Shannon 3.1

A maioría dos lanzamentos de modelos pídenche que aceptes unha promesa de capacidade por fe e que agardes a que unha táboa de benchmarks resolva a discusión. Este é máis doado de comprobar: abre dúas pestanas, pon o mesmo prompt en shannon-3 e en shannon-3.1, e mira. A diferenza na rapidez coa que chega a resposta non é sutil, e non é un truco de renderizado. Shannon 3.0 estaba limitado a propósito. Shannon 3.1 non.

01Que cambiou realmente en Shannon 3.1

Shannon 3.0 introduciu o que define esta familia: un bucle de razoamento iterativo. O modelo non responde co seu primeiro pensamento. Pensa, redacta, revisa o seu propio borrador fronte á pregunta e mellórao. Lite executa unha pasada dese bucle; Pro executa o bucle completo, incluído un paso de recolleita de coñecemento antes de redactar. Ese deseño descríbese en detalle no artigo de investigación de Shannon 3, e nada diso cambiou en 3.1.

O que cambiou é a maquinaria de debaixo. Shannon 3.0 servíase a través dun provedor de inferencia de terceiros — unha forma razoable de lanzar un modelo, e unha forma limitante de operalo. Herdas a configuración de servizo doutra persoa, a súa cola, o seu teito de contexto e a súa idea de cantos tokens por segundo se che permite ter. Shannon 3.1 execútase no noso propio clúster de GPU, sobre unha pila de servizo que configuramos nós, e todas as cifras destacadas deste artigo derivan desa única decisión.

	Shannon 3.0	Shannon 3.1
Onde se executa	Provedor de terceiros	O noso propio clúster de GPU
Xanela de contexto	32,768	196,608
Streaming de saída	Con cadencia / taxa limitada	Velocidade plena do motor
Pesos	Predeterminados do provedor	NVFP4 de 4 bits
Decodificación	Estándar	Especulativa
Bucle de razoamento	Pensar → redactar → revisar → mellorar	Sen cambios
Capa de negativas	Ningunha	Ningunha
Identificadores de modelo	shannon-3, shannon-3-pro	shannon-3.1, shannon-3.1-pro

02Por que Shannon 3.1 parece 10-15x máis rápido

A cifra de velocidade é a primeira que a xente consulta, así que paga a pena ser preciso sobre de onde vén. Hai dúas contribucións independentes, e a maior é a menos vistosa das dúas.

Eliminamos o limitador de velocidade

A saída de Shannon 3.0 pasaba por unha capa de cadencia. Os tokens saían do motor, retíñanse e liberábanse á túa conexión seguindo unha planificación. Isto non era un accidente nin un erro. Cando un provedor de inferencia compartido é o pescozo de botella, marcar a cadencia da saída suaviza a carga, evita que unha xeración longa monopolice unha rañura e fai que o fluxo chegue cun ritmo previsible e lexible en lugar de a rachas. É unha decisión de enxeñaría defendible, e custáballe a cada usuario tempo real de reloxo en cada resposta.

Shannon 3.1 non ten limitador de velocidade nin cadencia de revelado. Os tokens escríbense no teu fluxo a medida que o motor os produce. Se o motor está xerando rápido, ves como xera rápido. Non hai búfer de suavizado entre o modelo e a túa terminal, a túa xanela de chat ou o teu lector de SSE. Para unha resposta longa — unha análise de 2.000 tokens, un ficheiro de código xerado — só isto xa explica a maior parte da mellora que notarás.

Unha consecuencia honesta: agora o fluxo é irregular. A decodificación especulativa (máis abaixo) emite os tokens aceptados en secuencias curtas, así que o texto pode chegar en bloques visibles en lugar de cunha cadencia metronómica palabra a palabra. Se construíches interface arredor da cadencia suave de 3.0, seguirá funcionando — a orde e o contido dos tokens non se ven afectados — pero quizais queiras reintroducir a túa propia suavización no cliente se preferías o efecto de máquina de escribir. Cremos que a maioría prefire recuperar os segundos.

O propio motor volveuse máis rápido

Eliminar o limitador só axuda se o que hai detrás del é rápido. A segunda contribución é a pila de servizo descrita na sección 03: pesos NVFP4 de 4 bits e decodificación especulativa sobre aceleradores de xeración actual con soporte nativo de FP4 no noso propio clúster. Xuntos elevan o teito que deixa ao descuberto a eliminación do limitador.

