Shannon 3, ang uncensored na AI model na sinusuri ang sarili nitong sagot
Isang iterative reasoning loop sa sarili naming GPU cluster: mag-isip, mag-draft, magsuri, isulat muli. Isang pass ang tinatakbo ng Lite. Umaabot ng sampu ang Pro, at hinihingi nito ang mga datos na alam nitong kulang.
TL;DR
Ang Shannon 3 ay pamilya ng uncensored na AI model na ini-serve mula sa sarili naming GPU cluster. Ang natatanging katangian nito ay ang hugis ng isang turn: nag-iisip ang model, sumusulat ng draft, tapos binabasa muli ang sarili nitong draft laban sa sarili nitong pag-iisip at isinusulat muli ang hindi tumatayo. Ang Lite (shannon-3) ay gumagawa ng isang pass ng pag-iisip at pagda-draft para sa pinakamababang latency. Ang Pro (shannon-3-pro) ay tumatakbo ng buong loop nang umaabot sa 10 ulit, humihinto sa sandaling aprubahan ng isang review ang draft, at karagdagang nagpapatakbo ng knowledge harvest laban sa isang mas malaking model para punan ang mga datos na napansin nitong kulang. Nakikita ang buong reasoning trace, sa wika mo. Suportado ang vision at document input sa parehong tier. Ang context noong inilunsad ang 3.0 ay 32,768 na token.
Halos bawat chat model na nagamit mo ay sumasagot sa iisang forward pass. Pinipili nito ang unang token bago pa nito alam ang huli, at kapag nailabas na ang isang pangungusap ay tapos na iyon: kaya nitong salungatin ito mamaya, pero hindi na ito makakabalik para ayusin. Maganda iyon kapag maikli ang sagot at isahan ang tanong. Masama iyon kapag mahaba ang sagot, apat ang bahagi ng tanong, at tahimik na binabaligtad ng ikaanim na talata ang ikalawa. Umiiral ang Shannon 3 dahil hindi namin inisip na ang lunas doon ay mas malaking model. Ang lunas ay hayaan ang model na basahin ang katatapos nitong isulat.
01Ano ang Shannon 3
Ang Shannon 3 ay pamilya ng model na may dalawang tier. Parehong tumatakbo ang dalawang tier sa sarili naming GPU cluster sa halip na sa isang third-party inference API, at parehong uncensored: walang refusal layer sa harap nila at walang content filter sa likod nila. Ang nagkakaiba sa pagitan ng mga tier ay kung gaano karaming trabaho ang pinapayagang gawin ng isang turn bago dumating sa iyo ang sagot.
Sa API, karaniwang model id lang ang dalawang tier. Walang espesyal na endpoint, walang hiwalay na SDK, at walang pasadyang format ng request:
| Tier | Model id | Hugis ng turn | Pinakamainam para sa |
|---|---|---|---|
| Shannon 3 Lite | shannon-3 | Isang pass ng pag-iisip + draft | Chat, pagda-draft, paghahanap, mataas na dami |
| Shannon 3 Pro | shannon-3-pro | Buong loop, umaabot sa 10 pass, kasama ang knowledge harvest | Pagsusuri, mahabang sulatin, trabahong sensitibo sa katumpakan |
02Bakit maling hugis ang iisang forward pass para sa mahihirap na tanong
Ang model na gumagawa ng teksto mula kaliwa pakanan ay gumagawa ng hindi na mababawing sunod-sunod na lokal na desisyon. Wala itong pambura. Kapag nasa ika-400 token na ito ng isang paliwanag at napagtanto nitong mali ang balangkas na pinili nito, ang tanging pagpipilian nito ay magpatuloy sa maling balangkas o magdagdag ng pagwawasto — na bumubuo ng mga sagot na kilala ng lahat, iyong mga nagsasabing sa totoo lang, balikan natin ang nasa itaas sa kalagitnaan at iniiwan sa iyo ang pagpapatugma ng dalawang magkasalungat na kalahati.
Pinapabuti ito ng chain-of-thought pero hindi nito nalulutas. Ang pag-iisip muna ay nagbibigay sa model ng plano bago ito magsimula ng prosa, at tunay iyong pakinabang; ang draft na kasunod ay isinusulat pa rin sa iisang pass at ipinapadala pa rin nang hindi nababasa. Walang nagtatanong ng tanong na unang itinatanong ng isang editor na tao: ginagawa ba talaga ng sagot na ito ang sinabi ng pag-iisip na gagawin nito? Tiyak at nakikilala ang mga pagkabigong nakakaligtas sa chain-of-thought:
- Nabitawang sub-tanong. Apat ang tinanong mo. Apat ang nakalista sa pag-iisip. Tatlo ang saklaw ng sagot.
