Shannon 3.1
Ugyanaz a gondolkodási hurok, saját GPU-fürtünkre költöztetve: 32%-kal intelligensebb, 10-15x gyorsabb, 196,608 tokenes kontextusablakkal.
Röviden
A Shannon 3.1 megtart mindent, amiért a Shannon 3-at érdemes volt használni — az iteratív gondolkodási hurkot, az elutasítási réteg hiányát, a kimeneti szűrés hiányát —, és azt változtatja meg, hogy hol és hogyan fut. A modell mostantól külső következtetési szolgáltató helyett a saját GPU-fürtünkről szolgál ki. A Shannon Lab kiértékelése 32%-os intelligenciajavulást és 10-15x gyorsabb válaszokat mér a Shannon 3.0-hoz képest. A kontextusablak 32,768 tokenről 196,608 tokenre nő. Az az ütemezőréteg, amely szándékosan lassította a 3.0 kimenetét, eltűnt: a 3.1 a motor teljes sebességén streamel. A modellazonosítók: shannon-3.1 és shannon-3.1-pro, elérhetők a chatben és mindhárom API-dialektuson.
A legtöbb modellkiadás azt kéri, hogy higgyen el egy képességre vonatkozó állítást, és várja meg, amíg egy benchmark-táblázat eldönti a vitát. Ezt könnyebb ellenőrizni: nyisson meg két lapot, adja ugyanazt a promptot a shannon-3 és a shannon-3.1 modellnek, és figyelje. A válasz érkezési sebességében mutatkozó különbség nem finom, és nem is megjelenítési trükk. A Shannon 3.0-t szándékosan fogtuk vissza. A Shannon 3.1-et nem.
01Mi változott valójában a Shannon 3.1-ben
A Shannon 3.0 vezette be azt, ami ezt a családot meghatározza: az iteratív gondolkodási hurkot. A modell nem az első gondolatával válaszol. Gondolkodik, vázlatot ír, a vázlatát összeveti a kérdéssel, majd javítja. A Lite ennek a huroknak egy menetét futtatja; a Pro a teljes hurkot, benne egy tudásgyűjtő lépéssel a vázlat előtt. Ezt a felépítést részletesen leírja a Shannon 3 kutatási cikk, és ebből semmi nem változott a 3.1-ben.
Ami megváltozott, az az alatta lévő gépezet. A Shannon 3.0-t egy külső következtetési szolgáltatón keresztül szolgáltuk ki — ez ésszerű mód egy modell elindítására, és korlátozó mód a működtetésére. Örökli valaki más kiszolgálási beállításait, valaki más sorát, valaki más kontextusplafonját és valaki más elképzelését arról, hány tokent kaphat másodpercenként. A Shannon 3.1 a saját GPU-fürtünkön fut, olyan kiszolgálói rétegen, amelyet mi állítunk be, és a cikk minden kiemelt száma ebből az egyetlen döntésből következik.
| Shannon 3.0 | Shannon 3.1 | |
|---|---|---|
| Hol fut | Külső szolgáltató | Saját GPU-fürtünk |
| Kontextusablak | 32,768 | 196,608 |
| Kimeneti streamelés | Ütemezett / korlátozott | Teljes motorsebesség |
| Súlyok | Szolgáltatói alapérték | 4 bites NVFP4 |
| Dekódolás | Hagyományos | Spekulatív |
| Gondolkodási hurok | Gondolkodás → vázlat → ellenőrzés → javítás | Változatlan |
| Elutasítási réteg | Nincs | Nincs |
| Modellazonosítók | shannon-3, shannon-3-pro | shannon-3.1, shannon-3.1-pro |
02Miért érződik a Shannon 3.1 10-15x gyorsabbnak
A sebességszám az, amire először rákérdeznek, ezért érdemes pontosan megmondani, honnan jön. Két egymástól független tényező adja, és a nagyobbik a kevésbé látványos.
Eltávolítottuk a sebességkorlátot
A Shannon 3.0 kimenete egy ütemezőrétegen haladt át. A tokenek elhagyták a motort, várakoztak, majd ütemterv szerint kerültek ki a kapcsolatára. Ez nem véletlen volt és nem hiba. Amikor egy megosztott következtetési szolgáltató a szűk keresztmetszet, a kimenet ütemezése kisimítja a terhelést, megakadályozza, hogy egy hosszú generálás lefoglaljon egy slotot, és kiszámítható, jól olvasható ritmusban juttatja el a streamet, nem pedig löketekben. Védhető mérnöki döntés — és minden felhasználónak valós időt került minden egyes válasznál.