Latencia relativa de resposta de extremo a extremo, avaliación interna de Shannon Lab, setembro de 2026. O intervalo reflicte a lonxitude do prompt e o nivel: os prompts curtos en Lite quedan preto do extremo baixo, e as xeracións longas en Pro preto do alto.

03Que fai realmente a decodificación especulativa

"Decodificación especulativa" úsase como palabra de márketing, así que aquí está o mecanismo, en termos claros.

Un modelo de linguaxe produce normalmente un token por pasada cara adiante. Esa pasada non está dominada pola aritmética senón polo ancho de banda de memoria — hai que ler os pesos para calcular calquera cousa, e lelos leva moito máis tempo que as contas. A GPU pasa a maior parte do tempo agardando pola memoria coas súas unidades de cálculo paradas. Xerar 500 tokens significa pagar esa latencia 500 veces, de forma secuencial.

A decodificación especulativa ataca a parte secuencial. Un modelo borrador pequeno e barato propón unha secuencia curta de tokens seguintes probables — digamos catro ou oito. O modelo principal avalía entón esa secuencia enteira nunha soa pasada cara adiante por lotes, que custa apenas máis que avaliar un só token, porque a parte cara (ler os pesos) ocorre unha vez en calquera caso. Cada token proposto co que o modelo principal coincide acéptase e emítese de inmediato. Na primeira discrepancia, a secuencia trúncase e a decodificación normal retómase desde aí.

A taxa de aceptación é a que fai o traballo. En texto previsible — código repetitivo, estrutura de código, o tecido conectivo dun argumento — o modelo borrador acerta ben e chegan secuencias longas dunha vez. En tokens realmente difíciles, a aceptación cae e o sistema degrádase con elegancia á decodificación ordinaria token a token. Esa asimetría é a que queres: acelera as partes fáciles e non toca as difíciles.

Por que os pesos de 4 bits pertencen ao mesmo parágrafo

Como o pescozo de botella é o ancho de banda de memoria, reducir os pesos é unha panca directa de velocidade, non só de pegada de memoria. NVFP4 é un formato de coma flotante de 4 bits con escalado por bloques de gran fino, que é o que lle permite manter a precisión onde os esquemas máis vellos de cuantización enteira de 4 bits a perdían. Aproximadamente unha cuarta parte dos bytes que hai que ler por pasada significa proporcionalmente menos tempo agardando pola memoria, e deixa moita máis marxe para a caché KV de contexto longo que esixe unha xanela de 196K.

Ambos os dous efectos compóñense en lugar de simplemente sumarse: menos bytes por pasada, e menos pasadas por token emitido. Iso é o que fai que o streaming sen limitar e a velocidade plena sexa asumible de servir en lugar dun custo que teriamos que recuperar mediante a cadencia — que é exactamente o que facía a capa de cadencia en 3.0.

04196,608 tokens: que desbloquea unha xanela 6x

Shannon 3.0 tiña unha xanela de 32,768 tokens: unha sesión de traballo, non un documento. Arredor de 70-80 páxinas de prosa, menos o que o bucle de razoamento consome no seu propio pensamento, menos o teu prompt de sistema, menos a conversa ata ese momento. O traballo real chocaba con ese muro constantemente, e as solucións de emerxencia — fragmentar, resumir, recuperar sobre o teu propio material — degradan todas aquilo que tratabas de preservar. 196,608 tokens é unha categoría de problema distinta.

En concreto, iso é da orde de 400-500 páxinas de texto, ou unha base de código de tamaño medio coas súas probas e o seu README, ou un ano de notas de reunión dun proxecto, ou un conxunto contractual completo con todos os seus anexos — mantido nunha soa conversa, consultable nunha soa pregunta, sen capa de fragmentación entre ti e o material.