- Paglayo sa plano. Nagpapasya ang pangangatwiran sa isang paraan; unti-unting ibang paraan ang tinatahak ng prosa, at walang iisang pangungusap kung saan ito nagkamali.
- Aritmetika at yunit. Isang numerong tamang naikalkula sa pag-iisip ay maling nailipat sa sagot, o isang buwanang bilang ang ipinakitang taunan.
- Binalewalang limitasyon. Sinabi mong walang external dependency; may ini-import ang code, at hindi na binanggit muli ng pag-iisip ang limitasyon matapos itong kilalanin.
- Kumpiyansang puwang. Sinasabi ng model sa pag-iisip na hindi ito sigurado sa isang tiyak na datos, tapos tuwiran pa rin itong sinasabi sa sagot.
Bawat isa sa mga ito ay nahuhuli sa pagbasa ng draft. Wala rito ang nahuhuli sa mas maingat na paggawa ng draft.
03Ang reasoning loop, yugto kada yugto
Ang isang turn ng Shannon 3 Pro ay isang loop na may apat na yugto at isang kondisyon ng paglabas.
Mag-isip
Pinagtatrabahuhan ng model ang problema bago ito magsulat ng kahit ano para sa iyo: hinihiwa-hiwalay ang tanong, tinatandaan ang mga limitasyon, tinutukoy ang alam at hindi nito alam, nagpapasya sa paraan. Ang nabubuo nito rito ang nagiging pamantayang susukat sa sagot mamaya.
Mag-draft
Sumusulat ang model ng kumpleto at tunay na sagot — hindi balangkas. Kailangan itong kumpleto, dahil isang tapos na bagay ang sinusuri ng susunod na yugto, at hindi masusuri ang isang sketch para sa mga pagkabigong lumilitaw lang sa buong haba.
Magsuri
Ito ang yugtong nagpapaiba sa pamilyang ito. Binabasa ng model ang draft laban sa pag-iisip — isang mas matalas na pagsubok kaysa sa pagbabasa ng draft nang mag-isa. Ang pagtatanong sa model ng "maganda ba ang sagot na ito?" ay nag-aanyaya lang nitong sumagot ng oo; ang pagtatanong ng "sinabi ng plano na saklawin ang X, Y at Z sa ilalim ng limitasyong C — ginagawa ba iyon ng tekstong ito?" ay nagbibigay ng bagay na masusubok. Pinapangalanan ng review kung ano ang mali sa halip na magbigay ng marka.
Isulat muli
Inaayos ang mga napangalanang problema sa isang bagong draft. Pagsusulat muli ito, hindi tagpi: ang pag-aayos na nangangailangan ng muling pag-aayos ng argumento ay pinapayagang baguhin ang pagkakasunod-sunod ng argumento. Bumabalik sa review ang bagong draft.
Huminto
Nagtatapos ang loop sa unang pagkakataong aprubahan ng isang review ang draft — iyon ang normal na paglabas, at sa karamihan ng turn ay nangyayari ito nang malayo pa sa hangganan. Ang matigas na takdang 10 ulit ay umiiral para sa mga sakit na kaso, gaya ng tunay na malabong tanong kung saan bawat pagsulat muli ay nagpapalit lang ng isang depekto para sa iba, kaya hindi makakaikot nang walang katapusan ang isang turn.
Kinukuha ng Lite ang parehong unang dalawang yugto at humihinto. Nag-iisip ito, nagda-draft, at ibinibigay sa iyo ang draft. Sinadyang desisyon iyon sa produkto, hindi isang pinutol na aksidente: sa malaking bahagi ng tunay na mensahe, ang unang draft ay ang tamang sagot, at ang pagbayad ng latency ng review para lang sabihan ka niyon ay masamang palitan. Ang Lite ay para sa mga sandaling gusto mong maging mabilis ang model; ang Pro ay para sa mga sandaling gusto mong maging tiyak ito.
