Shannon 3, den ucensurerede AI-model, der gennemgår sit eget svar
En iterativ ræsonneringsløkke på vores egen GPU-klynge: tænk, udkast, gennemgang, omskrivning. Lite kører ét gennemløb. Pro kører op til ti og beder om de fakta, den ved, den mangler.
TL;DR
Shannon 3 er en familie af ucensurerede AI-modeller, der serveres fra vores egen GPU-klynge. Dens kendetegn er formen på en tur: modellen tænker, skriver et udkast og læser så sit eget udkast igennem op mod sin egen tænkning og omskriver det, der ikke holder. Lite (shannon-3) laver ét gennemløb med tænkning og udkast for den laveste latens. Pro (shannon-3-pro) kører hele løkken i op til 10 gentagelser, standser i det øjeblik en gennemgang godkender udkastet, og kører derudover en videnshøst mod en større model for at udfylde fakta, den bemærkede manglede. Hele ræsonneringssporet er synligt, på dit sprog. Billed- og dokumentinput understøttes på begge niveauer. Konteksten ved 3.0-lanceringen var 32,768 tokens.
Næsten alle chatmodeller, du har brugt, svarer i ét enkelt fremadgående gennemløb. De vælger det første token, før de kender det sidste, og når først en sætning er sendt ud, er den bindende: modellen kan modsige den senere, men den kan ikke gå tilbage og rette den. Det virker fint, når svaret er kort, og spørgsmålet har én del. Det virker dårligt, når svaret er langt, spørgsmålet har fire dele, og afsnit seks stille og roligt underkender afsnit to. Shannon 3 findes, fordi vi ikke mente, at løsningen på det var en større model. Løsningen er at lade modellen læse det, den lige har skrevet.
01Hvad Shannon 3 er
Shannon 3 er en modelfamilie i to niveauer. Begge niveauer kører på vores egen GPU-klynge frem for på et tredjeparts inferens-API, og begge er ucensurerede: der er intet afvisningslag foran dem og intet indholdsfilter bagved. Det, der adskiller niveauerne, er, hvor meget arbejde en enkelt tur må udføre, før svaret når frem til dig.
På API'et er de to niveauer helt almindelige model-id'er. Der er intet særligt endpoint, intet separat SDK og intet skræddersyet forespørgselsformat:
| Niveau | Model-id | Turens form | Bedst til |
|---|---|---|---|
| Shannon 3 Lite | shannon-3 | Ét gennemløb med tænkning + udkast | Chat, tekstudkast, opslag, høj volumen |
| Shannon 3 Pro | shannon-3-pro | Hele løkken, op til 10 gennemløb, plus videnshøst | Analyse, lange tekster, arbejde hvor korrekthed er kritisk |
02Hvorfor ét fremadgående gennemløb er den forkerte form til svære spørgsmål
En model, der genererer tekst fra venstre mod højre, træffer en uigenkaldelig række af lokale beslutninger. Den har ikke noget viskelæder. Når den er 400 tokens inde i en forklaring og indser, at den ramme, den valgte, var forkert, er de eneste muligheder at fortsætte i den forkerte ramme eller at føje en rettelse til — hvilket giver de svar, alle genkender: dem, der midtvejs siger faktisk, hvis vi vender tilbage til ovenstående, og efterlader dig med at forene to uforenelige halvdele.
Tankekæder forbedrer det, men løser det ikke. At tænke først giver modellen en plan, før den binder sig til prosa, og det er en reel gevinst; det udkast, der følger, skrives stadig i ét gennemløb og sendes stadig af sted ulæst. Intet stiller nogensinde det spørgsmål, en menneskelig redaktør stiller først: gør dette svar rent faktisk det, tænkningen sagde, det ville? De fejltyper, der overlever tankekæder, er specifikke og genkendelige:
- Tabte delspørgsmål. Du spurgte om fire ting. Tænkningen listede fire ting. Svaret dækker tre.
- Plandrift. Ræsonnementet lander på en tilgang; prosaen antager gradvist en anden, og ingen enkelt sætning er dér, hvor det gik galt.
- Regnestykker og enheder. Et tal, der er beregnet korrekt i tænkningen, overføres forkert til svaret, eller et månedstal præsenteres som et årstal.
- Ignorerede begrænsninger. Du sagde ingen eksterne afhængigheder; koden importerer en, og tænkningen nævner aldrig begrænsningen igen, efter at have anerkendt den.
- Selvsikre huller. Modellen siger i tænkningen, at den er usikker på ét bestemt faktum, og fremsætter det så alligevel kategorisk i svaret.