A Shannon 3.1-ben nincs sebességkorlát és nincs megjelenítési ütemezés. A tokenek úgy kerülnek ki a streambe, ahogy a motor előállítja őket. Ha a motor gyorsan generál, Ön azt látja, hogy gyorsan generál. Nincs simító puffer a modell és a terminálja, a chatablaka vagy az SSE-olvasója között. Egy hosszú válasznál — egy 2,000 tokenes elemzésnél, egy generált kódfájlnál — önmagában ez adja a javulás nagyobbik részét.
Egy őszinte következmény: a stream mostantól löketes. A spekulatív dekódolás (lásd alább) rövid sorozatokban adja ki az elfogadott tokeneket, így a szöveg látható darabokban érkezhet, nem pedig metronómszerű, szavankénti ütemben. Ha a felületét a 3.0 sima ritmusára építette, továbbra is működni fog — a tokenek sorrendje és tartalma változatlan —, de érdemes lehet saját, kliensoldali simítást visszatennie, ha jobban tetszett az írógépes hatás. Szerintünk a legtöbb ember inkább visszakéri a másodperceket.
Maga a motor is gyorsabb lett
A korlát eltávolítása csak akkor segít, ha az mögötte lévő rész gyors. A második tényező a 03. szakaszban leírt kiszolgálói réteg: 4 bites NVFP4 súlyok és spekulatív dekódolás jelenlegi generációs, natívan FP4-képes gyorsítókon, a saját fürtünkben. Együtt ezek emelik meg azt a plafont, amelyet a korlát eltávolítása feltár.
Relatív, végponttól végpontig mért válaszkésleltetés, a Shannon Lab belső kiértékelése, 2026. szeptember. A tartomány a prompt hosszától és a szinttől függ: a rövid promptok Lite-on az alsó, a hosszú generálások Pro-n a felső határ közelében vannak.
03Mit csinál valójában a spekulatív dekódolás
A „spekulatív dekódolás” marketingszóként is használatos, ezért itt a mechanizmus, egyszerűen.
Egy nyelvi modell rendes körülmények között egy tokent állít elő előrehaladási lépésenként. Ezt a lépést nem az aritmetika uralja, hanem a memória-sávszélesség — a súlyokat be kell olvasni, hogy bármit ki lehessen számolni, és ez az olvasás sokkal tovább tart, mint maga a számítás. A GPU idejének nagy részét memóriára várakozva tölti, tétlen számítóegységekkel. 500 token generálása azt jelenti, hogy ezt a késleltetést 500-szor kell megfizetni, egymás után.
A spekulatív dekódolás a szekvenciális részt támadja meg. Egy kicsi, olcsó vázlatmodell javaslatot tesz a valószínű következő tokenek egy rövid sorozatára — mondjuk négyre vagy nyolcra. A fő modell ezután az egész sorozatot egyetlen kötegelt előrehaladási lépésben értékeli ki, ami alig kerül többe, mint egyetlen token kiértékelése került volna, mert a drága rész (a súlyok beolvasása) így is, úgy is egyszer történik meg. Minden javasolt tokent, amellyel a fő modell egyetért, elfogad és azonnal kiad. Az első nézeteltérésnél a sorozat megszakad, és onnantól folytatódik a normál dekódolás.
A tulajdonság, ami számít
A spekulatív dekódolás kimenettartó. Az ellenőrzési lépés úgy van felépítve, hogy az elfogadott sorozat pontosan olyan eloszlású legyen, amilyen a fő modell saját mintavételezése lett volna. Nem a vázlatmodell válaszát kapja, és nem is a nagy modell válaszának közelítését. A fő modell kimenetét kapja, kevesebb egymást követő lépésben előállítva. A vázlatmodell csak a sebességet befolyásolhatja, a tartalmat soha.
A munkát az elfogadási arány végzi. Kiszámítható szövegen — sablonrészeken, kódszerkezeten, egy érvelés kötőszövetén — a vázlatmodell jól tippel, és hosszú sorozatok egyszerre érkeznek meg. A ténylegesen nehéz tokeneknél az elfogadás visszaesik, és a rendszer szépen visszalép a szokásos, tokenenkénti dekódolásra. Pontosan ez az az aszimmetria, amit szeretne: felgyorsítja a könnyű részeket, és nem nyúl a nehezekhez.