04Ang knowledge harvest ng Pro: humihingi ng tulong sa halip na manghula
Nahuhuli ng self-review ang mga kontradiksyon, kaligtaan at paglabag sa limitasyon, dahil ang ebidensyang kailangan para mahuli ang mga iyon ay nasa turn na. Hindi nito mahuhuli ang datos na wala talaga sa model. Ang model na sumusuri sa sarili nitong draft ay maaaring magpasyang hindi ako sigurado sa numerong ito at pagkatapos ay wala itong mapagdadalhan ng konklusyong iyon.
Binibigyan ito ng Pro ng mapagdadalhan. Sa paligid ng yugto ng pagda-draft ay nagsasagawa ito ng knowledge harvest: tinutukoy nito ang tiyak na mga datos na kulang o hindi tiyak, tinatanong ang pangalawa at mas malaking model para eksakto sa mga iyon, at isinasama ang nakuha sa pinabuting sagot. Isa itong tinutok na paghahanap na hinihimok ng puwang na mismong pinangalanan ng model, hindi isang pangkalahatang pangalawang opinyon.
Dalawang katangian ang mahalaga sa praktika. May saklaw ito: nagtatanong ang harvest tungkol sa natukoy na mga puwang sa halip na itanong muli ang buong tanong, kaya kinukonsulta ang mas malaking model kung saan ito nagdaragdag ng impormasyon sa halip na kung saan magdaragdag lang ito ng ibang boses. At nakabuklod ito: bumabalik sa loop ang mga naaning datos at hinaharap ang parehong review gaya ng lahat ng iba pa, sa halip na dumating bilang idinikit na talata.
Ano ang binabago nito tungkol sa kawalang-katiyakan
Ang pinakakapaki-pakinabang na epekto ng harvest ay hindi ang mas maraming alam ng Pro. Ito ay ang pagiging magagamit ng kawalang-katiyakan ng Pro. Ang model na alam lang na hindi ito sigurado ay kailangang pumili sa pagitan ng pag-iingat sa lahat ng bagay at kumpiyansang pagsasabi. Ang model na kayang gawing "hayaan mong alamin ko" ang "hindi ako sigurado rito" ay nag-iingat sa mas kaunting lugar at tiyak sa mas marami sa kanila.
05Nakikita ang pangangatwiran, at nasa wika mo ito
Ipinapakita sa iyo ang buong trace habang tumatakbo ang turn: ang pag-iisip, at sa Pro ay ang bawat review at kung ano ang tinutulan nito. Hindi ito debug view na tinitiis naming ilantad — malaking bahagi ito ng binibili mo, at binabago nito ang relasyon sa trabaho sa tatlong konkretong paraan.
- Maaari kang huminto nang maaga. Kung mali ang pagkakabasa ng pag-iisip sa tanong mo — karaniwang resulta ng malabong prompt, hindi ng masamang model — malalaman mo iyon sa unang ilang segundo, hindi pagkatapos dumating ang buong sagot na lumulutas sa maling problema.
- Maaari mong suriin ang pangangatwiran nang hiwalay sa sagot. Ang tamang sagot na naabot sa maling pangangatwiran ay panganib, dahil hindi ito makakaligtas sa susunod na tanong.
- Makikita mong nabigo ang loop. Kapag ginugol ng Pro ang ilang ulit nang hindi nagtatagpo, ipinapakita iyon sa halip na itago — at tunay na impormasyon iyon, na kadalasang nangangahulugang kulang ang detalye ng tanong.
Ang trace ay nakasulat sa sarili mong wika, hindi ginawa sa Ingles at isinalin sa dulo. Kung nagtatrabaho ka sa Hapon, Arabe, Turko o Portuges, nangangatwiran ang model sa wikang iyon — na nagpapanatiling tugma ang terminolohiya sa trace at sa sagot, at umiiwas sa mga tahi na lumilitaw kapag nag-iisip ang model sa isang wika at nagsasalita sa iba.
