We do not hold or access any user's data, and we do not suspend accounts unless a lawful authority requires an enforcement action.

ထွက်ရှိမှု · Shannon 3.1

Shannon 3.1

ဆင်ခြင်မှု ကွင်းဆက် အတူတူပင် — ကျွန်ုပ်တို့ ကိုယ်ပိုင် GPU ကလပ်စတာပေါ်သို့ ရွှေ့လိုက်သည်။ ဉာဏ်ရည် 32% ပိုမြင့်၊ 10-15 ဆ ပိုမြန်ပြီး တိုကင် 196,608 context window။

၂၀၂၆ ခုနှစ် စက်တင်ဘာ 5 ရက် ထုတ်ဝေထွက်ရှိမှု မှတ်စုshannon-3.1 · shannon-3.1-pro

အကျဉ်းချုပ်

Shannon 3.1 သည် Shannon 3 ကို သုံးထိုက်စေခဲ့သော အရာအားလုံး — ထပ်ကာထပ်ကာ ဆင်ခြင်သည့် ကွင်းဆက်၊ ငြင်းပယ်မှု အလွှာ မရှိခြင်း၊ output စစ်ထုတ်ခြင်း မရှိခြင်း — ကို ထိန်းသိမ်းထားပြီး ဘယ်နေရာမှာ ဘယ်လို လည်ပတ်သည်ကိုသာ ပြောင်းလိုက်သည်။ မော်ဒယ်သည် ယခုအခါ ပြင်ပ inference ဝန်ဆောင်မှုပေးသူအစား ကျွန်ုပ်တို့ ကိုယ်ပိုင် GPU ကလပ်စတာမှ ဝန်ဆောင်မှု ပေးသည်။ Shannon Lab ၏ အကဲဖြတ်မှုအရ Shannon 3.0 နှင့် ယှဉ်လျှင် ဉာဏ်ရည် 32% တိုးတက်မှုနှင့် 10-15 ဆ ပိုမြန်သော အဖြေများကို တိုင်းတာရရှိသည်။ Context window သည် တိုကင် 32,768 မှ 196,608 သို့ တက်လာသည်။ 3.0 ၏ output ကို တမင် နှေးစေခဲ့သော အရှိန်ထိန်း အလွှာသည် ပျောက်သွားပြီ — 3.1 သည် အင်ဂျင်၏ အမြန်နှုန်းအပြည့်ဖြင့် စထရင်းလုပ်သည်။ မော်ဒယ် id များမှာ shannon-3.1 နှင့် shannon-3.1-pro ဖြစ်ပြီး chat တွင်လည်းကောင်း၊ API ဒိုင်ယာလက် သုံးမျိုးစလုံးတွင်လည်းကောင်း ရရှိနိုင်သည်။

မော်ဒယ် ထွက်ရှိမှု အများစုက သင့်ကို စွမ်းရည် ကြေညာချက်တစ်ခုအပေါ် ယုံကြည်ခိုင်းပြီး စံနှုန်းဇယားတစ်ခုက အငြင်းပွားမှုကို ဖြေရှင်းပေးသည်အထိ စောင့်ခိုင်းသည်။ ဤတစ်ခုကတော့ စစ်ဆေးရ ပိုလွယ်သည် — တဘ် နှစ်ခု ဖွင့်၊ တူညီသော prompt ကို shannon-3 နှင့် shannon-3.1 တွင် ထည့်ပြီး ကြည့်လိုက်ပါ။ အဖြေ ရောက်လာသည့် အမြန်နှုန်း ကွာခြားချက်သည် သိမ်မွေ့သည့် အရာ မဟုတ်သလို ရှေ့ဆက် ပြသမှု လှည့်ကွက်လည်း မဟုတ်ပါ။ Shannon 3.0 ကို တမင် နှုန်းချုပ်ထားခဲ့သည်။ Shannon 3.1 ကို မချုပ်ထားပါ။

+32%

3.0 နှင့် ယှဉ်၍ ဉာဏ်ရည်

10-15x

ပိုမြန်သော အဖြေများ

196,608

Context တိုကင်

ငြင်းပယ်မှု အလွှာ

01Shannon 3.1 တွင် အမှန်တကယ် ဘာပြောင်းသွားသလဲ

Shannon 3.0 က ဤမိသားစုကို သတ်မှတ်ပေးသည့် အရာကို မိတ်ဆက်ခဲ့သည် — ထပ်ကာထပ်ကာ ဆင်ခြင်သည့် ကွင်းဆက် ဖြစ်သည်။ မော်ဒယ်သည် ပထမဆုံး အတွေးဖြင့် အဖြေမပေးပါ။ စဉ်းစားသည်၊ မူကြမ်းရေးသည်၊ မိမိ မူကြမ်းကို မေးခွန်းနှင့် ယှဉ်ပြီး ပြန်စစ်သည်၊ ထို့နောက် ပိုမိုကောင်းမွန်အောင် ပြုပြင်သည်။ Lite သည် ထိုကွင်းဆက်ကို တစ်ကြိမ် လှည့်သည်၊ Pro သည် မူကြမ်းမရေးမီ အသိပညာ စုဆောင်းသည့် အဆင့်အပါအဝင် ကွင်းဆက်အပြည့် လှည့်သည်။ ထိုဒီဇိုင်းကို Shannon 3 သုတေသန ဆောင်းပါးတွင် အသေးစိတ် ဖော်ပြထားပြီး ၎င်းထဲက မည်သည့်အရာမျှ 3.1 တွင် မပြောင်းလဲပါ။

ပြောင်းလဲသွားသည်မှာ အောက်ခံ စက်ယန္တရား ဖြစ်သည်။ Shannon 3.0 ကို ပြင်ပ inference ဝန်ဆောင်မှုပေးသူတစ်ခုမှတစ်ဆင့် ပေးပို့ခဲ့သည် — မော်ဒယ်တစ်ခု စတင်မိတ်ဆက်ရန် ကျိုးကြောင်းဆီလျော်သော နည်းလမ်းဖြစ်ပြီး လည်ပတ်ရန်အတွက်တော့ ကန့်သတ်ချက် များသော နည်းလမ်း ဖြစ်သည်။ သင်သည် အခြားသူတစ်ဦး၏ ဝန်ဆောင်မှု ဖွဲ့စည်းမှု၊ အခြားသူတစ်ဦး၏ တန်းစီစနစ်၊ အခြားသူတစ်ဦး၏ context အမြင့်ဆုံး ကန့်သတ်ချက်နှင့် စက္ကန့်လျှင် တိုကင် ဘယ်နှစ်လုံး ရခွင့်ရှိသည်ဆိုသော အခြားသူတစ်ဦး၏ အယူအဆကို အမွေဆက်ခံရသည်။ Shannon 3.1 သည် ကျွန်ုပ်တို့ ကိုယ်ပိုင် GPU ကလပ်စတာပေါ်တွင်၊ ကျွန်ုပ်တို့ ကိုယ်တိုင် ချိန်ညှိသော ဝန်ဆောင်မှု စတက်တစ်ခုပေါ်တွင် လည်ပတ်ပြီး ဤဆောင်းပါးရှိ ခေါင်းစဉ်နံပါတ် တိုင်းသည် ထိုဆုံးဖြတ်ချက် တစ်ခုတည်း၏ နောက်ဆက်တွဲ ဖြစ်သည်။

