Shannon 3, den ocensurerade AI-modellen som granskar sitt eget svar

Nästan varje chattmodell du har använt svarar i en enda framåtpassning. Den väljer den första token innan den vet vilken den sista blir, och när en mening väl är utskickad är den bindande: modellen kan motsäga den senare, men den kan inte gå tillbaka och rätta den. Det fungerar bra när svaret är kort och frågan har en del. Det fungerar dåligt när svaret är långt, frågan har fyra delar och stycke sex tyst upphäver stycke två. Shannon 3 finns för att vi inte tyckte att lösningen på det var en större modell. Lösningen är att låta modellen läsa det den just skrev.

01Vad Shannon 3 är

Shannon 3 är en modellfamilj i två nivåer. Båda nivåerna körs på vårt eget GPU-kluster i stället för på ett externt inferens-API, och båda är ocensurerade: det finns inget vägranslager framför dem och inget innehållsfilter bakom dem. Det som skiljer nivåerna åt är hur mycket arbete en enda tur får utföra innan svaret når dig.

I API:et är de två nivåerna vanliga modell-id:n. Det finns ingen särskild endpoint, inget separat SDK och inget specialgjort förfrågningsformat:

Nivå	Modell-id	Turens form	Bäst för
Shannon 3 Lite	shannon-3	En passning av tänka + utkast	Chatt, utkast, uppslag, hög volym
Shannon 3 Pro	shannon-3-pro	Hela loopen, upp till 10 passningar, plus kunskapsinsamling	Analys, längre texter, arbete känsligt för korrekthet

02Varför en enda framåtpassning är fel form för svåra frågor

En modell som genererar text från vänster till höger fattar en oåterkallelig följd av lokala beslut. Den har inget suddgummi. När den är 400 tokens in i en förklaring och inser att den valda ramen var fel har den bara två alternativ: fortsätta i fel ram eller lägga till en rättelse — vilket ger de svar alla känner igen, de som mitt i texten säger vid närmare eftertanke och lämnar dig att förena två oförenliga halvor.

Kedja av tankar förbättrar det här men löser det inte. Att tänka först ger modellen en plan innan den binder sig till prosa, vilket är en verklig vinst; utkastet som följer skrivs ändå i en passning och skickas ändå ut oläst. Ingenting ställer någonsin den fråga en mänsklig redaktör ställer först: gör det här svaret faktiskt det som tänkandet sa att det skulle göra? De felmönster som överlever kedja av tankar är specifika och igenkännbara:

• Bortglömda delfrågor. Du frågade fyra saker. Tänkandet listade fyra saker. Svaret täcker tre.
• Plandrift. Resonemanget landar i ett tillvägagångssätt; prosan anammar gradvis ett annat, och det finns ingen enskild mening där det gick fel.
• Aritmetik och enheter. Ett tal som beräknats korrekt i tänkandet skrivs av fel in i svaret, eller en siffra per månad presenteras som per år.
• Ignorerade begränsningar. Du sa inga externa beroenden; koden importerar ett, och tänkandet nämner aldrig begränsningen igen efter att ha noterat den.
• Självsäkra luckor. Modellen säger i tänkandet att den är osäker på ett specifikt faktum och slår sedan ändå fast det utan förbehåll i svaret.

Varenda ett av dessa fångas genom att läsa utkastet. Inget av dem fångas genom att generera utkastet mer omsorgsfullt.

03Resonemangsloopen, steg för steg

En tur med Shannon 3 Pro är en loop med fyra steg och ett utgångsvillkor.

Tänka

Modellen arbetar med problemet innan den skriver något åt dig: bryter ned frågan, noterar begränsningar, identifierar vad den vet och inte vet, bestämmer sig för ett tillvägagångssätt. Det den producerar här blir den måttstock svaret senare mäts mot.

Utkast

Modellen skriver ett fullständigt, verkligt svar — inte en disposition. Det måste vara fullständigt, eftersom nästa steg utvärderar en färdig artefakt, och en skiss kan inte granskas för felmönster som bara framträder i full längd.