06Uncensored: walang refusal layer, walang output filter
Ang Shannon 3 ay walang refusal layer at walang output content filtering. Ang gawi ng pagtanggi ay wala sa produkto sa anumang antas: hindi bilang balot na sumusuri sa mensahe mo bago ito makita ng model, hindi bilang classifier na sumusuri sa sagot bago mo ito makita, at hindi bilang reflex na kailangang kausapin palabas ng model. Materyal na naiiba iyon sa dalawang bagay na karaniwang tinutukoy ng mga tao kapag sinasabi nilang "uncensored":
| Paraan | Ano ang ginagawa nito | Paano ito nabibigo |
|---|---|---|
| System-prompt jailbreak | Inuutusan ang aligned na model na kumilos na parang hindi aligned | Nauubos sa mahabang usapan; bumabalik ang pagtanggi kapag pinipilit |
| Pagtanggal ng output filter | Hindi na hinaharangan ang tekstong nagawa na ng model | Nagsusulat pa rin ang model ng nag-iingat at umiiwas na teksto — walang naharang, hindi lang ito isinulat kailanman |
| Shannon 3 | Walang refusal layer na tatanggalin at walang filter na isasara — wala lang talaga ang gawi | Ganap na ibinabagsak sa iyo ang pagpapasya; hindi tatanggi ang model para sa iyo |
Sa praktika, hinaharap ng Shannon 3 ang tanong na itinanong mo sa halip na ang mas ligtas na tanong sa tabi nito: kathang-isip na may tunay na kontrabida, mga paksa sa seguridad na tinatalakay nang teknikal sa halip na sa antas ng press release, medikal, legal at pinansiyal na impormasyong ibinibigay nang tuwiran kasama ang mga babalang talagang nararapat — at walang panapos na sermon kung bakit ka nagtanong. Hindi rin nito pinapalabnaw ang loop: malayang sabihin ng isang review na mali ang draft, at iba at mas kapaki-pakinabang iyon kaysa sa pagtanggi.
Ang hindi ginagawa ng kawalan ng refusal layer ay ang gawing tama ang model. Ang uncensored na model ay eksaktong kasing-kaya ring magkamali nang may kumpiyansa gaya ng censored, at mas halata pa nga, dahil hindi ito magtatago sa kalabuan kapag hindi sigurado. Isa iyon sa mas mahuhusay na argumento para sa loop: nang walang refusal reflex na humaharang, ginagawa ng self-review ang gawaing pangkaligtasan na mahalaga sa isang propesyonal na gumagamit — ang paghuli ng pagkakamali. Nananatiling pinamamahalaan ang paggamit mo sa model ng aming Responsible Use Policy at ng batas kung nasaan ka.
Wala kaming inilalathalang benchmark score para sa Shannon 3 at wala kaming ginagawang direktang paghahambing sa ibang model. Istruktural ang pakinabang ng loop — nahuhuli nito ang mga uri ng pagkakamaling hindi kayang mahuli ng iisang pass — at mas gugustuhin naming ilarawan nang tumpak ang mekanismong iyon kaysa idikit dito ang numerong hindi namin nabeberipika nang malaya. Lahat ng nasa itaas ay naglalarawan kung ano ang ginagawa ng isang turn; ang pinakamabilis na paraan para suriin ito ay magpatakbo ng isa at basahin ang trace.
07Vision, dokumento, at paggawa ng larawan
Tumatanggap ang parehong tier ng larawan at dokumento bilang attachment at binabasa ang mga ito bilang bahagi ng turn. Ang screenshot ng bigong build, litrato ng whiteboard, isang eskematiko, isang na-scan na pahina ng kontrata o isang PDF ay maaaring maging paksa ng tanong sa halip na isang bagay na kailangan mo munang i-transcribe. Sa Pro, kasali ang mga attachment sa loop gaya ng lahat ng iba pa: kung magpapasya ang isang review na sumagot ang draft ng tanong na hindi sinusuportahan ng larawan, isusulat itong muli.
Available bilang tool sa chat ang paggawa at pag-edit ng larawan, hindi bilang layunin ng model. Ang Shannon 3 ay reasoning model na kayang gumawa o mag-edit ng larawan kapag kailangan ito ng usapan, hindi isang image model na may nakadikit na chat interface. Tinatakda ng pagkakaibang ito ang tamang inaasahan: hatulan ang pamilya sa kung paano ito nag-iisip, at ituring ang mga larawan bilang kaginhawaang nakakatipid sa paglipat ng konteksto.
08Context window, at kung saan sumunod ang linyang 3.x
Inilunsad ang Shannon 3.0 na may context window na 32,768 na token. Iyon ang tapat na makasaysayang bilang, at sulit itong sabihin nang tahasan, dahil naiibang kinakain ng loop ang context kaysa sa single-pass na model: ang prompt mo, ang mga attachment mo, ang pag-iisip, at bawat draft at review cycle ay nakatira sa parehong badyet.