	Shannon 3.0	Shannon 3.1
ဘယ်နေရာတွင် လည်ပတ်သလဲ	ပြင်ပ ဝန်ဆောင်မှုပေးသူ	ကျွန်ုပ်တို့ ကိုယ်ပိုင် GPU ကလပ်စတာ
Context window	32,768	196,608
Output စထရင်းမင်း	အရှိန်ထိန်း / နှုန်းကန့်သတ်	အင်ဂျင် အမြန်နှုန်းအပြည့်
အလေးချိန်များ	ဝန်ဆောင်မှုပေးသူ၏ မူလ	4-bit NVFP4
ဒီကုဒ်ခြင်း	ပုံမှန်	Speculative
ဆင်ခြင်မှု ကွင်းဆက်	စဉ်းစား → မူကြမ်း → ပြန်စစ် → တိုးတက်အောင်လုပ်	မပြောင်းလဲ
ငြင်းပယ်မှု အလွှာ	မရှိ	မရှိ
မော်ဒယ် id များ	shannon-3, shannon-3-pro	shannon-3.1, shannon-3.1-pro

02Shannon 3.1 က ဘာကြောင့် 10-15 ဆ ပိုမြန်သလို ခံစားရသလဲ

အမြန်နှုန်း ကိန်းဂဏန်းသည် လူများ ပထမဆုံး မေးလေ့ရှိသည့် အရာဖြစ်သဖြင့် ၎င်း ဘယ်ကလာသည်ကို တိကျစွာ ပြောပြထိုက်သည်။ သီးခြား အထောက်အပံ့ နှစ်ခု ရှိပြီး ပိုကြီးသည့်တစ်ခုက ပိုမလှပသော အရာ ဖြစ်သည်။

အမြန်နှုန်း ကန့်သတ်ချက်ကို ဖယ်ရှားလိုက်သည်

Shannon 3.0 ၏ output သည် အရှိန်ထိန်း အလွှာတစ်ခုကို ဖြတ်သန်းခဲ့ရသည်။ တိုကင်များသည် အင်ဂျင်မှ ထွက်လာပြီး ထိန်းထားခံရကာ အချိန်ဇယားတစ်ခုအတိုင်း သင့် ချိတ်ဆက်မှုသို့ လွှတ်ပေးခဲ့သည်။ ၎င်းသည် မတော်တဆမှုလည်း မဟုတ်၊ ချွတ်ယွင်းချက်လည်း မဟုတ်ပါ။ မျှဝေသုံးသော inference ဝန်ဆောင်မှုပေးသူသည် ပိတ်ဆို့မှု ဖြစ်နေချိန်တွင် output ကို အရှိန်ထိန်းခြင်းက ဝန်ကို ညီညာစေသည်၊ ရှည်လျားသော ထုတ်လုပ်မှုတစ်ခုက နေရာတစ်ခုကို လက်ဝါးကြီးအုပ်မထားစေရန် တားဆီးသည်၊ ထို့အပြင် စထရင်းကို တစ်ဟုန်ထိုးလာမည့်အစား ခန့်မှန်းနိုင်ပြီး ဖတ်ရလွယ်သော စည်းချက်ဖြင့် ရောက်စေသည်။ ၎င်းသည် ခုခံနိုင်သော အင်ဂျင်နီယာ ရွေးချယ်မှုတစ်ခု ဖြစ်ပြီး အဖြေတိုင်းတွင် အသုံးပြုသူတိုင်းအတွက် နာရီအချိန် အစစ်အမှန် ကုန်ကျစေခဲ့သည်။

Shannon 3.1 တွင် အမြန်နှုန်း ကန့်သတ်ချက်လည်း မရှိ၊ ဖော်ပြမှု အရှိန်ထိန်းခြင်းလည်း မရှိပါ။ အင်ဂျင်က ထုတ်လုပ်သည်နှင့်တစ်ပြိုင်နက် တိုကင်များကို သင့် စထရင်းသို့ ရေးပေးသည်။ အင်ဂျင်က မြန်မြန် ထုတ်နေလျှင် မြန်မြန် ထုတ်နေသည်ကို သင် မြင်ရမည်။ မော်ဒယ်နှင့် သင့် တာမီနယ်၊ သင့် chat ဝင်းဒိုး သို့မဟုတ် သင့် SSE ဖတ်စက်ကြားတွင် ညှိပေးသည့် ဘာဖာ မရှိပါ။ ရှည်လျားသော အဖြေတစ်ခု — တိုကင် 2,000 သုံးထားသော ခွဲခြမ်းစိတ်ဖြာမှု၊ ထုတ်လုပ်ပေးထားသော ကုဒ်ဖိုင်တစ်ခု — အတွက် ဤတစ်ခုတည်းက သင် သတိထားမိမည့် တိုးတက်မှု၏ အများစုကို ရှင်းပြသည်။

ရိုးသားစွာ ဝန်ခံရမည့် နောက်ဆက်တွဲတစ်ခု — စထရင်းသည် ယခုအခါ တစ်ဟုန်ထိုး ဖြစ်သည်။ Speculative decoding (အောက်တွင် ကြည့်ပါ) သည် လက်ခံထားသော တိုကင်များကို အတိုအထွာ အစဉ်လိုက် ထုတ်ပေးသဖြင့် စာသားသည် စာလုံးတစ်လုံးချင်း တစ်သမတ်တည်း လာမည့်အစား မြင်သာသော အပိုင်းအစများအဖြစ် ရောက်လာနိုင်သည်။ 3.0 ၏ ချောမွေ့သော စည်းချက်အပေါ် အခြေခံပြီး UI တည်ဆောက်ထားလျှင် ၎င်းသည် ဆက်လက် အလုပ်လုပ်နေဦးမည် — တိုကင် အစီအစဉ်နှင့် အကြောင်းအရာ မပြောင်းလဲပါ — သို့သော် စာစီစက် အသွင်ကို ပိုကြိုက်လျှင် သင့်ဘက်တွင် client-side easing ကို ပြန်ထည့်လိုပေမည်။ လူအများစုမှာ ထိုစက္ကန့်များကို ပြန်လိုချင်ကြမည်ဟု ကျွန်ုပ်တို့ ထင်သည်။

အင်ဂျင်ကိုယ်တိုင်လည်း ပိုမြန်လာသည်

ကန့်သတ်ချက်ကို ဖယ်ရှားခြင်းသည် ၎င်းနောက်ကွယ်မှ အရာ မြန်မှသာ အကျိုးရှိသည်။ ဒုတိယ အထောက်အပံ့မှာ အပိုင်း 03 တွင် ဖော်ပြထားသော ဝန်ဆောင်မှု စတက် ဖြစ်သည် — ကျွန်ုပ်တို့ ကိုယ်ပိုင် ကလပ်စတာရှိ လက်ရှိမျိုးဆက် FP4-native အရှိန်မြှင့်ကတ်များပေါ်တွင် 4-bit NVFP4 အလေးချိန်များနှင့် speculative decoding ဖြစ်သည်။ ဤနှစ်ခု ပေါင်းစပ်ခြင်းက ကန့်သတ်ချက် ဖယ်ရှားလိုက်မှုက ဖော်ထုတ်ပေးသည့် အမြင့်ဆုံး စွမ်းဆောင်ရည်ကို ပိုမြှင့်ပေးသည်။