Alle disse fanges ved at læse udkastet. Ingen af dem fanges ved at generere udkastet mere omhyggeligt.
03Ræsonneringsløkken, trin for trin
En tur med Shannon 3 Pro er en løkke med fire trin og en udgangsbetingelse.
Tænk
Modellen arbejder med problemet, før den skriver noget til dig: den bryder spørgsmålet op, noterer begrænsninger, identificerer hvad den ved og ikke ved, og lander på en tilgang. Det, den producerer her, bliver den målestok, svaret senere måles op imod.
Udkast
Modellen skriver et komplet, rigtigt svar — ikke en disposition. Det skal være komplet, fordi næste trin evaluerer et færdigt produkt, og en skitse kan ikke gennemgås for fejltyper, der først dukker op i fuld længde.
Gennemgang
Det er dette trin, der gør familien til det, den er. Modellen læser udkastet op mod tænkningen — en langt skarpere test end at læse udkastet alene. At spørge en model »er dette svar godt?« inviterer den til at sige ja; at spørge »planen sagde, at X, Y og Z skulle dækkes under begrænsningen C — gør denne tekst det?« giver den noget falsificerbart at tjekke. Gennemgangen navngiver, hvad der er galt, frem for at give en karakter.
Omskrivning
De navngivne problemer bliver rettet i et nyt udkast. Det er en omskrivning, ikke en lap: en rettelse, der kræver, at argumentet omrokeres, må gerne omrokere argumentet. Det nye udkast går tilbage til gennemgang.
Stop
Løkken slutter første gang en gennemgang godkender udkastet — den normale udgang, og på de fleste ture sker det et godt stykke før loftet. Det hårde loft på 10 gentagelser findes for patologiske tilfælde, såsom et reelt tvetydigt spørgsmål, hvor hver omskrivning bytter én fejl ud med en anden, så en tur ikke kan køre i ring i det uendelige.
Lite tager de samme to første trin og standser. Den tænker, den skriver et udkast, den giver dig udkastet. Det er en bevidst produktbeslutning, ikke et afmagret uheld: i en stor del af de rigtige beskeder er det første udkast det rigtige svar, og at betale gennemgangslatens for at få det at vide er en dårlig handel. Lite er til, når du vil have modellen til at være hurtig; Pro er til, når du vil have den til at være sikker.
04Pro's videnshøst: at bede om hjælp i stedet for at gætte
Selvgennemgang fanger modsigelser, udeladelser og brud på begrænsninger, fordi det bevismateriale, der skal til for at fange dem, allerede findes i turen. Den kan ikke fange et faktum, modellen simpelthen ikke har. En model, der gennemgår sit eget udkast, kan konkludere jeg er ikke sikker på dette tal og så ikke have noget sted at gå hen med den konklusion.
Pro giver den et sted at gå hen. Omkring udkaststrinnet udfører den en videnshøst: den identificerer de bestemte fakta, den mangler eller er usikker på, spørger en anden, større model om præcis dem og fletter det, der kommer tilbage, ind i det forbedrede svar. Det er et målrettet opslag drevet af et hul, modellen selv har navngivet, ikke en generel second opinion.
To egenskaber betyder noget i praksis. Den er afgrænset: høsten spørger om de identificerede huller frem for at stille hele spørgsmålet igen, så den større model konsulteres dér, hvor den tilfører information, frem for dér, hvor den blot ville tilføje en anden stemme. Og den er integreret: høstede fakta går tilbage gennem løkken og møder den samme gennemgang som alt andet, i stedet for at ankomme som et påklistret afsnit.
Hvad det ændrer ved usikkerhed
Den mest nyttige effekt af høsten er ikke, at Pro ved mere. Det er, at Pro's usikkerhed bliver handlingsanvisende. En model, der kun ved, at den er usikker, må vælge mellem at tage forbehold overalt og at hævde noget med selvsikkerhed. En model, der kan omsætte »jeg er usikker på dette« til »lad mig gå ud og finde ud af det«, tager forbehold færre steder og er præcis flere steder.
05Ræsonnementet er synligt, og det er på dit sprog
Hele sporet vises for dig, mens turen kører: tænkningen, og på Pro hver gennemgang og hvad den indvendte. Det er ikke en fejlsøgningsvisning, vi tåler at blotlægge — det er en stor del af det, du køber, og det ændrer arbejdsforholdet på tre konkrete måder.
- Du kan stoppe tidligt. Hvis tænkningen misforstår dit spørgsmål — et almindeligt udfald af en tvetydig prompt, ikke af en dårlig model — finder du ud af det i de første par sekunder, ikke efter at et fuldt svar er ankommet og har løst det forkerte problem.