Komportable ang 32K para sa karamihan ng chat at pagsusuri — isang mahabang dokumento, isang malaking code file, isang detalyado at maramihang bahaging tanong na may espasyo para tumakbo ang loop. Masikip ito para sa tunay na malalaking input, at ang limitasyong iyon mismo ang tinugunan ng susunod na release. Itinataas nang malaki ng Shannon 3.1 ang context window at binabago nito kung saan maituturo ang loop; kung sinusuri mo ang pamilya ngayon, basahin ang artikulong iyon bilang pangalawa at ituring na kasaysayan ang numero rito.
09Pagtawag sa Shannon 3 mula sa API
Available ang Shannon 3 sa lahat ng tatlong API dialect namin, sa parehong model, may streaming sa bawat isa:
| Dialect | Endpoint | Gamitin ito kapag |
|---|---|---|
| OpenAI-compatible | /v1/chat/completions | May umiiral kang OpenAI client code — palitan ang base URL at ang model id |
| Anthropic-compatible | /v1/messages | Nakatayo ang stack mo sa paligid ng Messages format |
| Responses | /v1/responses | Gusto mo ang mas bagong hugis ng request/response |
Ipasa ang shannon-3 o shannon-3-pro bilang model id. Dalawang bagay ang sulit paghandaan sa panig ng client. Mas matagal ang mga turn ng Pro, at pabago-bago ang tagal, dahil nakadepende sa tanong ang bilang ng ulit — itakda ang timeout laban sa hangganan sa halip na sa karaniwan, at piliin ang streaming para makita ng gumagamit ang pag-usad sa halip na isang spinner. At ang reasoning trace ay nilalamang maaari mong piliing ipakita; kung saan naghihintay ang mga gumagamit, kadalasang mas mainam itong ipakita kaysa itago, dahil ginagawa nitong nababasang bagay ang patay na oras. Ang mga schema ng request at response, detalye ng streaming at isang live na playground ay nasa dokumentasyon ng API.
10Pagpili ng tier
Nagiging sulit ang latency ng loop ng Pro ayon sa dami ng bagay na maaaring magkamali.
| Ang gawain mo | Tier | Bakit |
|---|---|---|
| Mabilis na tanong sa datos, maikling sagot | shannon-3 | Ang unang draft ang sagot; walang mahuhuli ang review |
| Maraming dami o may hangganang latency na automation | shannon-3 | Ang mahuhulaang tagal ng turn ang nagtatakdang limitasyon |
| Maraming bahaging pagsusuri na may limitasyon | shannon-3-pro | Ang nabitawang sub-tanong at paglabag sa limitasyon ang eksaktong nahuhuli ng review |
| Mahabang sulatin na kailangang magkabuo | shannon-3-pro | Ang panloob na kontradiksyon ay katangian ng buong haba, hindi nakikita habang nagda-draft |
| Anumang may numerong pagbabatayan mo ng kilos | shannon-3-pro | Muling sinusuri ng review ang aritmetika at yunit laban sa pag-iisip |
| Mga tanong na dumadampi sa gilid ng alam ng model | shannon-3-pro | Ginagawang paghahanap ng knowledge harvest ang napangalanang puwang |
Isang praktikal na pattern: gamitin ang Lite habang inaayos mo pa kung ano ang itatanong, tapos patakbuhin muli ang naayos na tanong nang isang beses sa Pro. Sulit bayaran ang loop sa bersyon ng tanong na talagang ibig mong sabihin.
11Mga limitasyong sulit malaman bago ka magpasya
Ang model card na naglilista lang ng mga lakas ay isang patalastas. Narito kung saan ka bibiguin ng Shannon 3:
- Mas mabagal ang Pro, at hindi mahuhulaan. Ang turn na nagtatagpo sa dalawang ulit at ang tumatakbo hanggang sampu ay may ilang beses na pagkakaiba sa aktuwal na oras. Kung kailangan mo ng may hangganang latency, gamitin ang Lite.
- Hindi patunay ang review. Ang model na sinusuri ang sarili nitong gawa ay may parehong bulag na sulok. Maaasahang nahuhuli ng loop ang hindi pagkakatugma ng pag-iisip at draft; hindi nito maaasahang nahuhuli ang pagkakamaling hawak nang may kumpiyansa sa mismong pag-iisip.
