Shannon 3, den usensurerte AI-modellen som gjennomgår sitt eget svar

Nesten alle chattemodeller du har brukt, svarer i én enkelt fremoverpassering. Den velger det første tokenet før den vet hva det siste blir, og når en setning først er sendt ut, er den bindende: modellen kan motsi den senere, men den kan ikke gå tilbake og rette den. Det fungerer godt når svaret er kort og spørsmålet har én del. Det fungerer dårlig når svaret er langt, spørsmålet har fire deler, og avsnitt seks stille ugyldiggjør avsnitt to. Shannon 3 finnes fordi vi ikke mente at løsningen på det var en større modell. Løsningen er å la modellen lese det den nettopp skrev.

01Hva Shannon 3 er

Shannon 3 er en modellfamilie med to nivåer. Begge nivåene kjører på vår egen GPU-klynge i stedet for på et tredjeparts inferens-API, og begge er usensurerte: det finnes ikke noe avvisningslag foran dem og ikke noe innholdsfilter bak dem. Det som skiller nivåene, er hvor mye arbeid én enkelt runde får lov til å gjøre før svaret når deg.

På API-et er de to nivåene helt vanlige modell-ID-er. Det finnes ikke noe eget endepunkt, ingen egen SDK og ingen spesialtilpasset forespørselsformat:

Nivå	Modell-ID	Rundeform	Best til
Shannon 3 Lite	shannon-3	Én runde med tenkning + utkast	Chat, tekstutkast, oppslag, høyt volum
Shannon 3 Pro	shannon-3-pro	Hele sløyfen, opptil 10 runder, pluss kunnskapsinnhenting	Analyse, lange tekster, arbeid der korrekthet er kritisk

02Hvorfor én enkelt fremoverpassering er feil form for vanskelige spørsmål

En modell som genererer tekst fra venstre mot høyre, tar en ugjenkallelig rekke lokale beslutninger. Den har ikke noe viskelær. Når den er 400 tokens inne i en forklaring og innser at rammen den valgte var feil, er de eneste alternativene å fortsette i feil ramme eller å legge til en korreksjon — noe som gir svarene alle kjenner igjen, de som sier egentlig, hvis vi ser på det ovenfor på nytt halvveis ut i teksten og lar deg selv forene to uforenlige halvdeler.

Tankekjeder forbedrer dette, men løser det ikke. Å tenke først gir modellen en plan før den binder seg til prosa, og det er en reell gevinst; utkastet som følger, skrives fortsatt i én runde og sendes fortsatt ut ulest. Ingenting stiller noen gang spørsmålet en menneskelig redaktør stiller først: gjør dette svaret faktisk det tenkningen sa at det skulle gjøre? Feilmåtene som overlever tankekjeder, er spesifikke og gjenkjennelige:

• Bortfalte delspørsmål. Du spurte om fire ting. Tenkningen listet fire ting. Svaret dekker tre.
• Plandrift. Resonneringen lander på én tilnærming; prosaen tar gradvis i bruk en annen, og ingen enkeltsetning er stedet der det gikk galt.
• Regning og enheter. Et tall som ble regnet riktig ut i tenkningen, blir feil overført til svaret, eller en månedsverdi presenteres som en årsverdi.
• Ignorerte begrensninger. Du sa ingen eksterne avhengigheter; koden importerer én, og tenkningen nevner aldri begrensningen igjen etter å ha bekreftet den.
• Selvsikre hull. Modellen sier i tenkningen at den er usikker på ett bestemt faktum, og slår det så likevel fast i svaret.

Hver eneste av disse fanges opp ved å lese utkastet. Ingen av dem fanges opp ved å generere utkastet mer omhyggelig.

03Resonneringssløyfen, stadium for stadium

En Shannon 3 Pro-runde er en sløyfe med fire stadier og en avslutningsbetingelse.

Tenk

Modellen arbeider med problemet før den skriver noe til deg: den bryter ned spørsmålet, noterer begrensninger, identifiserer hva den vet og ikke vet, og lander på en tilnærming. Det den produserer her, blir standarden svaret senere måles mot.

Utkast

Modellen skriver et fullstendig, ekte svar — ikke en disposisjon. Det må være fullstendig, fordi neste stadium vurderer et ferdig produkt, og en skisse kan ikke gjennomgås for feilmåter som først dukker opp i full lengde.