- Du kan revidere ræsonnementet uafhængigt af svaret. Et korrekt svar nået frem til gennem forkert ræsonnement er en risiko, for det overlever ikke det næste spørgsmål.
- Du kan se løkken fejle. Når Pro bruger flere gentagelser uden at konvergere, bliver det vist frem for skjult — og det er reel information, som regel om at spørgsmålet er underspecificeret.
Sporet skrives på dit eget sprog, ikke genereret på engelsk og oversat til sidst. Arbejder du på japansk, arabisk, tyrkisk eller portugisisk, ræsonnerer modellen på det sprog — hvilket holder terminologien i sporet i overensstemmelse med terminologien i svaret og undgår de sømme, der opstår, når en model tænker på ét sprog og taler på et andet.
06Ucensureret: intet afvisningslag, intet outputfilter
Shannon 3 leveres uden afvisningslag og uden indholdsfiltrering af output. Afvisningsadfærd findes ikke i produktet på noget niveau: ikke som en indpakning, der inspicerer din besked, før modellen ser den, ikke som en klassifikator, der inspicerer svaret, før du ser det, og ikke som en refleks, modellen skal tales fra. Det er væsentligt forskelligt fra de to ting, folk normalt mener, når de siger »ucensureret«:
| Tilgang | Hvad den gør | Hvordan den fejler |
|---|---|---|
| Jailbreak via systemprompt | Instruerer en aligned model i at opføre sig, som om den ikke var det | Forfalder over en lang samtale; afvisningen vender tilbage under pres |
| Fjernelse af outputfilter | Holder op med at blokere tekst, modellen allerede har produceret | Modellen skriver stadig forbeholden, undvigende tekst — intet blev blokeret, det blev aldrig skrevet |
| Shannon 3 | Intet afvisningslag at fjerne og intet filter at slå fra — adfærden er der ganske enkelt ikke | Lægger vurderingen helt over på dig; modellen siger ikke fra på dine vegne |
I praksis går Shannon 3 ind i det spørgsmål, du stillede, i stedet for det sikrere spørgsmål ved siden af: fiktion med rigtige antagonister, sikkerhedsemner drøftet teknisk frem for i pressemeddelelseshøjde, medicinsk, juridisk og økonomisk information givet direkte med de forbehold, der faktisk er belæg for — og ingen afsluttende løftet pegefinger om, hvorfor du mon spurgte. Den udvander heller ikke løkken: en gennemgang må gerne sige, at udkastet er forkert, hvilket er en anden og mere nyttig form for modspil end en afvisning.
Hvad fraværet af et afvisningslag ikke gør, er at gøre modellen korrekt. En ucensureret model er præcis lige så i stand til at tage selvsikkert fejl som en censureret, og mere synligt så, eftersom den ikke trækker sig ind i vaghed, når den er usikker. Det er et af de bedre argumenter for løkken: uden en afvisningsrefleks i vejen udfører selvgennemgangen det sikkerhedsarbejde, der betyder noget for en professionel bruger — at fange fejl. Din brug af modellen er fortsat reguleret af vores politik for ansvarlig brug og af lovgivningen dér, hvor du er.
Vi udgiver ingen benchmarkresultater for Shannon 3 og fremsætter ingen direkte sammenligninger med andre modeller. Løkkens fordel er strukturel — den fanger fejlklasser, som ét enkelt gennemløb ikke kan fange — og vi vil hellere beskrive den mekanisme præcist end sætte et tal på den, som vi ikke selv har efterprøvet uafhængigt. Alt ovenstående beskriver, hvad en tur gør; den hurtigste måde at tjekke det på er at køre en og læse sporet.
07Vision, dokumenter og billedgenerering
Begge niveauer accepterer billeder og dokumenter som vedhæftninger og læser dem som en del af turen. Et skærmbillede af et fejlende build, et fotograferet whiteboard, et diagram, en scannet kontraktside eller en PDF kan være emnet for spørgsmålet frem for noget, du først skal transskribere. På Pro deltager vedhæftninger i løkken som alt andet: hvis en gennemgang beslutter, at udkastet har besvaret et spørgsmål, billedet ikke understøtter, bliver det omskrevet.
Billedgenerering og -redigering er tilgængelige i chatten som et værktøj, ikke som modellens formål. Shannon 3 er en ræsonneringsmodel, der kan producere eller redigere et billede, når samtalen kalder på et, ikke en billedmodel med en chatgrænseflade sat på. Sondringen sætter forventningerne rigtigt: bedøm familien på, hvordan den tænker, og betragt billeder som en bekvemmelighed, der sparer et skift af kontekst.