Shannon 3.110-15x

Shannon 3.01x

အစမှအဆုံး အဖြေ နှောင့်နှေးမှု နှိုင်းယှဉ်ချက်၊ Shannon Lab ၏ အတွင်းပိုင်း အကဲဖြတ်မှု၊ ၂၀၂၆ ခုနှစ် စက်တင်ဘာ။ အကွာအဝေးသည် prompt အရှည်နှင့် အဆင့်ကို ထင်ဟပ်သည် — Lite ပေါ်ရှိ prompt တိုများသည် အနိမ့်ဘက်တွင် ရှိပြီး Pro ပေါ်ရှိ ရှည်လျားသော ထုတ်လုပ်မှုများသည် အမြင့်ဘက်တွင် ရှိသည်။

03Speculative decoding က အမှန်တကယ် ဘာလုပ်သလဲ

"Speculative decoding inference" ကို ကြော်ငြာစကားလုံးတစ်ခုအဖြစ် သုံးလေ့ရှိသဖြင့် ယန္တရားကို ရိုးရိုးရှင်းရှင်း ဖော်ပြပါမည်။

ဘာသာစကား မော်ဒယ်တစ်ခုသည် ပုံမှန်အားဖြင့် forward pass တစ်ခုလျှင် တိုကင်တစ်လုံး ထုတ်လုပ်သည်။ ထို pass ကို ကိန်းဂဏန်း တွက်ချက်မှုက မဟုတ်ဘဲ မှတ်ဉာဏ် ဘန်းဝဒ်က လွှမ်းမိုးထားသည် — တစ်စုံတစ်ရာ တွက်ရန် အလေးချိန်များကို ဖတ်ရမည်ဖြစ်ပြီး ၎င်းတို့ကို ဖတ်ရသည်မှာ သင်္ချာတွက်ချက်မှုထက် အများကြီး ကြာသည်။ GPU သည် အချိန်အများစုကို တွက်ချက်ရေး ယူနစ်များ အလုပ်မလုပ်ဘဲ မှတ်ဉာဏ်ကို စောင့်ရင်း ကုန်ဆုံးသည်။ တိုကင် 500 ထုတ်လုပ်ခြင်းဆိုသည်မှာ ထို နှောင့်နှေးမှုကို အစဉ်လိုက် 500 ကြိမ် ပေးဆပ်ရခြင်း ဖြစ်သည်။

Speculative decoding သည် ထိုအစဉ်လိုက် အပိုင်းကို တိုက်ခိုက်သည်။ သေးငယ်ပြီး ဈေးပေါသော မူကြမ်း မော်ဒယ်တစ်ခုက နောက်လာဖွယ်ရှိသော တိုကင် အတိုအထွာ အစဉ်တစ်ခု — ဥပမာ လေးလုံး သို့မဟုတ် ရှစ်လုံး — ကို အဆိုပြုသည်။ ထို့နောက် ပင်မ မော်ဒယ်က ထိုအစဉ် တစ်ခုလုံးကို batch လုပ်ထားသော forward pass တစ်ခုတည်းဖြင့် အကဲဖြတ်သည်။ ၎င်းသည် တိုကင်တစ်လုံး အကဲဖြတ်ရသည်ထက် အနည်းငယ်သာ ပိုကုန်ကျသည်၊ အဘယ်ကြောင့်ဆိုသော် ကုန်ကျစရိတ် များသည့် အပိုင်း (အလေးချိန်များကို ဖတ်ခြင်း) သည် နှစ်မျိုးလုံးတွင် တစ်ကြိမ်သာ ဖြစ်ပေါ်သောကြောင့် ဖြစ်သည်။ ပင်မ မော်ဒယ်က သဘောတူသည့် အဆိုပြု တိုကင်တိုင်းကို လက်ခံပြီး ချက်ချင်း ထုတ်ပေးသည်။ ပထမဆုံး သဘောကွဲလွဲသည့်နေရာတွင် အစဉ်ကို ဖြတ်တောက်ပြီး ထိုနေရာမှ ပုံမှန် ဒီကုဒ်ခြင်း ပြန်စသည်။

အရေးကြီးသော ဂုဏ်သတ္တိ

Speculative decoding သည် output ကို ထိန်းသိမ်းပေးသည်။ စစ်ဆေးမှု အဆင့်ကို လက်ခံထားသော အစဉ်သည် ပင်မ မော်ဒယ် ကိုယ်တိုင် နမူနာယူမည့် ဖြန့်ဝေမှုအတိုင်း အတိအကျ ဖြစ်အောင် တည်ဆောက်ထားသည်။ သင်ရနေသည်မှာ မူကြမ်း မော်ဒယ်၏ အဖြေ မဟုတ်သလို မော်ဒယ်ကြီး၏ အဖြေကို ခန့်မှန်းထားခြင်းလည်း မဟုတ်ပါ။ သင်ရနေသည်မှာ ပင်မ မော်ဒယ်၏ output ကို အစဉ်လိုက် အဆင့် နည်းနည်းဖြင့် ရောက်ရှိလာခြင်း ဖြစ်သည်။ မူကြမ်း မော်ဒယ်သည် အမြန်နှုန်းကိုသာ သက်ရောက်နိုင်ပြီး အကြောင်းအရာကို ဘယ်တော့မှ မထိရောက်နိုင်ပါ။

လက်ခံနှုန်းက အလုပ်ကို လုပ်ပေးသည်။ ခန့်မှန်းနိုင်သော စာသား — ပုံသေစာသား၊ ကုဒ် ဖွဲ့စည်းပုံ၊ အငြင်းအခုံတစ်ခု၏ ဆက်စပ်ပေးသည့် အသားများ — တွင် မူကြမ်း မော်ဒယ်က ကောင်းကောင်း မှန်းဆနိုင်ပြီး ရှည်လျားသော အစဉ်များ တစ်ပြိုင်နက် ရောက်လာသည်။ အမှန်တကယ် ခက်ခဲသော တိုကင်များတွင် လက်ခံနှုန်း ကျဆင်းပြီး စနစ်သည် သာမန် တိုကင်တစ်လုံးချင်း ဒီကုဒ်ခြင်းသို့ သိမ်မွေ့စွာ ပြန်ကျသည်။ ထို မညီမျှမှုသည် သင်လိုချင်သည့် အရာဖြစ်သည် — လွယ်ကူသော အပိုင်းများကို အရှိန်မြှင့်ပေးပြီး ခက်ခဲသော အပိုင်းများကို မထိပါ။

4-bit အလေးချိန်များက ဘာကြောင့် တူညီသည့် စာပိုဒ်ထဲမှာ ရှိရသလဲ

ပိတ်ဆို့မှုသည် မှတ်ဉာဏ် ဘန်းဝဒ် ဖြစ်နေသောကြောင့် အလေးချိန်များကို ချုံ့လိုက်ခြင်းသည် မှတ်ဉာဏ် နေရာယူမှုအတွက်သာ မဟုတ်ဘဲ အမြန်နှုန်းအတွက် တိုက်ရိုက် အားလုံးတစ်ခု ဖြစ်သည်။ NVFP4 သည် block တစ်ခုချင်းစီအလိုက် သိမ်မွေ့စွာ စကေးချိန်ညှိမှု ပါဝင်သည့် 4-bit floating-point ပုံစံဖြစ်ပြီး ၎င်းကြောင့်ပင် ဟောင်းနွမ်းသော 4-bit integer quantization စနစ်များ ဆုံးရှုံးခဲ့သည့် တိကျမှုကို ထိန်းထားနိုင်သည်။ forward pass တစ်ခုလျှင် ဖတ်ရမည့် ဘိုက်များ လေးပုံတစ်ပုံခန့်သာ ဖြစ်ခြင်းက မှတ်ဉာဏ်ကို စောင့်ရသည့် အချိန်ကို အချိုးကျ လျှော့ချပေးပြီး 196K ဝင်းဒိုးတစ်ခု လိုအပ်သည့် ရှည်လျားသော context KV cache အတွက် နေရာလွတ် အများကြီး ကျန်ရစ်စေသည်။

