Shannon 3, o modelo de IA sem censura que revisa a própria resposta
Um ciclo de raciocínio iterativo no nosso próprio cluster de GPUs: pensar, rascunhar, revisar, reescrever. O Lite faz uma passagem. O Pro faz até dez e pede os fatos que sabe estarem faltando.
Resumo
O Shannon 3 é uma família de modelos de IA sem censura servida a partir do nosso próprio cluster de GPUs. Sua característica distintiva é o formato de um turno: o modelo pensa, escreve um rascunho e então relê o próprio rascunho em relação ao próprio pensamento e reescreve o que não se sustenta. O Lite (shannon-3) faz uma passagem de pensar e rascunhar, para a menor latência. O Pro (shannon-3-pro) executa o ciclo completo por até 10 iterações, parando no momento em que uma revisão aprova o rascunho, e ainda realiza uma colheita de conhecimento junto a um modelo maior para preencher fatos que percebeu estarem faltando. Todo o rastro de raciocínio é visível, no seu idioma. A entrada por imagem e por documento é suportada nos dois níveis. O contexto no lançamento do 3.0 era de 32,768 tokens.
Praticamente todo modelo de chat que você já usou responde em uma única passagem direta. Ele escolhe o primeiro token antes de conhecer o último e, uma vez emitida, a frase está comprometida: o modelo pode contradizê-la depois, mas não pode voltar e corrigi-la. Isso funciona bem quando a resposta é curta e a pergunta tem uma só parte. Funciona mal quando a resposta é longa, a pergunta tem quatro partes e o parágrafo seis invalida discretamente o parágrafo dois. O Shannon 3 existe porque não achamos que a solução para isso fosse um modelo maior. A solução é deixar o modelo ler o que acabou de escrever.
01O que é o Shannon 3
O Shannon 3 é uma família de modelos com dois níveis. Ambos rodam no nosso próprio cluster de GPUs, e não em uma API de inferência de terceiros, e ambos são sem censura: não há camada de recusa na frente deles nem filtro de conteúdo atrás. O que difere entre os níveis é quanto trabalho um único turno pode fazer antes que a resposta chegue até você.
Na API, os dois níveis são ids de modelo comuns. Não há endpoint especial, nem SDK separado, nem formato de requisição sob medida:
| Nível | Id do modelo | Formato do turno | Melhor para |
|---|---|---|---|
| Shannon 3 Lite | shannon-3 | Uma passagem de pensar + rascunhar | Chat, redação, consultas, alto volume |
| Shannon 3 Pro | shannon-3-pro | Ciclo completo, até 10 passagens, mais colheita de conhecimento | Análise, textos longos, trabalho sensível à correção |
02Por que uma única passagem direta é o formato errado para perguntas difíceis
Um modelo que gera texto da esquerda para a direita toma uma sequência irrevogável de decisões locais. Ele não tem borracha. Quando está a 400 tokens de uma explicação e percebe que o enquadramento escolhido estava errado, as únicas opções são continuar no enquadramento errado ou acrescentar uma correção — produzindo aquelas respostas que todo mundo reconhece, as que dizem na verdade, revendo o acima no meio do caminho e deixam para você conciliar duas metades incompatíveis.
A cadeia de pensamento melhora isso, mas não resolve. Pensar antes dá ao modelo um plano antes de ele se comprometer com a prosa, o que é um ganho real; o rascunho que vem depois ainda é escrito em uma passagem e ainda é entregue sem ser lido. Nada nunca faz a pergunta que um editor humano faz primeiro: esta resposta faz de fato o que o pensamento disse que faria? Os modos de falha que sobrevivem à cadeia de pensamento são específicos e reconhecíveis:
- Subperguntas descartadas. Você perguntou quatro coisas. O pensamento listou quatro coisas. A resposta cobre três.
- Desvio do plano. O raciocínio se fixa em uma abordagem; a prosa adota gradualmente outra, e nenhuma frase isolada é onde ela saiu do rumo.
- Aritmética e unidades. Um número calculado corretamente no pensamento é transcrito errado para a resposta, ou um valor por mês é apresentado como por ano.
- Restrições ignoradas. Você disse: nenhuma dependência externa; o código importa uma, e o pensamento nunca mais menciona a restrição depois de reconhecê-la.
- Lacunas confiantes. O modelo diz no pensamento que não tem certeza de um fato específico e, mesmo assim, o afirma categoricamente na resposta.