08Kontekstvinduet, og hvor 3.x-linjen gik hen derefter
Shannon 3.0 blev lanceret med et kontekstvindue på 32,768 tokens. Det er det ærlige historiske tal, og det er værd at sige lige ud, for en løkke bruger kontekst anderledes end en model med ét gennemløb: din prompt, dine vedhæftninger, tænkningen og hver eneste udkasts- og gennemgangscyklus lever i det samme budget.
32K er rigeligt til det meste chat- og analysearbejde — et langt dokument, en betydelig kodefil, et detaljeret flerdelt spørgsmål med plads til, at løkken kan køre. Det er stramt til reelt store input, og netop den begrænsning er, hvad den næste udgivelse tog fat på. Shannon 3.1 hæver kontekstvinduet betydeligt og ændrer, hvad løkken kan pege på; vurderer du familien i dag, så læs den artikel som nummer to og betragt tallet her som historie.
09Kald Shannon 3 fra API'et
Shannon 3 er tilgængelig gennem alle tre af vores API-dialekter, på de samme modeller, med streaming på hver af dem:
| Dialekt | Endpoint | Brug den, når |
|---|---|---|
| OpenAI-kompatibel | /v1/chat/completions | Du har eksisterende OpenAI-klientkode — skift base-URL og model-id |
| Anthropic-kompatibel | /v1/messages | Din stak er bygget op omkring Messages-formatet |
| Responses | /v1/responses | Du vil have det nyere forespørgsels-/svarformat |
Send shannon-3 eller shannon-3-pro som model-id. To ting er værd at planlægge efter på klientsiden. Pro's ture tager længere tid, og i varierende grad, fordi antallet af gentagelser afhænger af spørgsmålet — sæt timeouts efter loftet frem for efter gennemsnittet, og foretræk streaming, så brugeren ser fremdrift i stedet for en spinner. Og ræsonneringssporet er indhold, du kan vælge at vise; dér hvor brugere venter, slår det som regel at vise det at skjule det, fordi det forvandler død tid til noget læsbart. Forespørgsels- og svarskemaer, streamingdetaljer og en live legeplads findes i API-dokumentationen.
10Valg af niveau
Pro's løkke fortjener sin latens i forhold til, hvor meget der er at tage fejl af.
| Din opgave | Niveau | Hvorfor |
|---|---|---|
| Hurtigt faktuelt spørgsmål, kort svar | shannon-3 | Det første udkast er svaret; gennemgangen har ikke noget at fange |
| Automatisering med høj volumen eller latenskrav | shannon-3 | Forudsigelig turtid er den bindende begrænsning |
| Flerdelt analyse med begrænsninger | shannon-3-pro | Tabte delspørgsmål og brud på begrænsninger er præcis, hvad gennemgangen fanger |
| Lange tekster, der skal hænge sammen | shannon-3-pro | Indre modsigelse er en egenskab ved den fulde længde, usynlig mens man skriver |
| Alt med tal, du vil handle på | shannon-3-pro | Gennemgangen tjekker regnestykker og enheder efter op mod tænkningen |
| Spørgsmål, der rører ved fakta i modellens yderkant | shannon-3-pro | Videnshøsten forvandler et navngivet hul til et opslag |
Et praktisk mønster: brug Lite, mens du stadig finder ud af, hvad du vil spørge om, og kør så det færdige spørgsmål én gang på Pro. Løkken er værd at betale for på den version af spørgsmålet, du faktisk mente.
11Begrænsninger, det er værd at kende, før du binder dig
Et modelkort, der kun lister styrker, er en reklame. Her er, hvor Shannon 3 vil skuffe dig:
- Pro er langsommere, og uforudsigeligt så. En tur, der konvergerer på to gentagelser, og en, der kører helt til ti, adskiller sig flere gange i faktisk tidsforbrug. Har du brug for afgrænset latens, så brug Lite.
- Gennemgang er ikke bevis. En model, der tjekker sit eget arbejde, deler sine egne blinde vinkler. Løkken fanger pålideligt uoverensstemmelser mellem tænkning og udkast; den fanger ikke pålideligt en fejl, der holdes med selvsikkerhed i selve tænkningen.
- Konteksten deles med løkken. Ved 32K er et meget langt input plus flere fuldlængdeudkast en reel begrænsning på 3.0. Se Shannon 3.1 for det hævede loft.