ဤနှစ်ခုသည် ပေါင်းထည့်ရုံမျှသာမက အပြန်အလှန် အားဖြည့်ကြသည် — pass တစ်ခုလျှင် ဘိုက် နည်းပြီး တိုကင်တစ်လုံး ထုတ်လုပ်ရန် pass နည်းသည်။ ဤအရာက ကန့်သတ်မထားသော အမြန်နှုန်းအပြည့် စထရင်းမင်းကို အရှိန်ထိန်းခြင်းဖြင့် ပြန်လည် ရယူရမည့် ကုန်ကျစရိတ်တစ်ခု မဟုတ်ဘဲ ဝန်ဆောင်မှုပေးရန် တတ်နိုင်သည့် အရာ ဖြစ်စေသည် — ၎င်းသည် 3.0 တွင် အရှိန်ထိန်း အလွှာက အတိအကျ လုပ်နေခဲ့သည့် အရာပင် ဖြစ်သည်။

04တိုကင် 196,608 — 6 ဆ ဝင်းဒိုးက ဘာတွေ ဖွင့်ပေးသလဲ

Shannon 3.0 တွင် တိုကင် 32,768 ဝင်းဒိုး ရှိသည် — အလုပ်လုပ်သည့် တစ်ခေါက်စာသာ ဖြစ်ပြီး စာရွက်စာတမ်းတစ်ခုစာ မဟုတ်ပါ။ စာပေ စာမျက်နှာ 70-80 ခန့်ဖြစ်ပြီး ဆင်ခြင်မှု ကွင်းဆက်က ကိုယ်ပိုင် စဉ်းစားမှုအတွက် သုံးသည့်အရာ၊ သင့် system prompt နှင့် ယခုအထိ စကားဝိုင်းကို နုတ်ရသေးသည်။ လက်တွေ့ အလုပ်များသည် ထိုနံရံကို အမြဲ ရိုက်မိပြီး အဆင်ပြေအောင် လုပ်နည်းများ — အပိုင်းပိုင်း ခွဲခြင်း၊ အကျဉ်းချုပ်ခြင်း၊ ကိုယ့်ပစ္စည်းများပေါ် retrieval လုပ်ခြင်း — အားလုံးသည် သင် ထိန်းသိမ်းလိုသည့် အရာကိုပင် ယိုယွင်းစေသည်။ တိုကင် 196,608 သည် လုံးဝ မတူညီသော အမျိုးအစား ပြဿနာ ဖြစ်သည်။

Shannon 3.1196K

Shannon 3.032K

အတိအကျ ပြောရလျှင် ၎င်းသည် အင်္ဂလိပ် စာသား စာမျက်နှာ 400-500 ခန့်၊ သို့မဟုတ် စမ်းသပ်မှုများနှင့် README ပါဝင်သော အလတ်စား ကုဒ်ဘေ့စ်တစ်ခု၊ သို့မဟုတ် စီမံကိန်းတစ်ခု၏ တစ်နှစ်စာ အစည်းအဝေး မှတ်စုများ၊ သို့မဟုတ် သက်သေခံ စာရွက်စာတမ်း အားလုံးနှင့်အတူ စာချုပ် အစုံတစ်ခု — စကားဝိုင်းတစ်ခုတည်းအတွင်း ကိုင်ထားပြီး မေးခွန်းတစ်ခုတည်းဖြင့် ရှာဖွေနိုင်ကာ သင်နှင့် ပစ္စည်းကြားတွင် အပိုင်းပိုင်းခွဲသည့် အလွှာ မရှိပါ။

ကုဒ်သိုလှောင်ရာ တစ်ခုလုံးဆိုင်ရာ မေးခွန်းများ။ သင် သံသယရှိပြီးသား ဖိုင်သုံးဖိုင်ကို ကူးထည့်မည့်အစား ကုဒ်ကို တင်ပြီး ချွတ်ယွင်းချက်တစ်ခု ဘာကြောင့် ထုတ်လုပ်မှုအထိ ရောက်သွားသည်ကို မေးပါ။ သင် ထည့်ရန် မတွေးမိသော ဖိုင်ကို မော်ဒယ်က ရှာတွေ့နိုင်သည်။
Retrieval မပါဘဲ ရှည်လျားသော စာရွက်စာတမ်း ခွဲခြမ်းစိတ်ဖြာခြင်း။ Retrieval သည် မော်ဒယ် ဘာကို မြင်ခွင့်ရမည်ကို ဆုံးဖြတ်သည့် ဆုံးရှုံးမှုရှိသော ကြိုတင် စစ်ထုတ်ကိရိယာ ဖြစ်သည်။ 196K တွင် ၎င်းကို ကျော်လွှားပြီး မော်ဒယ်ကို အားလုံး ဖတ်ခိုင်းနိုင်ပြီး မှန်ကန်သော စာပိုဒ်ကို ဘယ်တော့မှ မခေါ်ယူမိသည့် ကျရှုံးမှု အမျိုးအစား တစ်ခုလုံးကို ဖယ်ရှားပေးသည်။
ကိုက်ညီမှု ရှိနေဆဲ စကားဝိုင်းများ။ ရှည်လျားသော အလုပ်တစ်ခေါက်သည် ကိုယ့်အစပိုင်းကို တိတ်တဆိတ် ချန်မထားတော့ပါ။ မက်ဆေ့ဂျ် သုံးတွင် သင် သတ်မှတ်ခဲ့သော ကန့်သတ်ချက်များသည် မက်ဆေ့ဂျ် ရှစ်ဆယ်တွင်လည်း သက်ရောက်နေဆဲ ဖြစ်သည်။
ဆင်ခြင်မှု ကွင်းဆက်အတွက် နေရာ။ ကွင်းဆက်၏ ကိုယ်ပိုင် စဉ်းစားခြင်း၊ မူကြမ်းရေးခြင်းနှင့် ပြန်စစ်ခြင်းတို့သည် context ကို သုံးစွဲသည်။ 3.0 တွင် ထိုအဆင့်များသည် ရှားပါးသော ဘတ်ဂျက်အတွက် သင့်ပစ္စည်းများနှင့် ယှဉ်ပြိုင်ခဲ့ရသည်။ 3.1 တွင် ၎င်းတို့ သက်တောင့်သက်သာ ဆံ့ပြီး အရည်အသွေး တိုးတက်မှုနှင့် ဝင်းဒိုး ကျယ်လာမှု အတူတကွ ရောက်လာရသည့် အကြောင်းရင်း တစ်စိတ်တစ်ပိုင်း ဖြစ်သည်။
ကြီးမားသော ရောနှော အချက်အလက်များ။ ဘယ်အရာကို ထည့်နိုင်မည်ဆိုသည်ကို ရွေးထုတ်စရာမလိုဘဲ ရုပ်ပုံများ၊ ထုတ်နုတ်ထားသော စာရွက်စာတမ်း စာသားနှင့် ကုဒ်ကို အလှည့်တစ်ခုတည်းတွင် ထည့်နိုင်သည်။

