivells són identificadors de model ordinaris. No hi ha cap endpoint especial, cap SDK a part ni cap format de petició fet a mida:
| Nivell | Identificador de model | Forma del torn | Millor per a |
|---|---|---|---|
| Shannon 3 Lite | shannon-3 | Una passada de pensar i redactar | Xat, redacció, consultes, molt volum |
| Shannon 3 Pro | shannon-3-pro | Bucle complet, fins a 10 passades, més recol·lecció de coneixement | Anàlisi, textos llargs, feina sensible a la correcció |
02Per què una sola passada endavant és la forma equivocada per a preguntes difícils
Un model que genera text d'esquerra a dreta pren una seqüència irrevocable de decisions locals. No té goma d'esborrar. Quan porta 400 tokens d'una explicació i s'adona que l'enfocament que va triar era erroni, les úniques opcions són continuar amb l'enfocament equivocat o afegir una correcció — cosa que produeix les respostes que tothom reconeix, aquelles que diuen de fet, tornant al que he dit abans a mitja explicació i et deixen a tu la feina de conciliar dues meitats incompatibles.
La cadena de pensament ho millora però no ho resol. Pensar primer dona al model un pla abans de comprometre's amb la prosa, i això és un guany genuí; l'esborrany que ve després continua escrivint-se en una sola passada i continua lliurant-se sense rellegir. Res no arriba a plantejar mai la pregunta que un editor humà es fa primer: aquesta resposta fa realment el que deia el raonament que faria? Els modes de fallada que sobreviuen a la cadena de pensament són concrets i reconeixibles:
- Subpreguntes descartades. Vas preguntar quatre coses. El raonament en va llistar quatre. La resposta en cobreix tres.
- Deriva respecte del pla. El raonament es decanta per un enfocament; la prosa n'adopta gradualment un altre, i no hi ha cap frase concreta on hagi anat malament.
- Aritmètica i unitats. Un número calculat correctament al raonament es transcriu malament a la resposta, o una xifra mensual es presenta com a anual.
- Restriccions ignorades. Vas dir que res de dependències externes; el codi n'importa una, i el raonament no torna a esmentar la restricció després d'haver-la reconegut.
- Buits dits amb seguretat. El model diu al raonament que no està segur d'un fet concret i tot seguit l'afirma sense matisos a la resposta.
Tots aquests casos es detecten llegint l'esborrany. Cap no es detecta generant l'esborrany amb més cura.
03El bucle de raonament, etapa per etapa
Un torn de Shannon 3 Pro és un bucle amb quatre etapes i una condició de sortida.
Pensar
El model treballa el problema abans d'escriure't res: descompon la pregunta, anota restriccions, identifica què sap i què no sap, i es decideix per un enfocament. El que produeix aquí esdevé l'estàndard amb què després es mesurarà la resposta.
Redactar
El model escriu una resposta completa i real, no un esquema. Ha de ser completa, perquè l'etapa següent avalua un artefacte acabat, i d'un esbós no se'n poden revisar els modes de fallada que només apareixen a extensió completa.
Revisar
Aquesta és l'etapa que fa que la família sigui el que és. El model llegeix l'esborrany contrastant-lo amb el raonament — una prova molt més afilada que llegir l'esborrany tot sol. Preguntar a un model «és bona aquesta resposta?» el convida a dir que sí; preguntar-li «el pla deia cobrir X, Y i Z sota la restricció C — aquest text ho fa?» li dona una cosa falsable per comprovar. La revisió anomena què està malament en lloc de posar una nota.
Reescriure
Els problemes anomenats es corregeixen en un esborrany nou. Això és una reescriptura, no un pedaç: una correcció que exigeixi reordenar l'argument té permís per reordenar-lo. El nou esborrany torna a revisió.