Gjennomgang

Dette er stadiet som gjør familien til det den er. Modellen leser utkastet opp mot tenkningen — en langt skarpere prøve enn å lese utkastet alene. Å spørre en modell «er dette svaret bra?» inviterer den til å si ja; å spørre «planen sa at X, Y og Z skulle dekkes under begrensning C — gjør denne teksten det?» gir den noe falsifiserbart å sjekke. Gjennomgangen navngir det som er galt, i stedet for å gi en karakter.

Skriv om

De navngitte problemene rettes i et nytt utkast. Dette er en omskriving, ikke en lapp: en rettelse som krever at argumentet omorganiseres, får lov til å omorganisere argumentet. Det nye utkastet går tilbake til gjennomgang.

Stopp

Sløyfen avsluttes første gang en gjennomgang godkjenner utkastet — den normale utgangen, og på de fleste runder skjer det god tid før taket. Det harde taket på 10 iterasjoner finnes for de patologiske tilfellene, som et virkelig tvetydig spørsmål der hver omskriving bytter én svakhet mot en annen, slik at en runde ikke kan snurre i det uendelige.

Lite tar de samme to første stadiene og stopper. Den tenker, den skriver utkast, den gir deg utkastet. Det er en bevisst produktbeslutning, ikke et avstrippet uhell: på en stor andel av virkelige meldinger er det første utkastet det riktige svaret, og å betale gjennomgangslatens for å få vite det er en dårlig byttehandel. Lite er for når du vil at modellen skal være rask; Pro er for når du vil at den skal være sikker.

04Pros kunnskapsinnhenting: å be om hjelp i stedet for å gjette

Selvgjennomgang fanger opp motsigelser, utelatelser og brudd på begrensninger, fordi bevisene som trengs for å fange dem opp, allerede finnes i runden. Den kan ikke fange opp et faktum modellen rett og slett ikke har. En modell som gjennomgår sitt eget utkast, kan konkludere med jeg er ikke trygg på dette tallet og så ikke ha noe sted å gå med den konklusjonen.

Pro gir den et sted å gå. Rundt utkaststadiet utfører den en kunnskapsinnhenting: den identifiserer de bestemte faktaene den mangler eller er usikker på, spør en annen, større modell om nøyaktig disse, og fletter det som kommer tilbake, inn i det forbedrede svaret. Det er et målrettet oppslag drevet av et hull modellen selv har navngitt, ikke en generell «second opinion».

To egenskaper betyr noe i praksis. Den er avgrenset: innhentingen spør om identifiserte hull i stedet for å stille hele spørsmålet på nytt, slik at den større modellen konsulteres der den tilfører informasjon, ikke der den bare ville tilført en annen stemme. Og den er integrert: innhentede fakta går tilbake gjennom sløyfen og møter den samme gjennomgangen som alt annet, i stedet for å ankomme som et påklistret avsnitt.

05Resonneringen er synlig, og den er på ditt språk

Hele sporet vises for deg mens runden kjører: tenkningen, og på Pro hver gjennomgang og hva den hadde innvendinger mot. Dette er ikke en feilsøkingsvisning vi tolererer å eksponere — det er en stor del av det du kjøper, og det endrer arbeidsforholdet på tre konkrete måter.

• Du kan stoppe tidlig. Hvis tenkningen mistolker spørsmålet ditt — et vanlig utfall av en tvetydig prompt, ikke av en dårlig modell — finner du det ut i løpet av de første sekundene, ikke etter at et fullt svar har ankommet og løst feil problem.
• Du kan revidere resonneringen uavhengig av svaret. Et riktig svar som er nådd gjennom gal resonnering, er en risiko, fordi det ikke overlever neste spørsmål.
• Du kan se sløyfen mislykkes. Når Pro brenner flere iterasjoner uten å konvergere, vises det i stedet for å skjules — og det er reell informasjon, som regel et tegn på at spørsmålet er underspesifisert.

Sporet er skrevet på ditt eget språk, ikke generert på engelsk og oversatt til slutt. Hvis du jobber på japansk, arabisk, tyrkisk eller portugisisk, resonnerer modellen på det språket — noe som holder terminologien i sporet i samsvar med terminologien i svaret, og unngår sømmene som dukker opp når en modell tenker på ett språk og snakker på et annet.