• Preguntas sobre todo o repositorio. Carga o código e pregunta por que un erro chega a produción, en lugar de pegar os tres ficheiros que xa sospeitabas. O modelo pode atopar o ficheiro que non se che ocorreu incluír.
• Análise de documentos longos sen recuperación. A recuperación é un prefiltro con perdas que decide o que o modelo ten permitido ver. Con 196K moitas veces podes saltala e deixar que o modelo lea todo, o que elimina toda unha clase de fallo na que o fragmento correcto nunca se recuperaba.
• Conversas que se manteñen coherentes. Unha sesión de traballo longa xa non descarta en silencio o seu propio comezo. As restricións que fixaches na mensaxe tres seguen a aplicarse na mensaxe oitenta.
• Espazo para o bucle de razoamento. O propio pensamento, redacción e revisión do bucle consomen contexto. En 3.0 eses pasos competían co teu material por un orzamento escaso. En 3.1 caben con folgura, o que forma parte da razón pola que a mellora de calidade e o aumento da xanela chegaron xuntos.
• Entradas mixtas grandes. Imaxes, texto extraído de documentos e código nunha soa quenda, sen ter que decidir cales podes permitirte incluír.

Unha advertencia honesta que se aplica a todos os modelos de contexto longo, incluído o noso: unha xanela grande é unha capacidade, non unha garantía de atención uniforme ao longo dela. A estrutura segue axudando. Poñer a pregunta preto do final, etiquetar os teus documentos e dicirlle ao modelo que debe buscar melloran de forma medible os resultados con 150K tokens dun xeito que simplemente non ocorre con 5K.

05Lite e Pro: shannon-3.1 e shannon-3.1-pro

Os dous niveis difiren en canto do bucle de razoamento executan, e esa é a única diferenza que importa para escoller entre eles.

	shannon-3.1 (Lite)	shannon-3.1-pro (Pro)
Razoamento	Unha soa pasada	Bucle completo + recolleita de coñecemento
Autorrevisión	Non	Si
Xanela de contexto	196,608	196,608
Streaming	Velocidade plena, sen limitar	Velocidade plena, sen limitar
Visión e documentos	Si	Si
Ferramenta de xeración de imaxes	Si	Si
Mellor para	A maior parte do traballo, alto volume	Preguntas difíciles, cando o primeiro borrador non abonda

Usa Lite por defecto. Unha pasada dun bo modelo de razoamento resolve a gran maioría das peticións reais, e en 3.1 é o bastante rápido como para que o bucle xa non sexa algo que sintas agardando. Recorre a Pro cando a pregunta sexa desas nas que unha primeira resposta adoita estar equivocada dun xeito instrutivo: compromisos arquitectónicos, análise adversaria, calquera cousa na que quererías que un colega competente o consultase coa almofada. O paso de autorrevisión de Pro non é decoración — é o modelo atopando os seus propios erros antes de que teñas que facelo ti.

06A mellora do 32% en intelixencia, e como interpretala

A avaliación propia de Shannon Lab sitúa Shannon 3.1 nunha mellora do 32% en intelixencia sobre Shannon 3.0. Queremos ser claros sobre o que iso é e o que non é.

É a nosa cifra, do noso conxunto de avaliación interno, medida en tarefas que consideramos representativas do que a xente trae realmente a estes modelos. Non é un benchmark de terceiros, e non estamos construíndo unha táboa de clasificación arredor dun único agregado interno nin publicando un desglose por benchmark — un desglose implicaría un nivel de comparabilidade externa que un conxunto interno non ten.

O que si diremos é de onde vén a mellora, porque esa parte non ten misterio. Unha xanela de contexto máis grande significa que hai que descartar menos material antes de que o modelo razoe sobre el, e boa parte da aparente falta de intelixencia en sesións longas é en realidade amnesia. Unha pila de servizo que controlamos significa que o modelo se executa coa configuración que pretendiamos e non cos valores predeterminados dun provedor. E o bucle de razoamento — sen cambios no deseño — ten agora espazo para executarse de verdade dentro da xanela en lugar de estar apertado contra un teito de 32K que compartía coa túa entrada.

07Visión, documentos e xeración de imaxes

Shannon 3.1 le imaxes e documentos. Capturas de pantalla, diagramas, fotografías, páxinas escaneadas, PDF e documentos de texto poden entrar na conversa e razoarse xunto a todo o demais. Combinado coa xanela de 196K, isto é o que fai prácticos os fluxos de traballo sobre documentos enteiros: un informe longo e as súas gráficas nunha soa quenda, sen decidir de antemán que páxinas ten permitido ver o modelo.