Miért ugyanabba a bekezdésbe tartoznak a 4 bites súlyok
Mivel a szűk keresztmetszet a memória-sávszélesség, a súlyok zsugorítása közvetlen sebességkar, nem csupán memóriaigény-kérdés. Az NVFP4 egy 4 bites lebegőpontos formátum finomszemcsés, blokkonkénti skálázással — ez az, ami lehetővé teszi, hogy megtartsa a pontosságot ott, ahol a régebbi, 4 bites egész számos kvantálási sémák elveszítették azt. Nagyjából negyedannyi beolvasandó bájt előrehaladási lépésenként arányosan kevesebb memóriára várakozást jelent, és sokkal több mozgásteret hagy annak a hosszú kontextusú KV-gyorsítótárnak, amelyet egy 196K-s ablak megkövetel.
A kettő nem egyszerűen összeadódik, hanem összeszorzódik: kevesebb bájt lépésenként, és kevesebb lépés kiadott tokenenként. Ez teszi a korlátozás nélküli, teljes sebességű streamelést megfizethetően kiszolgálhatóvá ahelyett, hogy olyan költség lenne, amit ütemezéssel kellene visszanyernünk — márpedig pontosan ezt csinálta az ütemezőréteg a 3.0-n.
04196,608 token: mit nyit meg egy hatszoros ablak
A Shannon 3.0-nak 32,768 tokenes ablaka volt: egy munkamenet, nem egy dokumentum. Nagyjából 70-80 oldalnyi prózát jelent, mínusz az, amit a gondolkodási hurok saját gondolkodásra fogyaszt, mínusz a rendszerprompt, mínusz az eddigi beszélgetés. A valódi munka folyamatosan ütközött ebbe a falba, a megkerülő megoldások pedig — darabolás, összefoglalás, visszakeresés a saját anyagában — mind rontják azt, amit meg akart őrizni. A 196,608 token már más kategóriájú probléma.
Konkrétan ez nagyságrendileg 400-500 oldalnyi szöveg, vagy egy közepes méretű kódbázis a tesztjeivel és a README-jével, vagy egy projekt egyévnyi jegyzőkönyve, vagy egy teljes szerződéscsomag az összes mellékletével — egyetlen beszélgetésben tartva, egyetlen kérdéssel megcímezhetően, darabolóréteg nélkül Ön és az anyag között.
- Teljes tárházra vonatkozó kérdések. Töltse be a kódot, és kérdezze meg, miért jut el egy hiba az élesbe, ahelyett hogy beillesztené azt a három fájlt, amelyre már amúgy is gyanakodott. A modell megtalálhatja azt a fájlt, amelyre nem gondolt.
- Hosszú dokumentumok elemzése visszakeresés nélkül. A visszakeresés egy veszteséges előszűrő, amely eldönti, mit láthat a modell. 196K-nál gyakran kihagyhatja, és hagyhatja, hogy a modell mindent elolvasson — ezzel megszűnik a hibák egy egész osztálya, ahol a helyes szövegrészt sosem kereste elő a rendszer.
- Beszélgetések, amelyek koherensek maradnak. Egy hosszú munkamenet többé nem ejti el csendben a saját elejét. A harmadik üzenetben megadott megkötések a nyolcvanadikban is érvényesek.
- Hely a gondolkodási huroknak. A hurok saját gondolkodása, vázlatolása és ellenőrzése kontextust fogyaszt. A 3.0-n ezek a lépések az Ön anyagával versengtek egy szűkös keretért. A 3.1-en kényelmesen elférnek, és részben ezért érkezett együtt a minőségi javulás és az ablaknövelés.
- Nagy, vegyes bemenetek. Képek, kinyert dokumentumszöveg és kód egyetlen fordulóban, anélkül hogy előre válogatnia kellene, melyiket engedheti meg magának.
Egy őszinte megjegyzés, amely minden hosszú kontextusú modellre igaz, a miénkre is: a nagy ablak kapacitás, nem pedig garancia arra, hogy a figyelem egyenletes lesz benne. A szerkezet továbbra is segít. Ha a kérdést a végére teszi, megcímkézi a dokumentumait, és megmondja a modellnek, mit keressen, azzal 150K tokennél mérhetően javítja az eredményt — 5K-nál ez egyszerűen nem így van.