06Usensurert: ingen avvisningslag, ingen utdatafiltrering

Shannon 3 leveres uten avvisningslag og uten innholdsfiltrering av utdataene. Avvisningsatferd finnes ikke i produktet på noe nivå: ikke som et skall som inspiserer meldingen din før modellen ser den, ikke som en klassifiserer som inspiserer svaret før du ser det, og ikke som en refleks modellen må overtales bort fra. Det er vesentlig forskjellig fra de to tingene folk vanligvis mener når de sier «usensurert»:

Tilnærming	Hva den gjør	Hvordan den svikter
Jailbreak via systemprompt	Instruerer en justert modell i å oppføre seg som om den ikke var det	Forvitrer gjennom en lang samtale; avslaget kommer tilbake under press
Fjernet utdatafilter	Slutter å blokkere tekst modellen allerede har produsert	Modellen skriver fortsatt forbeholden, unnvikende tekst — ingenting ble blokkert, det ble aldri skrevet
Shannon 3	Ikke noe avvisningslag å fjerne og ikke noe filter å slå av — atferden er rett og slett ikke der	Legger vurderingen helt og holdent på deg; modellen vil ikke si nei på dine vegne

I praksis går Shannon 3 inn i spørsmålet du stilte, i stedet for det tryggere spørsmålet ved siden av: fiksjon med ekte antagonister, sikkerhetstemaer diskutert teknisk snarere enn i pressemeldingshøyde, medisinsk, juridisk og finansiell informasjon gitt direkte med de forbeholdene som faktisk er berettiget — og ingen avsluttende formaning om hvorfor du kanskje spurte. Den utvanner heller ikke sløyfen: en gjennomgang står fritt til å si at utkastet er feil, og det er en annen og mer nyttig form for motstand enn et avslag.

Det fraværet av et avvisningslag ikke gjør, er å gjøre modellen korrekt. En usensurert modell er nøyaktig like i stand til å ta selvsikkert feil som en sensurert, og gjør det mer synlig, siden den ikke trekker seg tilbake i vaghet når den er usikker. Det er et av de bedre argumentene for sløyfen: uten en avvisningsrefleks i veien gjør selvgjennomgangen det sikkerhetsarbeidet som betyr noe for en profesjonell bruker — å fange opp feil. Din bruk av modellen er fortsatt underlagt vår policy for ansvarlig bruk og loven der du befinner deg.

07Syn, dokumenter og bildegenerering

Begge nivåene tar imot bilder og dokumenter som vedlegg og leser dem som en del av runden. Et skjermbilde av et mislykket bygg, en fotografert tavle, et skjema, en skannet kontraktsside eller en PDF kan være selve temaet for spørsmålet i stedet for noe du må transkribere først. På Pro deltar vedlegg i sløyfen som alt annet: hvis en gjennomgang finner at utkastet svarte på et spørsmål bildet ikke understøtter, blir det skrevet om.

Bildegenerering og bilderedigering er tilgjengelig i chat som et verktøy, ikke som modellens formål. Shannon 3 er en resonneringsmodell som kan lage eller redigere et bilde når samtalen krever det, ikke en bildemodell med et chattegrensesnitt festet på. Skillet setter forventningene riktig: bedøm familien etter hvordan den tenker, og se på bilder som en bekvemmelighet som sparer deg for et kontekstbytte.

08Kontekstvindu, og hvor 3.x-linjen gikk videre

Shannon 3.0 ble lansert med et kontekstvindu på 32,768 tokens. Det er det ærlige historiske tallet, og verdt å si rett ut, fordi en sløyfe bruker kontekst annerledes enn en modell med én enkelt runde: prompten din, vedleggene dine, tenkningen og hver eneste utkast- og gjennomgangssyklus lever i det samme budsjettet.

32K er komfortabelt for det meste av chat- og analysearbeid — et langt dokument, en betydelig kodefil, et detaljert flerdelt spørsmål med plass til at sløyfen får kjøre. Det er trangt for virkelig store inndata, og nettopp den begrensningen var det neste utgivelse tok tak i. Shannon 3.1 hever kontekstvinduet betraktelig og endrer hva sløyfen kan rettes mot; hvis du vurderer familien i dag, les den artikkelen som nummer to og behandle tallet her som historie.