Aturar
El bucle acaba el primer cop que una revisió aprova l'esborrany — la sortida normal, i en la majoria de torns passa molt abans del sostre. El límit dur de 10 iteracions existeix per a casos patològics, com una pregunta genuïnament ambigua on cada reescriptura canvia un defecte per un altre, de manera que un torn no pugui donar voltes indefinidament.
Lite fa aquestes dues primeres etapes i s'atura. Pensa, redacta i et lliura l'esborrany. Això és una decisió de producte deliberada, no un accident retallat: en una part gran dels missatges reals el primer esborrany és la resposta correcta, i pagar la latència d'una revisió perquè t'ho diguin és un mal negoci. Lite és per quan vols que el model sigui ràpid; Pro és per quan vols que estigui segur.
04La recol·lecció de coneixement de Pro: demanar ajuda en lloc d'endevinar
L'autorevisió detecta contradiccions, omissions i incompliments de restriccions, perquè les proves necessàries per detectar-ho ja són dins del torn. El que no pot detectar és un fet que el model simplement no té. Un model que revisa el seu propi esborrany pot concloure no estic segur d'aquesta xifra i després no tenir enlloc on anar amb aquesta conclusió.
Pro li dona un lloc on anar. Al voltant de l'etapa de redacció fa una recol·lecció de coneixement: identifica els fets concrets que li falten o dels quals dubta, consulta un segon model més gran exactament sobre aquests, i incorpora el que rep a la resposta millorada. És una consulta dirigida, motivada per un buit que el mateix model ha anomenat, no una segona opinió genèrica.
A la pràctica importen dues propietats. És acotada: la recol·lecció pregunta pels buits identificats en lloc de tornar a plantejar tota la pregunta, de manera que el model més gran es consulta allà on aporta informació i no allà on només aportaria una veu diferent. I està integrada: els fets recollits tornen a passar pel bucle i s'enfronten a la mateixa revisió que la resta, en lloc d'arribar com un paràgraf enganxat.
Què canvia això sobre la incertesa
L'efecte més útil de la recol·lecció no és que Pro sàpiga més coses. És que la incertesa de Pro esdevé accionable. Un model que només sap que dubta ha de triar entre matisar-ho tot i afirmar amb seguretat. Un que pot convertir «no n'estic segur» en «doncs vaig a esbrinar-ho» matisa en menys llocs i és concret en més.
05El raonament és visible, i és en la teva llengua
Tota la traça se't mostra mentre s'executa el torn: el raonament i, a Pro, cada revisió i què hi va objectar. Això no és una vista de depuració que tolerem exposar: és bona part del que estàs comprant, i canvia la relació de treball de tres maneres concretes.
- Pots aturar-ho aviat. Si el raonament interpreta malament la teva pregunta — un desenllaç habitual d'una consulta ambigua, no d'un mal model — ho descobreixes als primers segons, no quan arriba una resposta sencera que resol el problema equivocat.
- Pots auditar el raonament separadament de la resposta. Una resposta correcta assolida amb un raonament erroni és un risc, perquè no sobreviurà a la pregunta següent.
- Pots veure com falla el bucle. Quan Pro crema diverses iteracions sense convergir, això es mostra en lloc d'amagar-se — i és informació real, que normalment vol dir que la pregunta està poc especificada.
La traça s'escriu en la teva pròpia llengua, no es genera en anglès i es tradueix al final. Si treballes en japonès, àrab, turc o portuguès, el model raona en aquella llengua — cosa que manté la terminologia de la traça coherent amb la de la resposta i evita les costures que apareixen quan un model pensa en una llengua i parla en una altra.