A xeración e edición de imaxes están dispoñibles no chat como ferramenta. Pide unha imaxe e o modelo chama á ferramenta en liña, na mesma conversa, co contexto de todo o falado ata ese momento. A edición funciona igual — dálle unha imaxe e describe o cambio. Non hai un modo aparte ao que cambiar nin unha interface distinta que aprender.

08Chamar a Shannon 3.1 desde a API

Shannon 3.1 está dispoñible nos tres dialectos da API, con streaming en cada un. Os mesmos modelos, tres formatos de petición — escolle o que encaixe co SDK que xa tes.

Punto final	Formato	Streaming
/v1/chat/completions	Compatible con OpenAI	Si
/v1/messages	Compatible con Anthropic	Si
/v1/responses	Responses	Si

{
  "model": "shannon-3.1",
  "stream": true,
  "messages": [
    { "role": "user", "content": "Summarize this contract set and flag anything unusual." }
  ]
}

Cambia "shannon-3.1" por "shannon-3.1-pro" para executar o bucle de razoamento completo. Se xa estás chamando a shannon-3, a migración é o identificador do modelo e nada máis: os formatos de petición e resposta non cambian, e os clientes de streaming existentes seguen funcionando. A única diferenza de comportamento que debes esperar é o fluxo máis irregular descrito na sección 02 — os mesmos tokens, na mesma orde, chegando antes e en bloques menos uniformes.

A referencia completa de parámetros, a autenticación, a semántica de erros e un playground interactivo están na documentación da API. Outras tarxetas de modelo e artigos técnicos están en Shannon research.

09Segue sen censura, e sen cambios nese aspecto

Shannon 3.1 non ten capa de negativas nin filtrado de contido na saída. Esta é a mesma postura que o resto da liña Shannon e non cambiou co traslado ao noso propio clúster — se acaso, controlar a pila de servizo faino máis doado de garantir, porque non hai un provedor intermedio coa súa propia política entre o modelo e ti.

Paga a pena dicilo claramente porque é o obvio que preguntarse ante un lanzamento que cambiou toda a ruta de saída: eliminar a capa de cadencia non significou inserir unha capa de moderación no seu lugar. Nada inspecciona, reescribe nin filtra o fluxo. O que o modelo produce é o que chega. Shannon 3.1 é, ata onde sabemos, o modelo de IA sen censura máis rápido dispoñible cunha xanela de contexto deste tamaño — e as dúas propiedades están relacionadas, xa que ambas veñen de executar a nosa propia infraestrutura en lugar de alugar capacidade axustada a normas de cumprimento a outra persoa.

Sen censura non é o mesmo que sen responsabilidade. O uso réxese pola nosa Política de Uso Responsable, e a obriga que vén cun modelo que se enfrontará a material difícil é que ti o fagas de xeito responsable.

10Fai a comparación ti mesmo

Cada afirmación deste artigo pódese comprobar en cousa de dous minutos, e preferimos que a comprobes a que nos creas.

1. Escolle un prompt do traballo que fas de verdade. Canto máis longo, mellor — exercita tanto a xanela como o streaming.
2. Execútao en shannon-3. Anota canto tarda ata o primeiro token, e canto tarda en completarse a resposta.
3. Executa o prompt idéntico en shannon-3.1. Anota os mesmos dous números.
4. Despois le as dúas respostas, ignorando o reloxo, e decide cal terías querido.

A diferenza de velocidade será inmediata e evidente. A diferenza de calidade é a que paga a pena analizar con calma — nótase con máis claridade en entradas longas, onde 3.0 traballaba en silencio con menos material do teu do que pensabas.

11Preguntas frecuentes

---

As cifras de rendemento e intelixencia deste artigo son medicións propias de Shannon Lab a partir da avaliación interna, setembro de 2026, e preséntanse como cifras de produto e non como resultados de benchmarks de terceiros. A xanela de contexto, os identificadores de modelo e a dispoñibilidade na API son especificacións de produto. Shannon AI está operado por Shannon Lab LLC, Novo México, EUA. Lecturas relacionadas: Shannon 3 · Índice de investigación de Shannon · documentación da API.