Granska

Det här är steget som gör familjen till vad den är. Modellen läser utkastet mot tänkandet — ett långt mycket skarpare test än att läsa utkastet ensamt. Att fråga en modell "är det här svaret bra?" bjuder in den att säga ja; att fråga "planen sa att täcka X, Y och Z under begränsningen C — gör den här texten det?" ger den något falsifierbart att kontrollera. Granskningen namnger vad som är fel i stället för att sätta ett betyg.

Skriva om

De namngivna problemen åtgärdas i ett nytt utkast. Det här är en omskrivning, inte en lapp: en åtgärd som kräver att argumentationen ordnas om får ordna om argumentationen. Det nya utkastet går tillbaka till granskning.

Stopp

Loopen slutar första gången en granskning godkänner utkastet — den normala utgången, och på de flesta turer sker det långt före taket. Det hårda taket på 10 iterationer finns för patologiska fall, till exempel en genuint tvetydig fråga där varje omskrivning byter ett fel mot ett annat, så att en tur inte kan snurra i all oändlighet.

Lite tar samma två första steg och stannar. Den tänker, den skriver utkast, den ger dig utkastet. Det är ett medvetet produktbeslut, inte en nedbantad olyckshändelse: på en stor andel av verkliga meddelanden är det första utkastet rätt svar, och att betala granskningslatens för att få höra det är en dålig affär. Lite är till för när du vill att modellen ska vara snabb; Pro är till för när du vill att den ska vara säker.

04Pros kunskapsinsamling: att be om hjälp i stället för att gissa

Självgranskning fångar motsägelser, utelämnanden och brutna begränsningar, eftersom de bevis som behövs för att fånga dem redan finns i turen. Den kan inte fånga ett faktum som modellen helt enkelt inte har. En modell som granskar sitt eget utkast kan komma fram till jag är inte säker på den här siffran och sedan inte ha någonstans att ta vägen med den slutsatsen.

Pro ger den någonstans att ta vägen. Kring utkaststeget gör den en kunskapsinsamling: den identifierar de specifika fakta den saknar eller är osäker på, frågar en andra, större modell om exakt dessa, och väver in det som kommer tillbaka i det förbättrade svaret. Det är ett riktat uppslag drivet av en lucka som modellen själv namngett, inte en svepande andrahandsbedömning.

Två egenskaper spelar roll i praktiken. Den är avgränsad: insamlingen frågar om identifierade luckor i stället för att ställa om hela frågan, så att den större modellen konsulteras där den tillför information snarare än där den bara skulle tillföra en annan röst. Och den är integrerad: insamlade fakta går tillbaka genom loopen och möter samma granskning som allt annat, i stället för att komma som ett påklistrat stycke.

05Resonemanget är synligt, och det är på ditt språk

Hela spåret visas för dig medan turen körs: tänkandet, och på Pro varje granskning och vad den invände mot. Det här är ingen felsökningsvy vi motvilligt exponerar — det är en stor del av det du betalar för, och det ändrar arbetsrelationen på tre konkreta sätt.

• Du kan avbryta tidigt. Om tänkandet misstolkar din fråga — ett vanligt utfall av en tvetydig prompt, inte av en dålig modell — får du veta det inom de första sekunderna, inte efter att ett fullständigt svar kommit som löser fel problem.
• Du kan granska resonemanget separat från svaret. Ett korrekt svar som nåtts genom felaktigt resonemang är en risk, eftersom det inte kommer att överleva nästa fråga.
• Du kan se loopen misslyckas. När Pro bränner flera iterationer utan att konvergera visas det i stället för att döljas — och det är verklig information, som oftast betyder att frågan är underspecificerad.

Spåret skrivs på ditt eget språk, inte genererat på engelska och översatt på slutet. Om du arbetar på japanska, arabiska, turkiska eller portugisiska resonerar modellen på det språket — vilket håller terminologin i spåret konsekvent med terminologin i svaret, och undviker de skarvar som uppstår när en modell tänker på ett språk och talar på ett annat.