ကျွန်ုပ်တို့အပါအဝင် ရှည်လျားသော context မော်ဒယ် တိုင်းနှင့် သက်ဆိုင်သည့် ရိုးသားသော သတိပေးချက်တစ်ခု — ဝင်းဒိုး ကြီးမားခြင်းသည် ဝန်ဆံ့မှုတစ်ခုသာ ဖြစ်ပြီး ၎င်းတစ်လျှောက် အာရုံစိုက်မှု ညီညာမည်ဟု အာမခံချက် မဟုတ်ပါ။ ဖွဲ့စည်းပုံက အထောက်အကူ ဖြစ်ဆဲ ဖြစ်သည်။ မေးခွန်းကို အဆုံးပိုင်းနားတွင် ထားခြင်း၊ စာရွက်စာတမ်းများကို အညွှန်းတပ်ခြင်းနှင့် ဘာကို ရှာရမည်ဟု မော်ဒယ်ကို ပြောပြခြင်းတို့သည် တိုကင် 5K တွင် မဖြစ်နိုင်သည့် ပုံစံဖြင့် 150K တွင် ရလဒ်များကို တိုင်းတာနိုင်စွာ တိုးတက်စေသည်။

05Lite နှင့် Pro — shannon-3.1 နှင့် shannon-3.1-pro

အဆင့် နှစ်ခုသည် ဆင်ခြင်မှု ကွင်းဆက်ကို မည်မျှ လှည့်သည်ဆိုသည့်အပေါ် ကွာခြားပြီး ၎င်းသည် ရွေးချယ်ရာတွင် အရေးပါသည့် တစ်ခုတည်းသော ကွာခြားချက် ဖြစ်သည်။

	shannon-3.1 (Lite)	shannon-3.1-pro (Pro)
ဆင်ခြင်မှု	တစ်ကြိမ်တည်း	ကွင်းဆက်အပြည့် + အသိပညာ စုဆောင်းခြင်း
ကိုယ်တိုင် ပြန်စစ်ခြင်း	မရှိ	ရှိ
Context window	196,608	196,608
စထရင်းမင်း	အမြန်နှုန်းအပြည့်၊ ကန့်သတ်မထား	အမြန်နှုန်းအပြည့်၊ ကန့်သတ်မထား
ရုပ်ပုံ & စာရွက်စာတမ်း	ရှိ	ရှိ
ပုံထုတ်လုပ်ခြင်း ကိရိယာ	ရှိ	ရှိ
အသင့်တော်ဆုံး	အလုပ်အများစု၊ ပမာဏများသော အသုံးပြုမှု	ခက်ခဲသော မေးခွန်းများ၊ ပထမမူကြမ်း မလုံလောက်သည့်အခါ

မူလအားဖြင့် Lite ကို သုံးပါ။ ကောင်းမွန်သော ဆင်ခြင်မှု မော်ဒယ်တစ်ခု၏ တစ်ကြိမ်လှည့်ခြင်းက လက်တွေ့ တောင်းဆိုမှု အများစုကို ကိုင်တွယ်နိုင်ပြီး 3.1 တွင် ကွင်းဆက်ကို စောင့်နေရသည်ဟု မခံစားရလောက်အောင် မြန်သည်။ ပထမအဖြေက များသောအားဖြင့် သင်ခန်းစာပေးသည့် ပုံစံဖြင့် မှားတတ်သော မေးခွန်းများ — ဗိသုကာဆိုင်ရာ အပေးအယူများ၊ ဆန့်ကျင်ဘက် ခွဲခြမ်းစိတ်ဖြာမှု၊ အရည်အချင်းရှိသော လုပ်ဖော်ကိုင်ဖက်တစ်ဦးကို တစ်ညအိပ် စဉ်းစားခိုင်းလိုသည့် မည်သည့်အရာမဆို — အတွက် Pro ကို ယူပါ။ Pro ၏ ကိုယ်တိုင် ပြန်စစ်သည့် အဆင့်သည် အလှဆင်မှု မဟုတ်ပါ — သင် မလုပ်ရမီ မော်ဒယ်က ကိုယ့်အမှားများကို ကိုယ်တိုင် ရှာဖွေခြင်း ဖြစ်သည်။

06ဉာဏ်ရည် 32% တိုးတက်မှုနှင့် ၎င်းကို ဘယ်လို ဖတ်ရမလဲ

Shannon Lab ၏ ကိုယ်ပိုင် အကဲဖြတ်မှုအရ Shannon 3.1 သည် Shannon 3.0 ထက် ဉာဏ်ရည် 32% တိုးတက်မှု ရှိသည်။ ၎င်းက ဘာဖြစ်ပြီး ဘာမဟုတ်သည်ကို ရှင်းရှင်းလင်းလင်း ပြောလိုသည်။

၎င်းသည် ကျွန်ုပ်တို့၏ ကိန်းဂဏန်းဖြစ်ပြီး ကျွန်ုပ်တို့၏ အတွင်းပိုင်း အကဲဖြတ်မှု အစုအဝေးမှ ရရှိကာ လူများက ဤမော်ဒယ်များထံ အမှန်တကယ် ယူဆောင်လာသည့် အရာများကို ကိုယ်စားပြုသည်ဟု ကျွန်ုပ်တို့ ယူဆသော အလုပ်များပေါ်တွင် တိုင်းတာထားသည်။ ၎င်းသည် ပြင်ပ အဖွဲ့အစည်း၏ စံနှုန်း မဟုတ်သလို အတွင်းပိုင်း ပေါင်းစည်း ကိန်းဂဏန်း တစ်ခုတည်းအပေါ် အခြေခံ၍ အဆင့်ဇယား တစ်ခု တည်ဆောက်ခြင်း သို့မဟုတ် စံနှုန်းအလိုက် ခွဲခြမ်းချက် ထုတ်ပြန်ခြင်းလည်း မလုပ်ပါ — ခွဲခြမ်းချက်တစ်ခုက အတွင်းပိုင်း အစုအဝေးတစ်ခုတွင် မရှိသည့် ပြင်ပနှင့် နှိုင်းယှဉ်နိုင်မှု အဆင့်ကို သွယ်ဝိုက် ဆိုလိုသွားသည်။

ကျွန်ုပ်တို့ ပြောမည့်အရာမှာ တိုးတက်မှု ဘယ်ကလာသည်ဆိုသည် ဖြစ်သည်၊ အဘယ်ကြောင့်ဆိုသော် ထိုအပိုင်းသည် နက်နဲသည့်အရာ မဟုတ်ပါ။ Context window ကြီးလာခြင်းက မော်ဒယ် ဆင်ခြင်မီ စွန့်ပစ်ရမည့် ပစ္စည်း နည်းသွားစေပြီး ရှည်လျားသော အလုပ်ခေါက်များတွင် ဉာဏ်ရည်နည်းသလို ထင်ရသည့် အရာအများစုမှာ အမှန်တကယ်တွင် မှတ်ဉာဏ်ပျောက်ခြင်းသာ ဖြစ်သည်။ ကျွန်ုပ်တို့ ထိန်းချုပ်သော ဝန်ဆောင်မှု စတက်တစ်ခုက မော်ဒယ်သည် ဝန်ဆောင်မှုပေးသူ၏ မူလ ဖွဲ့စည်းမှုအစား ကျွန်ုပ်တို့ ရည်ရွယ်ထားသည့် ဖွဲ့စည်းမှုဖြင့် လည်ပတ်စေသည်။ ထို့အပြင် ဒီဇိုင်းအရ မပြောင်းလဲသော ဆင်ခြင်မှု ကွင်းဆက်သည် ယခုအခါ သင့် input နှင့် မျှဝေခဲ့ရသော 32K အမြင့်ဆုံး ကန့်သတ်ချက်ကို ဖိကပ်ခံရမည့်အစား ဝင်းဒိုးအတွင်း အမှန်တကယ် လှည့်နိုင်ရန် နေရာ ရရှိသည်။