Cada um desses casos é pego ao ler o rascunho. Nenhum é pego gerando o rascunho com mais cuidado.
03O ciclo de raciocínio, etapa por etapa
Um turno do Shannon 3 Pro é um ciclo com quatro etapas e uma condição de saída.
Pensar
O modelo trabalha o problema antes de escrever qualquer coisa para você: decompõe a pergunta, anota restrições, identifica o que sabe e o que não sabe, define uma abordagem. O que ele produz aqui vira o padrão contra o qual a resposta será medida depois.
Rascunhar
O modelo escreve uma resposta completa e de verdade — não um esboço. Ela precisa ser completa, porque a etapa seguinte avalia um artefato acabado, e um esboço não pode ser revisado quanto a modos de falha que só aparecem em tamanho real.
Revisar
Esta é a etapa que faz a família ser o que é. O modelo lê o rascunho em relação ao pensamento — um teste muito mais afiado do que ler o rascunho sozinho. Perguntar a um modelo “esta resposta é boa?” é convidá-lo a dizer que sim; perguntar “o plano dizia para cobrir X, Y e Z sob a restrição C — este texto faz isso?” dá a ele algo falseável para verificar. A revisão nomeia o que está errado, em vez de atribuir uma nota.
Reescrever
Os problemas nomeados são corrigidos em um novo rascunho. Isso é uma reescrita, não um remendo: uma correção que exija reordenar o argumento tem permissão para reordenar o argumento. O novo rascunho volta para a revisão.
Parar
O ciclo termina na primeira vez em que uma revisão aprova o rascunho — a saída normal, e na maioria dos turnos ela acontece bem antes do teto. O limite rígido de 10 iterações existe para casos patológicos, como uma pergunta genuinamente ambígua em que cada reescrita troca um defeito por outro, para que um turno não gire indefinidamente.
O Lite executa as mesmas duas primeiras etapas e para. Ele pensa, rascunha e entrega o rascunho. Essa é uma decisão de produto deliberada, não um acidente de versão reduzida: em uma grande parcela das mensagens reais, o primeiro rascunho é a resposta certa, e pagar a latência da revisão para ouvir isso é um mau negócio. O Lite é para quando você quer que o modelo seja rápido; o Pro é para quando você quer que ele tenha certeza.
04A colheita de conhecimento do Pro: pedir ajuda em vez de chutar
A autorrevisão pega contradições, omissões e violações de restrições, porque a evidência necessária para pegá-las já está no turno. Ela não consegue pegar um fato que o modelo simplesmente não tem. Um modelo revisando o próprio rascunho pode concluir não estou confiante sobre este número e então não ter para onde levar essa conclusão.
O Pro lhe dá para onde ir. Em torno da etapa de rascunho ele realiza uma colheita de conhecimento: identifica os fatos específicos que estão faltando ou sobre os quais tem dúvida, consulta um segundo modelo, maior, exatamente sobre eles, e incorpora o que volta à resposta melhorada. É uma consulta direcionada, movida por uma lacuna que o próprio modelo nomeou, e não uma segunda opinião genérica.
Duas propriedades importam na prática. Ela é delimitada: a colheita pergunta sobre lacunas identificadas, em vez de refazer a pergunta inteira, de modo que o modelo maior é consultado onde acrescenta informação, e não onde apenas acrescentaria uma voz diferente. E ela é integrada: os fatos colhidos voltam ao ciclo e enfrentam a mesma revisão que todo o resto, em vez de chegarem como um parágrafo colado por fora.
O que isso muda em relação à incerteza
O efeito mais útil da colheita não é o Pro saber mais. É a incerteza do Pro se tornar acionável. Um modelo que só sabe que está inseguro precisa escolher entre relativizar tudo e afirmar com confiança. Um que consegue transformar “não tenho certeza disso” em “deixe-me ir descobrir” relativiza em menos lugares e é específico em mais deles.
05O raciocínio é visível, e está no seu idioma
Todo o rastro é exibido para você enquanto o turno roda: o pensamento e, no Pro, cada revisão e o que ela objetou. Isso não é uma visão de depuração que toleramos expor — é boa parte do que você está comprando, e muda a relação de trabalho de três formas concretas.