06Ocensurerad: inget vägranslager, inget utdatafilter

Shannon 3 levereras utan vägranslager och utan innehållsfiltrering av utdata. Vägranbeteende finns inte i produkten på någon nivå: inte som ett skal som inspekterar ditt meddelande innan modellen ser det, inte som en klassificerare som inspekterar svaret innan du ser det, och inte som en reflex modellen måste övertalas bort från. Det skiljer sig i sak från de två saker folk brukar mena när de säger "ocensurerad":

Metod	Vad den gör	Hur den misslyckas
Jailbreak via systemprompt	Instruerar en linjerad modell att bete sig som om den inte vore det	Bryts ned under en lång konversation; vägran återkommer under press
Borttaget utdatafilter	Slutar blockera text som modellen redan producerat	Modellen skriver fortfarande garderad, undvikande text — inget blockerades, det skrevs aldrig
Shannon 3	Inget vägranslager att ta bort och inget filter att stänga av — beteendet finns helt enkelt inte där	Lägger hela bedömningen på dig; modellen kommer inte att avstå å dina vägnar

I praktiken engagerar sig Shannon 3 i den fråga du ställde i stället för den tryggare frågan intill: fiktion med verkliga antagonister, säkerhetsämnen diskuterade tekniskt snarare än på pressmeddelandenivå, medicinsk, juridisk och ekonomisk information given direkt med de förbehåll som faktiskt är motiverade — och ingen avslutande föreläsning om varför du kanske frågade. Den urvattnar inte heller loopen: en granskning får fritt säga att utkastet är fel, vilket är en annan och mer användbar sorts motstånd än en vägran.

Vad frånvaron av ett vägranslager inte gör är att göra modellen korrekt. En ocensurerad modell är precis lika kapabel att ha självsäkert fel som en censurerad, och mer synligt så, eftersom den inte drar sig undan i vaghet när den är osäker. Det är ett av de bättre argumenten för loopen: utan någon vägranreflex i vägen gör självgranskningen det säkerhetsarbete som betyder något för en professionell användare — att fånga misstag. Din användning av modellen styrs fortfarande av vår policy för ansvarsfull användning och av lagen där du befinner dig.

07Bild, dokument och bildgenerering

Båda nivåerna tar emot bilder och dokument som bilagor och läser dem som en del av turen. En skärmbild av ett misslyckat bygge, en fotograferad whiteboard, ett kopplingsschema, en skannad avtalssida eller en PDF kan vara föremålet för frågan i stället för något du först måste skriva av. På Pro deltar bilagor i loopen som allt annat: om en granskning bedömer att utkastet besvarade en fråga som bilden inte stöder, skrivs det om.

Bildgenerering och bildredigering finns i chatten som ett verktyg, inte som modellens syfte. Shannon 3 är en resonemangsmodell som kan skapa eller redigera en bild när konversationen kräver det, inte en bildmodell med ett chattgränssnitt påhängt. Distinktionen sätter förväntningarna rätt: bedöm familjen på hur den tänker, och betrakta bilder som en bekvämlighet som sparar ett kontextbyte.

08Kontextfönstret, och vart 3.x-linjen tog vägen sedan

Shannon 3.0 lanserades med ett kontextfönster på 32 768 tokens. Det är den ärliga historiska siffran, och värd att säga rakt ut, eftersom en loop förbrukar kontext annorlunda än en modell med en enda passning: din prompt, dina bilagor, tänkandet och varje utkasts- och granskningscykel lever i samma budget.

32K är bekvämt för det mesta chatt- och analysarbetet — ett långt dokument, en rejäl kodfil, en detaljerad flerdelad fråga med utrymme för loopen att köra. Det är trångt för genuint stora indata, och den begränsningen är precis vad nästa release tog itu med. Shannon 3.1 höjer kontextfönstret rejält och ändrar vad loopen kan riktas mot; om du utvärderar familjen i dag, läs den artikeln som nummer två och betrakta siffran här som historia.