- Høsten udfylder kun de huller, modellen bemærker. Den forvandler »jeg er usikker på dette« til et opslag, hvilket er en reel gevinst — men et faktum, modellen tager selvsikkert fejl af, markeres aldrig som manglende, så det bliver aldrig høstet.
- Ucensureret betyder ucensureret. Modellen afviser ikke og blødgør ikke. Har dit produkt brug for en afvisningsgrænse, så byg den, hvor du kan se den, frem for at håbe på, at modellen leverer en.
12Ofte stillede spørgsmål
Hvad er Shannon 3?
Shannon 3 er en familie af ucensurerede modeller, der kører på vores egen GPU-klynge. Det, der adskiller den, er formen på en tur: i stedet for ét fremadgående gennemløb tænker den, skriver et udkast til et svar og gennemgår så det udkast op mod sin egen tænkning og omskriver det. Den findes i to niveauer, shannon-3 (Lite) og shannon-3-pro (Pro).
Hvad er forskellen på Shannon 3 Lite og Shannon 3 Pro?
Lite kører ét enkelt gennemløb med tænkning og udkast og holder dermed latensen tæt på en almindelig model. Pro kører hele løkken, gennemgår og omskriver hvert udkast i op til 10 gentagelser og stopper tidligt i det øjeblik, en gennemgang godkender det. Pro udfører desuden en videnshøst, hvor den spørger en anden, større model om de fakta, den har identificeret som manglende.
Er Shannon 3 virkelig ucensureret?
Ja. Shannon 3 leveres uden afvisningslag og uden indholdsfilter på output. Afvisningsadfærd findes ikke i selve modellen, så der er ikke noget, der stille vender tilbage midt i en lang samtale, sådan som en promptet persona gør. Brugen af modellen er stadig reguleret af vores politik for ansvarlig brug og af lovgivningen dér, hvor du er.
Gør gennemgangsløkken faktisk svarene bedre?
Den hjælper mest, hvor ét enkelt gennemløb er strukturelt svagt: lange svar, hvis slutning modsiger deres begyndelse, flerdelte spørgsmål, hvor én del stille droppes, fejl i regnestykker og enheder, og kode, der ignorerer en angivet begrænsning. Den hjælper mindst ved korte opslag, hvor det første udkast allerede er svaret. Det er derfor, Lite findes.
Hvad sker der, hvis gennemgangen aldrig godkender udkastet?
Løkken stopper ved sit loft på 10 gentagelser og returnerer det bedste udkast, den nåede frem til, i stedet for at køre i ring i det uendelige. Fordi sporet er synligt, kan du også læse de indvendinger, der aldrig blev løst — hvilket som regel betyder, at spørgsmålet var tvetydigt nok til, at hver omskrivning byttede én fejl ud med en anden, og er et signal om at omformulere det.
Kan Shannon 3 læse billeder og dokumenter?
Ja. Begge niveauer accepterer billed- og dokumentvedhæftninger og læser dem som en del af turen, så et skærmbillede, et diagram, en scannet side eller en PDF kan være emnet for spørgsmålet frem for noget, du først skal transskribere. Billedgenerering og -redigering er også tilgængelige i chatten, men som et værktøj, modellen kan kalde, ikke som dens formål.
Kan jeg se modellens ræsonnement?
Ja. Sporet vises, mens turen kører, skrevet på dit eget sprog i stedet for oversat tilbage fra engelsk til sidst. På Pro følger du hver gennemgangscyklus, hvilket gør det synligt, når modellen fanger sin egen fejl — og lige så synligt, når den ikke gør.
Hvor stort var Shannon 3's kontekstvindue ved lanceringen?
Shannon 3.0 blev lanceret med et kontekstvindue på 32,768 tokens, delt mellem din prompt, eventuelle vedhæftninger, ræsonneringssporet og svaret. Shannon 3.1 hæver det tal; se artiklen om Shannon 3.1 for det aktuelle antal.
Prøv løkken selv
Stil det samme spørgsmål to gange — én gang på Lite, én gang på Pro — og se, hvad gennemgangen ændrer.
Start en chat Læs API-dokumentationenshannon-3 · shannon-3-pro · streaming på alle tre API-dialekter
Shannon 3 drives af Shannon Lab LLC, New Mexico, USA. Tallene her beskriver 3.0-lanceringskonfigurationen; se modelkortet for Shannon 3.1 for aktuelle grænser og forskningsoversigten for resten af familien. Vi udgiver ingen benchmarkresultater for Shannon 3 og fremsætter ingen sammenlignende påstande om ydeevne.