05Lite és Pro: shannon-3.1 és shannon-3.1-pro
A két szint abban különbözik, hogy a gondolkodási hurokból mennyit futtat, és a választás szempontjából csak ez a különbség számít.
| shannon-3.1 (Lite) | shannon-3.1-pro (Pro) | |
|---|---|---|
| Gondolkodás | Egyetlen menet | Teljes hurok + tudásgyűjtés |
| Önellenőrzés | Nincs | Van |
| Kontextusablak | 196,608 | 196,608 |
| Streamelés | Teljes sebesség, korlátozás nélkül | Teljes sebesség, korlátozás nélkül |
| Kép és dokumentum | Igen | Igen |
| Képgeneráló eszköz | Igen | Igen |
| Mire a legjobb | A legtöbb munkára, nagy mennyiségben | Nehéz kérdésekre, ha az első vázlat kevés |
Alapértelmezésben a Lite-ot használja. Egy jó gondolkodó modell egyetlen menete a valós kérések túlnyomó többségét elintézi, és a 3.1-en elég gyors ahhoz, hogy a hurkot ne érezze várakozásnak. Akkor nyúljon a Pro-hoz, ha a kérdés olyan, ahol az első válasz általában tanulságosan téves: építészeti kompromisszumok, támadói szemléletű elemzés, minden olyan eset, amikor azt szeretné, hogy egy hozzáértő kolléga aludjon rá egyet. A Pro önellenőrző lépése nem dísz — ez az, amikor a modell megtalálja a saját hibáit, mielőtt Önnek kellene.
06A 32%-os intelligencianövekedés, és hogyan kell olvasni
A Shannon Lab saját kiértékelése a Shannon 3.1-et 32%-os intelligenciajavulásra teszi a Shannon 3.0-hoz képest. Szeretnénk tisztázni, hogy ez mi, és mi nem.
Ez a mi számunk, a belső kiértékelő készletünkből, olyan feladatokon mérve, amelyeket reprezentatívnak tartunk arra nézve, amivel az emberek ténylegesen fordulnak ezekhez a modellekhez. Nem független benchmark, és nem építünk köré ranglista-táblázatot egyetlen belső összesített szám alapján, sem benchmarkonkénti lebontást nem közlünk — egy lebontás olyan szintű külső összehasonlíthatóságot sugallna, amivel egy belső készlet nem rendelkezik.
Amit viszont elmondunk: honnan jön a javulás, mert ez a rész nem rejtélyes. A nagyobb kontextusablak azt jelenti, hogy kevesebb anyagot kell eldobni, mielőtt a modell átgondolja — és a hosszú munkamenetekben látszó butaság nagy része valójában csak amnézia. Egy általunk vezérelt kiszolgálói réteg azt jelenti, hogy a modell az általunk szánt beállításokkal fut, nem pedig egy szolgáltatói alapértékkel. A gondolkodási huroknak pedig — amelynek a felépítése változatlan — most már van helye ténylegesen lefutni az ablakon belül, ahelyett hogy egy 32K-s plafonhoz préselődne, amelyen az Ön bemenetével osztozott.
A leghasznosabb benchmark az Ön sajátja. Vegyen egy promptot a valódi munkájából — nem fejtörőt, hanem igazit —, és futtassa le a shannon-3, majd a shannon-3.1 modellen. Hasonlítsa össze a válaszokat, és mérje az időt. A mi számaink egy készlet átlagát írják le; az Ön promptja az, aminek jobbá kell válnia.
07Kép, dokumentum és képgenerálás
A Shannon 3.1 olvas képeket és dokumentumokat. Képernyőképek, diagramok, fényképek, beszkennelt oldalak, PDF-ek és szöveges dokumentumok bekerülhetnek a beszélgetésbe, és mindennel együtt átgondolhatók. A 196K-s ablakkal kombinálva ez teszi gyakorlatiassá a teljes dokumentumos munkafolyamatokat: egy hosszú jelentés és a diagramjai egyetlen fordulóban, anélkül hogy előre el kellene dönteni, mely oldalakat láthatja a modell.