- Você pode parar cedo. Se o pensamento interpreta mal a sua pergunta — um resultado comum de um prompt ambíguo, não de um modelo ruim —, você descobre nos primeiros segundos, e não depois de chegar uma resposta inteira que resolve o problema errado.
- Você pode auditar o raciocínio separadamente da resposta. Uma resposta correta obtida por raciocínio errado é um passivo, porque não vai sobreviver à próxima pergunta.
- Você pode ver o ciclo falhar. Quando o Pro queima várias iterações sem convergir, isso é mostrado em vez de escondido — e é informação de verdade, geralmente significando que a pergunta está subespecificada.
O rastro é escrito no seu próprio idioma, e não gerado em inglês e traduzido no final. Se você trabalha em japonês, árabe, turco ou português, o modelo raciocina nesse idioma — o que mantém a terminologia do rastro coerente com a terminologia da resposta e evita as emendas que aparecem quando um modelo pensa em uma língua e fala em outra.
06Sem censura: nenhuma camada de recusa, nenhum filtro de saída
O Shannon 3 vem sem camada de recusa e sem filtragem de conteúdo na saída. O comportamento de recusa não está presente no produto em nenhum nível: nem como um invólucro que inspeciona a sua mensagem antes de o modelo vê-la, nem como um classificador que inspeciona a resposta antes de você vê-la, nem como um reflexo do qual o modelo precise ser dissuadido. Isso é materialmente diferente das duas coisas que as pessoas costumam querer dizer com “sem censura”:
| Abordagem | O que ela faz | Como ela falha |
|---|---|---|
| Jailbreak por prompt de sistema | Instrui um modelo alinhado a se comportar como se não fosse alinhado | Decai ao longo de uma conversa longa; a recusa retorna sob pressão |
| Remoção do filtro de saída | Deixa de bloquear texto que o modelo já produziu | O modelo ainda escreve texto evasivo e cheio de ressalvas — nada foi bloqueado, simplesmente nunca foi escrito |
| Shannon 3 | Nenhuma camada de recusa a remover e nenhum filtro a desativar — o comportamento simplesmente não está lá | Coloca o juízo inteiramente sobre você; o modelo não vai recusar em seu nome |
Na prática, o Shannon 3 se engaja com a pergunta que você fez, em vez da pergunta mais segura ao lado dela: ficção com antagonistas de verdade, temas de segurança discutidos tecnicamente e não na altitude de um comunicado de imprensa, informação médica, jurídica e financeira dada de forma direta, com as ressalvas que realmente se justificam — e sem sermão final sobre por que você poderia ter perguntado aquilo. Ele também não dilui o ciclo: uma revisão é livre para dizer que o rascunho está errado, o que é um tipo de resistência diferente e mais útil do que uma recusa.
O que a ausência de uma camada de recusa não faz é tornar o modelo correto. Um modelo sem censura é exatamente tão capaz de estar confiantemente errado quanto um censurado, e de forma mais visível, já que não se refugia na vagueza quando está inseguro. Esse é um dos melhores argumentos a favor do ciclo: sem um reflexo de recusa no caminho, a autorrevisão faz o trabalho de segurança que importa para um usuário profissional — pegar erros. O seu uso do modelo continua regido pela nossa Política de Uso Responsável e pela lei do lugar onde você está.
Não publicamos pontuações de benchmark para o Shannon 3 e não fazemos comparações diretas com outros modelos. O benefício do ciclo é estrutural — ele pega classes de erro que uma única passagem não pega — e preferimos descrever esse mecanismo com precisão a lhe atribuir um número que não verificamos de forma independente. Tudo acima descreve o que um turno faz; a maneira mais rápida de conferir é rodar um e ler o rastro.
07Visão, documentos e geração de imagens
Os dois níveis aceitam imagens e documentos como anexos e os leem como parte do turno. Uma captura de tela de um build com falha, um quadro branco fotografado, um esquema, uma página de contrato digitalizada ou um PDF podem ser o assunto da pergunta, em vez de algo que você precise transcrever antes. No Pro, os anexos participam do ciclo como todo o resto: se uma revisão decidir que o rascunho respondeu a uma pergunta que a imagem não sustenta, isso é reescrito.
A geração e a edição de imagens estão disponíveis no chat como ferramenta, não como a finalidade do modelo. O Shannon 3 é um modelo de raciocínio que pode produzir ou editar uma imagem quando a conversa pede uma, e não um modelo de imagem com uma interface de chat acoplada. A distinção calibra as expectativas corretamente: julgue a família pela forma como ela pensa e trate as imagens como uma conveniência que poupa uma troca de contexto.