ကိုယ်တိုင် စစ်ဆေးကြည့်ပါ

သင့်အတွက် အသုံးအဝင်ဆုံး စံနှုန်းသည် သင့်ကိုယ်ပိုင် စံနှုန်း ဖြစ်သည်။ သင့် လက်တွေ့ အလုပ်ဝန်မှ prompt တစ်ခု — ပဟေဠိ မဟုတ်၊ တကယ့်တစ်ခု — ကို ယူပြီး shannon-3 တွင် တစ်ကြိမ်၊ ထို့နောက် shannon-3.1 တွင် တစ်ကြိမ် လှည့်ကြည့်ပါ။ အဖြေများကို နှိုင်းယှဉ်ပြီး အချိန်ကို တိုင်းပါ။ ကျွန်ုပ်တို့၏ ကိန်းဂဏန်းများသည် အစုအဝေးတစ်ခုတွင်း ပျမ်းမျှကို ဖော်ပြသည်၊ ပိုကောင်းလာရမည့်အရာမှာ သင့် prompt ဖြစ်သည်။

07ရုပ်ပုံ၊ စာရွက်စာတမ်းနှင့် ပုံထုတ်လုပ်ခြင်း

Shannon 3.1 သည် ရုပ်ပုံများနှင့် စာရွက်စာတမ်းများကို ဖတ်သည်။ ဖန်သားပြင်ဓာတ်ပုံများ၊ ပုံကြမ်းများ၊ ဓာတ်ပုံများ၊ စကင်ဖတ်ထားသော စာမျက်နှာများ၊ PDF နှင့် စာသား စာရွက်စာတမ်းများကို စကားဝိုင်းထဲသို့ ထည့်ပြီး ကျန်အရာအားလုံးနှင့်အတူ ဆင်ခြင်နိုင်သည်။ 196K ဝင်းဒိုးနှင့် ပေါင်းစပ်လိုက်သောအခါ ၎င်းသည် စာရွက်စာတမ်း တစ်ခုလုံးဆိုင်ရာ လုပ်ငန်းစဉ်များကို လက်တွေ့ကျစေသည် — မော်ဒယ် ဘယ်စာမျက်နှာများ မြင်ခွင့်ရမည်ကို ကြိုတင် ဆုံးဖြတ်စရာမလိုဘဲ ရှည်လျားသော အစီရင်ခံစာနှင့် ၎င်း၏ ဇယားများကို အလှည့်တစ်ခုတည်းတွင် ထည့်နိုင်သည်။

ပုံထုတ်လုပ်ခြင်းနှင့် ပုံပြင်ဆင်ခြင်းကို chat တွင် ကိရိယာတစ်ခုအဖြစ် ရနိုင်သည်။ ရုပ်ပုံတစ်ခု တောင်းလိုက်လျှင် မော်ဒယ်သည် ယခုအထိ ဆွေးနွေးခဲ့သမျှ၏ context ဖြင့် တူညီသော စကားဝိုင်းအတွင်း ကိရိယာကို တိုက်ရိုက် ခေါ်သည်။ ပြင်ဆင်ခြင်းလည်း အလားတူပင် — ရုပ်ပုံတစ်ခု ပေးပြီး ပြောင်းလဲမှုကို ဖော်ပြပါ။ ပြောင်းဝင်ရမည့် သီးခြား mode လည်း မရှိ၊ သင်ယူရမည့် သီးခြား interface လည်း မရှိပါ။

08API မှ Shannon 3.1 ကို ခေါ်ခြင်း

Shannon 3.1 ကို API ဒိုင်ယာလက် သုံးမျိုးစလုံးတွင် ရရှိနိုင်ပြီး တစ်ခုချင်းစီတွင် စထရင်းမင်း ပါဝင်သည်။ မော်ဒယ် အတူတူ၊ တောင်းဆိုမှု ပုံစံ သုံးမျိုး — သင့်တွင် ရှိပြီးသား SDK နှင့် ကိုက်ညီသည့်တစ်ခုကို ရွေးပါ။

Endpoint	ပုံစံ	စထရင်းမင်း
/v1/chat/completions	OpenAI နှင့် တွဲဖက်နိုင်	ရှိ
/v1/messages	Anthropic နှင့် တွဲဖက်နိုင်	ရှိ
/v1/responses	Responses	ရှိ

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

ဆင်ခြင်မှု ကွင်းဆက်အပြည့် လှည့်ရန် "shannon-3.1" ကို "shannon-3.1-pro" ဖြင့် လဲလိုက်ပါ။ shannon-3 ကို ခေါ်နေပြီးသားဆိုလျှင် ပြောင်းရွှေ့ခြင်းသည် မော်ဒယ် id တစ်ခုတည်းသာ ဖြစ်သည် — တောင်းဆိုမှုနှင့် တုံ့ပြန်မှု ပုံစံများ မပြောင်းလဲသလို ရှိပြီးသား စထရင်းမင်း client များလည်း ဆက်လက် အလုပ်လုပ်နေမည်။ မျှော်လင့်ရမည့် အပြုအမူ ကွာခြားချက် တစ်ခုတည်းမှာ အပိုင်း 02 တွင် ဖော်ပြထားသော တစ်ဟုန်ထိုး စထရင်း ဖြစ်သည် — တိုကင် အတူတူ၊ အစီအစဉ် အတူတူ၊ သာ၍ စောစီးစွာ ပိုမညီညာသော အပိုင်းအစများဖြင့် ရောက်လာမည်။

ပါရာမီတာ အပြည့်အစုံ ကိုးကား၊ အထောက်အထား စိစစ်ခြင်း၊ အမှား သဘောသဘာဝနှင့် အပြန်အလှန် စမ်းသပ်ကွင်းကို API စာရွက်စာတမ်းတွင် ရနိုင်သည်။ အခြား မော်ဒယ်ကဒ်များနှင့် နည်းပညာဆိုင်ရာ ရေးသားချက်များကို Shannon သုတေသနတွင် ကြည့်ပါ။