A képgenerálás és a képszerkesztés a chatben érhető el, eszközként. Kérjen egy képet, és a modell menet közben, ugyanabban a beszélgetésben hívja meg az eszközt, az addig elhangzottak kontextusával. A szerkesztés ugyanígy működik — adjon át egy képet, és írja le a változtatást. Nincs külön mód, amibe át kell váltani, és nincs külön felület, amit meg kell tanulni.
08A Shannon 3.1 hívása az API-ból
A Shannon 3.1 mindhárom API-dialektuson elérhető, mindegyiken streameléssel. Ugyanazok a modellek, három kérésforma — válassza azt, amelyik illeszkedik a már meglévő SDK-jához.
| Végpont | Forma | Streamelés |
|---|---|---|
| /v1/chat/completions | OpenAI-kompatibilis | Igen |
| /v1/messages | Anthropic-kompatibilis | Igen |
| /v1/responses | Responses | Igen |
{
"model": "shannon-3.1",
"stream": true,
"messages": [
{ "role": "user", "content": "Summarize this contract set and flag anything unusual." }
]
}Cserélje a "shannon-3.1" értéket "shannon-3.1-pro"-ra a teljes gondolkodási hurok futtatásához. Ha már most is a shannon-3 modellt hívja, az átállás a modellazonosító és semmi más: a kérés és a válasz formája változatlan, a meglévő streamelő kliensek pedig továbbra is működnek. Az egyetlen viselkedésbeli különbség, amire számítania kell, a 02. szakaszban leírt löketesebb stream — ugyanazok a tokenek, ugyanabban a sorrendben, korábban és egyenetlenebb darabokban érkezve.
A teljes paraméterleírás, a hitelesítés, a hibaszemantika és egy interaktív játszótér az API-dokumentációban található. További modellkártyák és technikai leírások a Shannon kutatások között vannak.
09Továbbra is cenzúrázatlan, és ebben nincs változás
A Shannon 3.1-ben nincs elutasítási réteg, és nincs tartalomszűrés a kimeneten. Ez ugyanaz az alapállás, mint a Shannon vonal többi tagjánál, és a saját fürtünkre költözéssel sem változott — sőt, a kiszolgálói réteg feletti kontroll könnyebbé teszi a garantálását, mert nincs közbeiktatott szolgáltató a maga szabályzatával a modell és Ön között.
Érdemes kimondani, mert ez a kézenfekvő kérdés egy olyan kiadásnál, amely a teljes kimeneti útvonalat megváltoztatta: az ütemezőréteg eltávolítása nem azt jelentette, hogy a helyére moderációs réteg került. Semmi nem vizsgálja, írja át vagy fogja vissza a streamet. Amit a modell előállít, az érkezik meg. A Shannon 3.1 tudomásunk szerint a leggyorsabb elérhető cenzúrázatlan AI modell ekkora kontextusablakkal — és a két tulajdonság összefügg, hiszen mindkettő abból ered, hogy saját infrastruktúrát üzemeltetünk ahelyett, hogy megfelelőségi formára szabott kapacitást bérelnénk mástól.
A cenzúrázatlanság nem ugyanaz, mint a felelősség hiánya. A használatot a Felelős használatra vonatkozó irányelvünk szabályozza, és egy olyan modellel, amely nehéz anyaggal is foglalkozik, az a kötelezettség jár, hogy Ön felelősen foglalkozzon vele.
10Végezze el Ön az összehasonlítást
Itt minden állítás körülbelül két perc alatt ellenőrizhető, és jobban szeretnénk, ha ellenőrizné, mint ha elhinné.
- Válasszon egy promptot abból, amit ténylegesen csinál. A hosszabb jobb — az mind az ablakot, mind a streamelést megdolgoztatja.
- Futtassa le a
shannon-3modellen. Jegyezze fel, mennyi idő telik el az első tokenig, és mennyi a válasz befejezéséig. - Futtassa le ugyanazt a promptot a
shannon-3.1modellen. Jegyezze fel ugyanazt a két számot. - Ezután olvassa el mindkét választ, az órát figyelmen kívül hagyva, és döntse el, melyiket szerette volna.
A sebességkülönbség azonnali és nyilvánvaló lesz. A minőségi különbség az, amivel érdemes elidőzni — ez hosszú bemeneteken mutatkozik meg a legtisztábban, ahol a 3.0 csendben kevesebbel dolgozott az Ön anyagából, mint gondolta volna.
11Gyakran ismételt kérdések
Mi az a Shannon 3.1?