08Janela de contexto e para onde a linha 3.x foi em seguida
O Shannon 3.0 foi lançado com uma janela de contexto de 32,768 tokens. Esse é o número histórico honesto, e vale dizê-lo com clareza, porque um ciclo consome contexto de forma diferente de um modelo de passagem única: o seu prompt, os seus anexos, o pensamento e cada ciclo de rascunho e revisão vivem no mesmo orçamento.
32K é confortável para a maior parte do trabalho de chat e de análise — um documento longo, um arquivo de código substancial, uma pergunta detalhada de várias partes, com espaço para o ciclo rodar. É apertado para entradas genuinamente grandes, e foi exatamente essa restrição que a versão seguinte atacou. O Shannon 3.1 amplia substancialmente a janela de contexto e muda para onde o ciclo pode ser apontado; se você está avaliando a família hoje, leia aquele artigo em segundo lugar e trate o número daqui como história.
09Chamando o Shannon 3 pela API
O Shannon 3 está disponível nos três dialetos da nossa API, nos mesmos modelos, com streaming em cada um:
| Dialeto | Endpoint | Use quando |
|---|---|---|
| Compatível com OpenAI | /v1/chat/completions | Você já tem código cliente da OpenAI — troque a URL base e o id do modelo |
| Compatível com Anthropic | /v1/messages | Sua stack é construída em torno do formato Messages |
| Responses | /v1/responses | Você quer o formato mais recente de requisição/resposta |
Passe shannon-3 ou shannon-3-pro como id do modelo. Duas coisas valem ser planejadas no lado do cliente. Os turnos do Pro demoram mais, e por um tempo variável, porque o número de iterações depende da pergunta — defina os tempos limite com base no teto, e não na média, e prefira o streaming, para que o usuário veja progresso em vez de um indicador girando. E o rastro de raciocínio é conteúdo que você pode escolher exibir; quando há usuários esperando, mostrá-lo costuma ser melhor do que escondê-lo, porque converte tempo morto em algo legível. Os esquemas de requisição e resposta, os detalhes de streaming e um playground ao vivo estão na documentação da API.
10Escolhendo um nível
O ciclo do Pro compensa sua latência na proporção de quanta coisa há para dar errado.
| Sua tarefa | Nível | Por quê |
|---|---|---|
| Pergunta factual rápida, resposta curta | shannon-3 | O primeiro rascunho é a resposta; a revisão não tem o que pegar |
| Automação de alto volume ou limitada por latência | shannon-3 | O tempo de turno previsível é a restrição decisiva |
| Análise de várias partes com restrições | shannon-3-pro | Subperguntas descartadas e violações de restrições são exatamente o que a revisão pega |
| Textos longos que precisam se sustentar | shannon-3-pro | A contradição interna é uma propriedade do texto inteiro, invisível durante o rascunho |
| Qualquer coisa com números sobre os quais você vai agir | shannon-3-pro | A revisão reconfere a aritmética e as unidades em relação ao pensamento |
| Perguntas que tocam fatos no limite do modelo | shannon-3-pro | A colheita de conhecimento transforma uma lacuna nomeada em uma consulta |
Um padrão prático: use o Lite enquanto ainda está descobrindo o que perguntar e depois rode uma vez no Pro a pergunta já definida. Vale pagar pelo ciclo na versão da pergunta que você realmente queria fazer.
11Limitações que vale conhecer antes de se comprometer
Um cartão de modelo que lista apenas pontos fortes é um anúncio. Eis onde o Shannon 3 vai decepcionar você:
- O Pro é mais lento, e de forma imprevisível. Um turno que converge em duas iterações e outro que vai até dez diferem várias vezes em tempo de relógio. Se você precisa de latência limitada, use o Lite.
- Revisão não é prova. Um modelo que confere o próprio trabalho compartilha os próprios pontos cegos. O ciclo pega de forma confiável a inconsistência entre pensamento e rascunho; ele não pega de forma confiável um erro sustentado com confiança dentro do próprio pensamento.
- O contexto é compartilhado com o ciclo. Com 32K, uma entrada muito longa somada a vários rascunhos de tamanho real é uma restrição real no 3.0. Veja o Shannon 3.1 para o teto ampliado.