09ဆင်ဆာမဲ့ အတိုင်းပင်၊ ထိုအချက်တွင် မပြောင်းလဲပါ

Shannon 3.1 တွင် ငြင်းပယ်မှု အလွှာ မရှိသလို output ကို စစ်ထုတ်ခြင်းလည်း မရှိပါ။ ၎င်းသည် Shannon လိုင်း၏ ကျန်အရာများနှင့် တူညီသော ရပ်တည်ချက် ဖြစ်ပြီး ကိုယ်ပိုင် ကလပ်စတာသို့ ပြောင်းလိုက်သည့်အခါတွင်လည်း မပြောင်းလဲပါ — အမှန်ဆိုလျှင် ဝန်ဆောင်မှု စတက်ကို ထိန်းချုပ်ခြင်းက အာမခံရ ပိုလွယ်စေသည်၊ အဘယ်ကြောင့်ဆိုသော် မော်ဒယ်နှင့် သင့်ကြားတွင် ကိုယ်ပိုင် မူဝါဒရှိသည့် ကြားခံ ဝန်ဆောင်မှုပေးသူ မရှိတော့သောကြောင့် ဖြစ်သည်။

output လမ်းကြောင်း တစ်ခုလုံးကို ပြောင်းလဲလိုက်သော ထွက်ရှိမှုတစ်ခုအကြောင်း သံသယဖြစ်စရာ အထင်ရှားဆုံး အချက်ဖြစ်၍ ရှင်းရှင်းလင်းလင်း ပြောထိုက်သည် — အရှိန်ထိန်း အလွှာကို ဖယ်ရှားခြင်းသည် ၎င်းနေရာတွင် ထိန်းညှိမှု အလွှာတစ်ခု ထည့်လိုက်ခြင်း မဟုတ်ပါ။ မည်သည့်အရာမျှ စထရင်းကို စစ်ဆေးခြင်း၊ ပြန်ရေးခြင်း သို့မဟုတ် ကန့်သတ်ခြင်း မလုပ်ပါ။ မော်ဒယ် ထုတ်လုပ်သည့်အရာသည် ရောက်လာသည့်အရာ ဖြစ်သည်။ ကျွန်ုပ်တို့ သိသလောက်ဆိုလျှင် Shannon 3.1 သည် ဤအရွယ်အစား context window ရှိသည့် အမြန်ဆုံး ဆင်ဆာမဲ့ AI မော်ဒယ် ဖြစ်သည် — ဤဂုဏ်သတ္တိ နှစ်ခုသည် ဆက်စပ်နေသည်၊ အဘယ်ကြောင့်ဆိုသော် နှစ်ခုစလုံးသည် အခြားသူတစ်ဦးထံမှ လိုက်နာမှုပုံသဏ္ဌာန်ရှိသော စွမ်းရည်ကို ငှားရမ်းခြင်းအစား ကိုယ်ပိုင် အခြေခံအဆောက်အအုံကို လည်ပတ်ခြင်းမှ ရလာသောကြောင့် ဖြစ်သည်။

ဆင်ဆာမဲ့ခြင်းသည် တာဝန်ခံမှု မရှိခြင်းနှင့် မတူပါ။ အသုံးပြုမှုကို ကျွန်ုပ်တို့၏ တာဝန်ရှိသော အသုံးပြုမှု မူဝါဒက ထိန်းကျောင်းပြီး ခက်ခဲသော အကြောင်းအရာနှင့် ထိတွေ့ပေးမည့် မော်ဒယ်တစ်ခုနှင့်အတူ လာသည့် တာဝန်မှာ သင်ကိုယ်တိုင် တာဝန်သိစွာ ထိတွေ့ရန် ဖြစ်သည်။

10နှိုင်းယှဉ်မှုကို ကိုယ်တိုင် လုပ်ကြည့်ပါ

ဤနေရာရှိ ကြေညာချက်တိုင်းကို နှစ်မိနစ်ခန့်ဖြင့် စစ်ဆေးနိုင်ပြီး ကျွန်ုပ်တို့ကို ယုံကြည်ရုံထက် သင် စစ်ဆေးစေလိုသည်။

သင် အမှန်တကယ် လုပ်နေသော အလုပ်မှ prompt တစ်ခု ရွေးပါ။ ရှည်လျှင် ပိုကောင်းသည် — ဝင်းဒိုးနှင့် စထရင်းမင်း နှစ်ခုစလုံးကို စမ်းသပ်ပေးသည်။
၎င်းကို shannon-3 တွင် လှည့်ပါ။ ပထမ တိုကင်ရသည်အထိ ဘယ်လောက်ကြာသလဲ၊ အဖြေ ပြီးဆုံးသည်အထိ ဘယ်လောက်ကြာသလဲ မှတ်ထားပါ။
တူညီသော prompt ကို shannon-3.1 တွင် လှည့်ပါ။ ထို ကိန်းဂဏန်း နှစ်ခုကိုပင် မှတ်ထားပါ။
ထို့နောက် နာရီကို လျစ်လျူရှုပြီး အဖြေ နှစ်ခုစလုံးကို ဖတ်ကာ ဘယ်ဟာကို သင် လိုချင်မည်ဆိုသည်ကို ဆုံးဖြတ်ပါ။

အမြန်နှုန်း ကွာခြားချက်သည် ချက်ချင်း ထင်ရှားလိမ့်မည်။ အလေးထား စဉ်းစားထိုက်သည်မှာ အရည်အသွေး ကွာခြားချက် ဖြစ်သည် — ၎င်းသည် ရှည်လျားသော input များတွင် အထင်ရှားဆုံး ပေါ်လွင်ပြီး ထိုနေရာတွင် 3.0 သည် သင်ထင်ထားသည်ထက် သင့်ပစ္စည်း နည်းနည်းနှင့်သာ တိတ်တဆိတ် အလုပ်လုပ်နေခဲ့သည်။

ဒီဇိုင်း အသေးစိတ် လိုချင်ပါသလား? ထပ်ကာထပ်ကာ ဆင်ခြင်သည့် ကွင်းဆက် — စဉ်းစား၊ မူကြမ်းရေး၊ ကိုယ်တိုင်ပြန်စစ်၊ ပိုမိုကောင်းမွန်အောင်လုပ် နှင့် Pro တွင် အသိပညာ စုဆောင်းသည့် အဆင့်က ဘာလုပ်သည် — ကို Shannon 3 သုတေသန ဆောင်းပါးတွင် ဖော်ပြထားသည်။ Shannon 3.1 သည် ထိုဗိသုကာကို မပြောင်းလဲဘဲ အမွေဆက်ခံသည်။

11မကြာခဏ မေးလေ့ရှိသော မေးခွန်းများ

Shannon 3.1 ဆိုတာ ဘာလဲ?

Shannon 3.1 သည် Shannon 3 မိသားစု၏ လက်ရှိ ထွက်ရှိမှု ဖြစ်သည်။ ထပ်ကာထပ်ကာ ဆင်ခြင်သည့် ကွင်းဆက် — စဉ်းစား၊ မူကြမ်းရေး၊ ကိုယ်တိုင်ပြန်စစ်၊ ပိုမိုကောင်းမွန်အောင်လုပ် — ကို အတူတူ ဆက်လက်သုံးသော်လည်း ပြင်ပ inference ဝန်ဆောင်မှုပေးသူအစား ကျွန်ုပ်တို့ ကိုယ်ပိုင် GPU ကလပ်စတာပေါ်တွင် တိုက်ရိုက် လည်ပတ်သည်။ Shannon Lab ၏ ကိုယ်ပိုင် အကဲဖြတ်မှုအရ Shannon 3.0 နှင့် နှိုင်းယှဉ်လျှင် ဉာဏ်ရည် 32% တိုးတက်ပြီး အဖြေများ 10-15 ဆ ပိုမြန်ကာ context window ကို တိုကင် 32,768 မှ 196,608 သို့ မြှင့်တင်ထားသည်။

Shannon 3.1 သည် Shannon 3.0 ထက် ဘယ်လောက် ပိုမြန်သလဲ?