A Shannon 3.1 a Shannon 3 család jelenlegi kiadása. Ugyanazt az iteratív gondolkodási hurkot tartja meg — gondolkodás, vázlat, önellenőrzés, javítás —, de külső következtetési szolgáltató helyett natívan a saját GPU-fürtünkön futtatja. A Shannon Lab saját kiértékelése 32%-os intelligenciajavulást és 10-15x gyorsabb válaszokat mér a Shannon 3.0-hoz képest, a kontextusablak pedig 32,768 tokenről 196,608 tokenre nőtt.
Mennyivel gyorsabb a Shannon 3.1 a Shannon 3.0-nál?
A Shannon Lab saját kiértékelése szerint a végponttól végpontig tartó válaszokban 10x és 15x közötti a gyorsulás. Két oka van. A Shannon 3.0 kimenete egy ütemezőrétegen haladt át, amely szándékosan korlátozta a stream sebességét; a Shannon 3.1-ben nincs sebességkorlát és nincs megjelenítési ütemezés, így a tokenek olyan gyorsan érkeznek meg Önhöz, amilyen gyorsan a motor előállítja őket. Maga a motor is gyorsabb: 4 bites NVFP4 súlyok és spekulatív dekódolás a saját GPU-fürtünkön.
Mekkora a Shannon 3.1 kontextusablaka?
196,608 token, ami hatszorosa a Shannon 3.0-n elérhető 32,768 tokennek. Ez nagyjából 400-500 oldalnyi szöveg, vagy egy közepes méretű kódbázis, egyetlen beszélgetésben tartva, darabolás és visszakeresés nélkül.
Mi az a spekulatív dekódolás, és miért számít itt?
Egy kicsi, gyors vázlatmodell javaslatot tesz a valószínű következő tokenek egy sorozatára, a fő modell pedig egyetlen kötegelt lépésben ellenőrzi őket. Az elfogadott tokenek azonnal kimennek; az elutasítottaknál a rendszer visszatér a normál dekódoláshoz. A kimenet pontosan az, amit a fő modell magától is előállított volna, de ellenőrzési lépésenként több token is elkészülhet egy helyett. Ez teszi megfizethetővé a teljes sebességű streamelést ahelyett, hogy költségproblémát jelentene.
Cenzúrázatlan a Shannon 3.1?
Igen. A Shannon 3.1-ben nincs elutasítási réteg, és a kimenetére nem alkalmazunk tartalomszűrést — ugyanúgy, mint a Shannon vonal többi tagjánál. Az ütemezőréteg eltávolítása nem jelentette azt, hogy a helyére moderációs réteg került volna: amit streamként megkap, az a modell kimenete.
Mik a modellazonosítók, és hol használhatom a Shannon 3.1-et?
A shannon-3.1 a Lite szint, a shannon-3.1-pro pedig a Pro szint. Mindkettő elérhető a chatben és mindhárom API-dialektuson: /v1/chat/completions (OpenAI-alakú), /v1/messages (Anthropic-alakú) és /v1/responses. A streamelés mindháromban működik.
Mi a különbség a shannon-3.1 és a shannon-3.1-pro között?
A Lite a gondolkodási hurok egyetlen menetét futtatja: gondolkodik, majd válaszol. A Pro a teljes hurkot futtatja — gondolkodás, vázlat, önellenőrzés, javítás —, a vázlat előtt egy tudásgyűjtő lépéssel. A Lite a helyes alapértelmezés a legtöbb munkához; a Pro azokhoz a kérdésekhez való, ahol az első válasz általában nem a legjobb.
Próbálja ki a Shannon 3.1-et
Ugyanaz a gondolkodási hurok. Hatszoros ablak. Sebességkorlát nélkül.
Kezdjen beszélgetni Olvassa el az API-dokumentációtshannon-3.1 · shannon-3.1-pro · streamelés mindhárom dialektuson
A cikkben szereplő teljesítmény- és intelligenciaszámok a Shannon Lab saját mérései a 2026. szeptemberi belső kiértékelésből, és termékadatként, nem pedig független benchmark-eredményként vannak megadva. A kontextusablak, a modellazonosítók és az API-elérhetőség termékspecifikációk. A Shannon AI-t a Shannon Lab LLC (Új-Mexikó, USA) üzemelteti. Kapcsolódó olvasnivaló: Shannon 3 · Shannon kutatási index · API-dokumentáció.