- A colheita só preenche lacunas que o modelo percebe. Ela transforma “não tenho certeza disso” em uma consulta, o que é um ganho real — mas um fato sobre o qual o modelo está confiantemente errado nunca é sinalizado como faltante e, portanto, nunca é colhido.
- Sem censura significa sem censura. O modelo não vai recusar nem suavizar. Se o seu produto precisa de um limite de recusa, construa-o onde você possa vê-lo, em vez de torcer para que o modelo forneça um.
12Perguntas frequentes
O que é o Shannon 3?
O Shannon 3 é uma família de modelos sem censura executados no nosso próprio cluster de GPUs. O que o distingue é o formato de um turno: em vez de uma única passagem direta, ele pensa, rascunha uma resposta e então revisa esse rascunho em relação ao próprio pensamento e o reescreve. Ele vem em dois níveis, shannon-3 (Lite) e shannon-3-pro (Pro).
Qual é a diferença entre o Shannon 3 Lite e o Shannon 3 Pro?
O Lite executa uma única passagem de pensar e rascunhar, mantendo a latência próxima à de um modelo comum. O Pro executa o ciclo completo, revisando e reescrevendo cada rascunho por até 10 iterações e parando antes no momento em que uma revisão o aprova. O Pro também realiza uma colheita de conhecimento, consultando um segundo modelo, maior, sobre fatos que identificou como faltantes.
O Shannon 3 é mesmo sem censura?
Sim. O Shannon 3 vem sem camada de recusa e sem filtro de conteúdo na saída. O comportamento de recusa não está presente no próprio modelo, então não há nada que volte discretamente no meio de uma conversa longa, como acontece com uma persona induzida por prompt. O uso do modelo continua regido pela nossa Política de Uso Responsável e pela lei do lugar onde você está.
O ciclo de revisão realmente torna as respostas melhores?
Ele ajuda mais onde uma única passagem é estruturalmente fraca: respostas longas cujo final contradiz o começo, perguntas de várias partes em que uma parte é silenciosamente descartada, erros de aritmética e de unidades e código que ignora uma restrição declarada. Ajuda menos em consultas curtas, em que o primeiro rascunho já é a resposta. É por isso que o Lite existe.
O que acontece se a revisão nunca aprovar o rascunho?
O ciclo para no teto de 10 iterações e devolve o melhor rascunho que alcançou, em vez de girar indefinidamente. Como o rastro é visível, você também pode ler as objeções que nunca foram resolvidas — o que normalmente significa que a pergunta era ambígua o bastante para que cada reescrita trocasse um defeito por outro, e é um sinal para reformulá-la.
O Shannon 3 consegue ler imagens e documentos?
Sim. Os dois níveis aceitam anexos de imagem e de documento e os leem como parte do turno, então uma captura de tela, um diagrama, uma página digitalizada ou um PDF podem ser o assunto da pergunta, em vez de algo que você precise transcrever antes. A geração e a edição de imagens também estão disponíveis no chat, mas como uma ferramenta que o modelo pode chamar, não como sua finalidade.
Posso ver o raciocínio do modelo?
Sim. O rastro é exibido enquanto o turno roda, escrito no seu próprio idioma, e não traduzido do inglês no final. No Pro você acompanha cada ciclo de revisão, o que torna visível o momento em que o modelo pega o próprio erro — e igualmente visível quando ele não pega.
Qual era a janela de contexto do Shannon 3 no lançamento?
O Shannon 3.0 foi lançado com uma janela de contexto de 32,768 tokens, compartilhada entre o seu prompt, os anexos, o rastro de raciocínio e a resposta. O Shannon 3.1 amplia esse número; veja o artigo do Shannon 3.1 para o valor atual.
Experimente o ciclo você mesmo
Faça a mesma pergunta duas vezes — uma no Lite, outra no Pro — e observe o que a revisão muda.
Começar a conversar Ler a documentação da APIshannon-3 · shannon-3-pro · streaming nos três dialetos de API
O Shannon 3 é operado pela Shannon Lab LLC, Novo México, EUA. Os números aqui descrevem a configuração de lançamento do 3.0; veja o cartão do modelo Shannon 3.1 para os limites atuais e o índice de pesquisa para o restante da família. Não publicamos pontuações de benchmark para o Shannon 3 e não fazemos alegações comparativas de desempenho.