09Anropa Shannon 3 från API:et

Shannon 3 är tillgänglig via alla tre av våra API-dialekter, på samma modeller, med streaming på var och en:

Dialekt	Endpoint	Använd den när
OpenAI-kompatibel	/v1/chat/completions	Du har befintlig OpenAI-klientkod — byt bas-URL och modell-id
Anthropic-kompatibel	/v1/messages	Din stack är byggd kring Messages-formatet
Responses	/v1/responses	Du vill ha den nyare förfrågnings- och svarsformen

Skicka shannon-3 eller shannon-3-pro som modell-id. Två saker är värda att planera för på klientsidan. Pros turer tar längre tid, och i varierande grad, eftersom antalet iterationer beror på frågan — sätt timeouter mot taket snarare än mot genomsnittet, och föredra streaming så att användaren ser framsteg i stället för en snurra. Och resonemangsspåret är innehåll du kan välja att visa; där användare väntar är det oftast bättre att visa det än att dölja det, eftersom det gör död tid till något läsbart. Scheman för förfrågan och svar, streamingdetaljer och en live-playground finns i API-dokumentationen.

10Att välja nivå

Pros loop förtjänar sin latens i proportion till hur mycket det finns att göra fel.

Din uppgift	Nivå	Varför
Snabb faktafråga, kort svar	shannon-3	Det första utkastet är svaret; granskningen har inget att fånga
Automatisering med hög volym eller latenskrav	shannon-3	Förutsägbar turtid är den bindande begränsningen
Flerdelad analys med begränsningar	shannon-3-pro	Bortglömda delfrågor och brutna begränsningar är precis vad granskningen fångar
Längre text som måste hänga ihop	shannon-3-pro	Inre motsägelse är en egenskap i full längd, osynlig medan man skriver
Allt med siffror du kommer att agera på	shannon-3-pro	Granskningen kontrollerar om aritmetiken och enheterna mot tänkandet
Frågor som rör fakta i modellens ytterkant	shannon-3-pro	Kunskapsinsamlingen gör en namngiven lucka till ett uppslag

Ett praktiskt mönster: använd Lite medan du fortfarande listar ut vad du ska fråga, och kör sedan den färdiga frågan en gång på Pro. Loopen är värd att betala för på den version av frågan du faktiskt menade.

11Begränsningar värda att känna till innan du bestämmer dig

Ett modellkort som bara listar styrkor är en annons. Här är var Shannon 3 kommer att göra dig besviken:

• Pro är långsammare, och oförutsägbart så. En tur som konvergerar på två iterationer och en som går till tio skiljer sig flerfaldigt i väggklockstid. Om du behöver avgränsad latens, använd Lite.
• Granskning är inte bevis. En modell som kontrollerar sitt eget arbete delar sina egna blinda fläckar. Loopen fångar tillförlitligt inkonsekvens mellan tänkande och utkast; den fångar inte tillförlitligt ett fel som hålls självsäkert redan i tänkandet.
• Kontexten delas med loopen. Vid 32K är ett mycket långt indata plus flera fullängdsutkast en verklig begränsning på 3.0. Se Shannon 3.1 för det höjda taket.
• Insamlingen fyller bara luckor modellen märker. Den gör "jag är osäker på det här" till ett uppslag, vilket är en verklig vinst — men ett faktum modellen har självsäkert fel om flaggas aldrig som saknat, och samlas därför aldrig in.
• Ocensurerad betyder ocensurerad. Modellen kommer inte att vägra och kommer inte att mildra. Om din produkt behöver en vägrangräns, bygg den där du kan se den i stället för att hoppas att modellen tillhandahåller en.

12Vanliga frågor

---

Shannon 3 drivs av Shannon Lab LLC, New Mexico, USA. Siffrorna här beskriver 3.0-lanseringens konfiguration; se modellkortet för Shannon 3.1 för aktuella gränser och forskningsindexet för resten av familjen. Vi publicerar inga benchmarkpoäng för Shannon 3 och gör inga jämförande prestandapåståenden.