06Sense censura: cap capa de refús, cap filtre de sortida
Shannon 3 s'ofereix sense cap capa de refús i sense cap filtratge de contingut a la sortida. El comportament de refús no és present al producte en cap nivell: ni com un embolcall que inspecciona el teu missatge abans que el model el vegi, ni com un classificador que inspecciona la resposta abans que tu la vegis, ni com un reflex del qual s'hagi de convèncer el model perquè hi renunciï. Això és materialment diferent de les dues coses que la gent sol voler dir quan diu «sense censura»:
| Enfocament | Què fa | Com falla |
|---|---|---|
| Jailbreak per instrucció de sistema | Indica a un model alineat que es comporti com si no ho estigués | Es degrada al llarg d'una conversa llarga; el refús torna quan s'hi insisteix |
| Eliminació del filtre de sortida | Deixa de bloquejar text que el model ja havia produït | El model continua escrivint text evasiu i ple de matisos: no s'havia bloquejat res, mai no es va arribar a escriure |
| Shannon 3 | No hi ha cap capa de refús per eliminar ni cap filtre per desactivar: el comportament senzillament no hi és | Et deixa a tu tot el criteri; el model no declinarà en nom teu |
A la pràctica, Shannon 3 respon la pregunta que has fet i no la pregunta més segura del costat: ficció amb antagonistes reals, temes de seguretat tractats tècnicament i no a l'altura d'una nota de premsa, informació mèdica, legal i financera donada directament amb les advertències que realment corresponen — i sense cap sermó final sobre per què podries haver-ho preguntat. Tampoc no rebaixa el bucle: una revisió és lliure de dir que l'esborrany és erroni, i això és un tipus de resistència diferent i més útil que un refús.
El que no fa l'absència d'una capa de refús és fer que el model sigui correcte. Un model sense censura és exactament igual de capaç d'equivocar-se amb seguretat que un de censurat, i encara més visiblement, ja que no es refugiarà en la vaguetat quan dubti. Aquest és un dels millors arguments a favor del bucle: sense cap reflex de refús pel mig, l'autorevisió fa la feina de seguretat que importa a un usuari professional — detectar errors. El teu ús del model continua regit per la nostra Política d'ús responsable i per la llei del lloc on et trobis.
No publiquem cap puntuació de benchmark per a Shannon 3 ni fem cap afirmació comparativa directa contra altres models. El benefici del bucle és estructural — detecta classes d'error que una sola passada no pot detectar — i preferim descriure aquest mecanisme amb precisió que no pas adjuntar-hi un número que no hem verificat de manera independent. Tot el que hi ha més amunt descriu què fa un torn; la manera més ràpida de comprovar-ho és executar-ne un i llegir la traça.
07Visió, documents i generació d'imatges
Tots dos nivells accepten imatges i documents com a adjunts i els llegeixen com a part del torn. Una captura de pantalla d'una compilació que falla, una pissarra fotografiada, un esquema, la pàgina escanejada d'un contracte o un PDF poden ser el tema de la pregunta i no una cosa que hagis de transcriure primer. A Pro, els adjunts participen al bucle com tota la resta: si una revisió decideix que l'esborrany ha respost una cosa que la imatge no sosté, això es reescriu.
La generació i l'edició d'imatges estan disponibles al xat com a eina, no com la finalitat del model. Shannon 3 és un model de raonament que pot produir o editar una imatge quan la conversa ho demana, no un model d'imatge amb una interfície de xat enganxada. La distinció fixa bé les expectatives: jutja la família per com pensa, i tracta les imatges com una comoditat que t'estalvia un canvi de context.
08Finestra de context, i cap on va anar la línia 3.x
Shannon 3.0 es va llançar amb una finestra de context de 32.768 tokens. Aquesta és la xifra històrica honesta, i val la pena dir-la clarament, perquè un bucle consumeix context de manera diferent d'un model d'una sola passada: la teva consulta, els teus adjunts, el raonament i cada cicle d'esborrany i revisió viuen dins del mateix pressupost.
32K és còmode per a la major part de la feina de xat i d'anàlisi — un document llarg, un fitxer de codi substancial, una pregunta detallada de diverses parts amb espai perquè el bucle s'executi. És just per a entrades genuïnament grans, i aquesta limitació és exactament el que va abordar la versió següent. Shannon 3.1 amplia substancialment la finestra de context i canvia cap on es pot apuntar el bucle; si avaluïs la família avui, llegeix aquell article en segon lloc i tracta la xifra d'aquí com a història.