Shannon Lab ၏ ကိုယ်ပိုင် အကဲဖြတ်မှုအရ အစမှအဆုံး အဖြေများတွင် 10 ဆမှ 15 ဆအထိ ပိုမြန်သည်။ အကြောင်းရင်း နှစ်ခု ရှိသည်။ Shannon 3.0 ၏ output သည် စထရင်းကို တမင် နှုန်းကန့်သတ်ထားသော အရှိန်ထိန်း အလွှာကို ဖြတ်သန်းခဲ့ရသည်။ Shannon 3.1 တွင် အမြန်နှုန်း ကန့်သတ်ချက်လည်း မရှိ၊ ဖော်ပြမှု အရှိန်ထိန်းခြင်းလည်း မရှိသဖြင့် အင်ဂျင်က ထုတ်ပေးသည့် အမြန်နှုန်းအတိုင်း တိုကင်များ သင့်ထံ ရောက်လာသည်။ အင်ဂျင်ကိုယ်တိုင်လည်း ပိုမြန်သည် — ကျွန်ုပ်တို့ ကိုယ်ပိုင် GPU ကလပ်စတာပေါ်တွင် 4-bit NVFP4 အလေးချိန်များ အပြင် speculative decoding ပါ သုံးထားသည်။

Shannon 3.1 ၏ context window သည် ဘယ်လောက် ကြီးသလဲ?

တိုကင် 196,608 ဖြစ်ပြီး Shannon 3.0 တွင် ရရှိသော တိုကင် 32,768 ထက် 6 ဆ တိုးလာသည်။ ၎င်းသည် စာမျက်နှာ 400-500 ခန့် သို့မဟုတ် အလတ်စား ကုဒ်ဘေ့စ်တစ်ခုကို အပိုင်းပိုင်း ခွဲခြင်း သို့မဟုတ် retrieval မလိုဘဲ စကားဝိုင်းတစ်ခုတည်းအတွင်း ကိုင်ထားနိုင်သည့် ပမာဏ ဖြစ်သည်။

Speculative decoding ဆိုတာ ဘာလဲ၊ ဤနေရာတွင် ဘာကြောင့် အရေးကြီးသလဲ?

သေးငယ်ပြီး မြန်သော မူကြမ်း မော်ဒယ်တစ်ခုက နောက်လာဖွယ်ရှိသော တိုကင် အစဉ်တစ်ခုကို အဆိုပြုပြီး ပင်မ မော်ဒယ်က ၎င်းတို့ကို batch တစ်ခုတည်းဖြင့် စစ်ဆေးသည်။ လက်ခံရသော တိုကင်များကို ချက်ချင်း ထုတ်ပေးသည်၊ ပယ်ချရသောများသည် ပုံမှန် ဒီကုဒ်ခြင်းသို့ ပြန်ကျသည်။ ရလဒ်သည် ပင်မ မော်ဒယ် တစ်ခုတည်းက ထုတ်လုပ်မည့် အရာအတိုင်းပင် ဖြစ်သော်လည်း စစ်ဆေးမှု တစ်ဆင့်လျှင် တိုကင် တစ်လုံးအစား အများအပြား ရနိုင်သည်။ ၎င်းကြောင့်ပင် အမြန်နှုန်းအပြည့် စထရင်းမင်းသည် ကုန်ကျစရိတ် ပြဿနာ မဖြစ်ဘဲ တတ်နိုင်သည့် အနေအထားသို့ ရောက်သည်။

Shannon 3.1 သည် ဆင်ဆာမဲ့ ဖြစ်သလား?

ဟုတ်သည်။ Shannon လိုင်း၏ ကျန်မော်ဒယ်များနည်းတူ Shannon 3.1 တွင် ငြင်းပယ်မှု အလွှာ မရှိသလို output ကို စစ်ထုတ်ခြင်းလည်း မရှိပါ။ အရှိန်ထိန်း အလွှာကို ဖယ်ရှားလိုက်ခြင်းသည် ၎င်းနေရာတွင် ထိန်းညှိမှု အလွှာတစ်ခု ထည့်လိုက်ခြင်း မဟုတ်ပါ — သင် လက်ခံရရှိသော စထရင်းသည် မော်ဒယ်၏ output ဖြစ်သည်။

မော်ဒယ် id များက ဘာတွေဖြစ်ပြီး Shannon 3.1 ကို ဘယ်မှာ သုံးနိုင်သလဲ?

shannon-3.1 သည် Lite အဆင့်ဖြစ်ပြီး shannon-3.1-pro သည် Pro အဆင့် ဖြစ်သည်။ နှစ်ခုစလုံးကို chat တွင်လည်းကောင်း၊ API ဒိုင်ယာလက် သုံးမျိုးစလုံးတွင်လည်းကောင်း သုံးနိုင်သည် — /v1/chat/completions (OpenAI ပုံစံ)၊ /v1/messages (Anthropic ပုံစံ) နှင့် /v1/responses။ စထရင်းမင်းသည် သုံးခုစလုံးတွင် အလုပ်လုပ်သည်။

shannon-3.1 နှင့် shannon-3.1-pro ကြား ကွာခြားချက်က ဘာလဲ?

Lite သည် ဆင်ခြင်မှု ကွင်းဆက်ကို တစ်ကြိမ်သာ လှည့်သည် — စဉ်းစားပြီး အဖြေပေးသည်။ Pro သည် ကွင်းဆက်အပြည့် — စဉ်းစား၊ မူကြမ်းရေး၊ ကိုယ်တိုင်ပြန်စစ်၊ ပိုမိုကောင်းမွန်အောင်လုပ် — ကို မူကြမ်း မရေးမီ အသိပညာ စုဆောင်းသည့် အဆင့်နှင့်အတူ လှည့်သည်။ အလုပ်အများစုအတွက် Lite သည် မှန်ကန်သော မူလရွေးချယ်မှု ဖြစ်ပြီး ပထမအဖြေက အကောင်းဆုံး မဖြစ်တတ်သည့် မေးခွန်းများအတွက် Pro ဖြစ်သည်။

Shannon 3.1 ကို စမ်းကြည့်ပါ

ဆင်ခြင်မှု ကွင်းဆက် အတူတူ။ ဝင်းဒိုး ခြောက်ဆ။ အမြန်နှုန်း ကန့်သတ်ချက် မရှိ။

စကားပြောရန် စတင်ပါ API စာရွက်စာတမ်း ဖတ်ရန်

shannon-3.1 · shannon-3.1-pro · ဒိုင်ယာလက် သုံးမျိုးစလုံးတွင် စထရင်းမင်း

ဤဆောင်းပါးရှိ စွမ်းဆောင်ရည်နှင့် ဉာဏ်ရည် ကိန်းဂဏန်းများသည် ၂၀၂၆ ခုနှစ် စက်တင်ဘာလ အတွင်းပိုင်း အကဲဖြတ်မှုမှ Shannon Lab ၏ ကိုယ်ပိုင် တိုင်းတာချက်များ ဖြစ်ပြီး ပြင်ပ အဖွဲ့အစည်း၏ စံနှုန်း ရလဒ်များ မဟုတ်ဘဲ ထုတ်ကုန် ကိန်းဂဏန်းများအဖြစ် ဖော်ပြထားသည်။ Context window၊ မော်ဒယ် id များနှင့် API ရရှိနိုင်မှုတို့သည် ထုတ်ကုန် သတ်မှတ်ချက်များ ဖြစ်သည်။ Shannon AI ကို အမေရိကန်နိုင်ငံ၊ New Mexico ရှိ Shannon Lab LLC က လည်ပတ်သည်။ ဆက်စပ် ဖတ်ရှုရန် — Shannon 3 · Shannon သုတေသန အညွှန်း · API စာရွက်စာတမ်း။

All research links