09Å kalle Shannon 3 fra API-et

Shannon 3 er tilgjengelig gjennom alle tre API-dialektene våre, på de samme modellene, med strømming på hver av dem:

Dialekt	Endepunkt	Bruk den når
OpenAI-kompatibel	/v1/chat/completions	Du har eksisterende OpenAI-klientkode — bytt base-URL og modell-ID
Anthropic-kompatibel	/v1/messages	Stakken din er bygget rundt Messages-formatet
Responses	/v1/responses	Du vil ha den nyere forespørsels-/svarformen

Send shannon-3 eller shannon-3-pro som modell-ID. To ting er verdt å planlegge for på klientsiden. Pros runder tar lengre tid, og med varierende mengde, fordi antall iterasjoner avhenger av spørsmålet — sett tidsavbrudd mot taket i stedet for gjennomsnittet, og foretrekk strømming slik at brukeren ser framdrift i stedet for en spinner. Og resonneringssporet er innhold du kan velge å vise; der brukere venter, er det som regel bedre å vise det enn å skjule det, fordi det gjør død tid om til noe leselig. Forespørsels- og svarskjemaer, detaljer om strømming og en live lekegrind finnes i API-dokumentasjonen.

10Å velge nivå

Pros sløyfe fortjener latensen sin i forhold til hvor mye det er å ta feil av.

Oppgaven din	Nivå	Hvorfor
Raskt faktaspørsmål, kort svar	shannon-3	Det første utkastet er svaret; gjennomgangen har ingenting å fange opp
Automatisering med høyt volum eller stramme latenskrav	shannon-3	Forutsigbar rundetid er den bindende begrensningen
Flerdelt analyse med begrensninger	shannon-3-pro	Bortfalte delspørsmål og brudd på begrensninger er nøyaktig det gjennomgangen fanger opp
Lange tekster som må henge sammen	shannon-3-pro	Indre motsigelse er en egenskap ved den fulle lengden, usynlig mens man skriver
Alt med tall du skal handle på	shannon-3-pro	Gjennomgangen sjekker regnestykket og enhetene på nytt mot tenkningen
Spørsmål som berører fakta i ytterkanten av modellen	shannon-3-pro	Kunnskapsinnhentingen gjør et navngitt hull om til et oppslag

Et praktisk mønster: bruk Lite mens du fortsatt finner ut hva du skal spørre om, og kjør så det ferdige spørsmålet én gang på Pro. Sløyfen er verdt å betale for på den versjonen av spørsmålet du faktisk mente.

11Begrensninger verdt å kjenne før du satser

Et modellkort som bare lister styrker, er en reklame. Her er hvor Shannon 3 vil skuffe deg:

• Pro er tregere, og uforutsigbart tregere. En runde som konvergerer på to iterasjoner, og en som går til ti, skiller seg flere ganger i klokketid. Trenger du avgrenset latens, bruk Lite.
• Gjennomgang er ikke bevis. En modell som sjekker sitt eget arbeid, deler sine egne blindsoner. Sløyfen fanger pålitelig opp uoverensstemmelse mellom tenkning og utkast; den fanger ikke pålitelig opp en feil som holdes med selvtillit i selve tenkningen.
• Konteksten deles med sløyfen. Ved 32K er en svært lang inndata pluss flere utkast i full lengde en reell begrensning på 3.0. Se Shannon 3.1 for det hevede taket.
• Innhentingen fyller bare hull modellen legger merke til. Den gjør «jeg er usikker på dette» om til et oppslag, og det er en reell gevinst — men et faktum modellen tar selvsikkert feil om, blir aldri flagget som manglende, og blir derfor aldri hentet inn.
• Usensurert betyr usensurert. Modellen vil ikke nekte og vil ikke pakke inn. Hvis produktet ditt trenger en avvisningsgrense, bygg den der du kan se den, i stedet for å håpe at modellen leverer en.

12Ofte stilte spørsmål

---

Shannon 3 drives av Shannon Lab LLC, New Mexico, USA. Tallene her beskriver lanseringskonfigurasjonen for 3.0; se modellkortet for Shannon 3.1 for gjeldende grenser og forskningsindeksen for resten av familien. Vi publiserer ingen benchmark-poeng for Shannon 3 og fremsetter ingen sammenlignende ytelsespåstander.