09Cridar Shannon 3 des de l'API
Shannon 3 està disponible mitjançant els tres dialectes de la nostra API, sobre els mateixos models, amb streaming a cadascun:
| Dialecte | Endpoint | Fes-lo servir quan |
|---|---|---|
| Compatible amb OpenAI | /v1/chat/completions | Ja tens codi de client d'OpenAI: canvia l'URL base i l'identificador de model |
| Compatible amb Anthropic | /v1/messages | La teva pila està construïda al voltant del format Messages |
| Responses | /v1/responses | Vols la forma de petició i resposta més recent |
Passa shannon-3 o shannon-3-pro com a identificador de model. Al costat del client val la pena preveure dues coses. Els torns de Pro triguen més, i en una quantitat variable, perquè el nombre d'iteracions depèn de la pregunta: fixa els temps d'espera contra el sostre i no contra la mitjana, i prioritza el streaming perquè l'usuari vegi progrés en lloc d'un indicador giratori. I la traça de raonament és contingut que pots optar per mostrar; allà on els usuaris esperen, mostrar-la sol ser millor que amagar-la, perquè converteix temps mort en una cosa llegible. Els esquemes de petició i resposta, els detalls de streaming i un entorn de proves en directe són a la documentació de l'API.
10Com triar un nivell
El bucle de Pro es guanya la seva latència en proporció a quantes coses hi ha per equivocar.
| La teva tasca | Nivell | Per què |
|---|---|---|
| Pregunta factual ràpida, resposta curta | shannon-3 | El primer esborrany és la resposta; la revisió no té res a detectar |
| Automatització de molt volum o limitada per latència | shannon-3 | Un temps de torn previsible és la restricció que mana |
| Anàlisi de diverses parts amb restriccions | shannon-3-pro | Les subpreguntes descartades i els incompliments de restriccions són justament el que detecta la revisió |
| Escriptura llarga que s'ha de sostenir | shannon-3-pro | La contradicció interna és una propietat de l'extensió completa, invisible mentre es redacta |
| Qualsevol cosa amb números sobre els quals actuaràs | shannon-3-pro | La revisió torna a comprovar l'aritmètica i les unitats contra el raonament |
| Preguntes que toquen fets al límit del model | shannon-3-pro | La recol·lecció de coneixement converteix un buit anomenat en una consulta |
Un patró pràctic: fes servir Lite mentre encara estàs decidint què vols preguntar, i després torna a executar la pregunta ja fixada un cop a Pro. Val la pena pagar el bucle per la versió de la pregunta que realment volies fer.
11Limitacions que val la pena conèixer abans de decidir-te
Una fitxa de model que només llista virtuts és un anunci. Vet aquí on Shannon 3 et decebrà:
- Pro és més lent, i de manera imprevisible. Un torn que convergeix en dues iteracions i un que arriba a deu difereixen diverses vegades en temps de rellotge. Si necessites una latència acotada, fes servir Lite.
- La revisió no és una demostració. Un model que comprova la seva pròpia feina comparteix els seus propis punts cecs. El bucle detecta de manera fiable la incoherència entre raonament i esborrany; no detecta de manera fiable un error sostingut amb seguretat dins del mateix raonament.
- El context es comparteix amb el bucle. A 32K, una entrada molt llarga més diversos esborranys d'extensió completa és una limitació real a la 3.0. Consulta Shannon 3.1 per al sostre ampliat.
- La recol·lecció només omple els buits que el model detecta. Converteix «no n'estic segur» en una consulta, cosa que és un guany real — però un fet sobre el qual el model s'equivoca amb seguretat no es marca mai com a mancant, així que mai no es recull.
- Sense censura vol dir sense censura. El model no refusarà i no suavitzarà. Si el teu producte necessita un límit de refús, construeix-lo on el puguis veure en lloc d'esperar que el model te'l proporcioni.
12Preguntes freqüents
Què és Shannon 3?
Shannon 3 és una família de models sense censura executats al nostre propi clúster de GPU. El que la distingeix és la forma d'un torn: en lloc d'una sola passada endavant, pensa, redacta una resposta i tot seguit revisa aquest esborrany contra el seu propi raonament i el reescriu. S'ofereix en dos nivells, shannon-3 (Lite) i shannon-3-pro (Pro).
Quina diferència hi ha entre Shannon 3 Lite i Shannon 3 Pro?
Lite executa una única passada de pensar i redactar, i manté la latència a prop de la d'un model ordinari. Pro executa el bucle complet: revisa i reescriu cada esborrany durant un màxim de 10 iteracions i s'atura tan bon punt una revisió l'aprova. Pro també fa una recol·lecció de coneixement, consultant un segon model més gran per als fets que ha identificat com a mancants.
Shannon 3 és realment sense censura?
Sí. Shannon 3 s'ofereix sense cap capa de refús i sense cap filtre de contingut a la sortida. El comportament de refús no és present al model mateix, de manera que no hi ha res que reaparegui discretament a mitja conversa llarga com passa amb una personalitat imposada per instrucció. L'ús del model continua regit per la nostra Política d'ús responsable i per la llei del lloc on et trobis.
El bucle de revisió millora realment les respostes?
Ajuda sobretot allà on una sola passada és estructuralment feble: respostes llargues on el final contradiu el principi, preguntes de diverses parts on una part queda descartada en silenci, errors d'aritmètica i d'unitats, i codi que ignora una restricció indicada. Ajuda menys en consultes curtes, on el primer esborrany ja és la resposta. Per això existeix Lite.
Què passa si la revisió no aprova mai l'esborrany?
El bucle s'atura al seu sostre de 10 iteracions i retorna el millor esborrany a què ha arribat, en lloc de donar voltes indefinidament. Com que la traça és visible, també pots llegir les objeccions que no es van resoldre mai — cosa que sol voler dir que la pregunta era prou ambigua perquè cada reescriptura canviés un defecte per un altre, i és un senyal per reformular-la.
Shannon 3 pot llegir imatges i documents?
Sí. Tots dos nivells accepten adjunts d'imatge i de document i els llegeixen com a part del torn, de manera que una captura de pantalla, un diagrama, una pàgina escanejada o un PDF poden ser el tema de la pregunta i no una cosa que hagis de transcriure primer. La generació i l'edició d'imatges també estan disponibles al xat, però com una eina que el model pot cridar, no com la seva finalitat.
Puc veure el raonament del model?
Sí. La traça es mostra mentre s'executa el torn, escrita en la teva pròpia llengua i no traduïda de l'anglès al final. A Pro veus cada cicle de revisió, cosa que fa visible quan el model detecta el seu propi error — i igualment visible quan no ho fa.
Quina finestra de context tenia Shannon 3 en el llançament?
Shannon 3.0 es va llançar amb una finestra de context de 32.768 tokens, compartida entre la teva consulta, els adjunts, la traça de raonament i la resposta. Shannon 3.1 amplia aquesta xifra; consulta l'article de Shannon 3.1 per al número actual.
Prova el bucle tu mateix
Fes la mateixa pregunta dues vegades — un cop a Lite, un cop a Pro — i mira què hi canvia la revisió.
Comença a xatejar Llegeix la documentació de l'APIshannon-3 · shannon-3-pro · streaming als tres dialectes d'API
Shannon 3 és operat per Shannon Lab LLC, Nou Mèxic, EUA. Les xifres d'aquí descriuen la configuració de llançament de la 3.0; consulta la fitxa de model de Shannon 3.1 per als límits actuals i l'índex de recerca per a la resta de la família. No publiquem cap puntuació de benchmark per a Shannon 3 ni fem cap afirmació comparativa de rendiment.