- Ibinabahagi ang context sa loop. Sa 32K, ang napakahabang input kasama ang ilang buong-habang draft ay tunay na limitasyon sa 3.0. Tingnan ang Shannon 3.1 para sa itinaas na hangganan.
- Pinupunan lang ng harvest ang mga puwang na napapansin ng model. Ginagawa nitong paghahanap ang "hindi ako sigurado rito", at tunay na pakinabang iyon — pero ang datos na mali ang model nang may kumpiyansa ay hindi kailanman minamarkahang kulang, kaya hindi ito kailanman inaani.
- Ang uncensored ay uncensored talaga. Hindi tatanggi ang model at hindi ito lalambot. Kung kailangan ng produkto mo ng hangganan sa pagtanggi, itayo mo iyon kung saan mo ito nakikita sa halip na umasang ibibigay ito ng model.
12Mga madalas itanong
Ano ang Shannon 3?
Ang Shannon 3 ay isang pamilya ng mga uncensored na model na pinapatakbo sa sarili naming GPU cluster. Ang nagpapaiba rito ay ang hugis ng isang turn: sa halip na iisang forward pass, nag-iisip ito, nagda-draft ng sagot, tapos sinusuri ang draft na iyon laban sa sarili nitong pag-iisip at isinusulat itong muli. Dumarating ito sa dalawang tier, shannon-3 (Lite) at shannon-3-pro (Pro).
Ano ang pagkakaiba ng Shannon 3 Lite at Shannon 3 Pro?
Ang Lite ay tumatakbo ng iisang pass ng pag-iisip at pagda-draft, kaya malapit ang latency nito sa karaniwang model. Ang Pro ay tumatakbo ng buong loop, sinusuri at isinusulat muli ang bawat draft nang umaabot sa 10 ulit at humihinto agad sa sandaling aprubahan ito ng isang review. Nagsasagawa rin ang Pro ng knowledge harvest, na nagtatanong sa pangalawa at mas malaking model para sa mga datos na natukoy nitong kulang.
Talaga bang uncensored ang Shannon 3?
Oo. Ang Shannon 3 ay walang refusal layer at walang output content filter. Ang gawi ng pagtanggi ay wala mismo sa model, kaya walang bagay na tahimik na babalik sa kalagitnaan ng mahabang usapan tulad ng ginagawa ng isang persona na itinakda sa prompt. Pinamamahalaan pa rin ang paggamit ng model ng aming Responsible Use Policy at ng batas kung nasaan ka.
Talaga bang mas napapabuti ng review loop ang mga sagot?
Pinakamalaki ang tulong nito kung saan istruktural na mahina ang iisang pass: mahahabang sagot na sumasalungat ang dulo sa simula, maraming bahaging tanong kung saan tahimik na nabibitawan ang isang bahagi, mga mali sa aritmetika at yunit, at code na binabalewala ang isang nakasaad na limitasyon. Pinakamaliit ang tulong nito sa maiikling paghahanap, kung saan ang unang draft ay siya nang sagot. Iyon ang dahilan kung bakit umiiral ang Lite.
Ano ang mangyayari kung hindi kailanman inaprubahan ng review ang draft?
Humihinto ang loop sa hangganan nitong 10 ulit at ibinabalik ang pinakamahusay na draft na naabot nito, sa halip na umikot nang walang katapusan. Dahil nakikita ang trace, mababasa mo rin ang mga pagtutol na hindi kailanman nalutas — na kadalasang nangangahulugang malabo ang tanong nang sapat kaya bawat pagsulat muli ay nagpalit lang ng isang depekto para sa iba, at senyales iyon para muling bumalangkas ng tanong.
Nakakabasa ba ang Shannon 3 ng larawan at dokumento?
Oo. Tumatanggap ang parehong tier ng larawan at dokumento bilang attachment at binabasa ang mga ito bilang bahagi ng turn, kaya maaaring ang screenshot, diagram, na-scan na pahina o PDF ang mismong paksa ng tanong sa halip na isang bagay na kailangan mo munang i-transcribe. Available din sa chat ang paggawa at pag-edit ng larawan, pero bilang tool na matatawag ng model, hindi bilang layunin nito.
Makikita ko ba ang pangangatwiran ng model?
Oo. Ipinapakita ang trace habang tumatakbo ang turn, at nakasulat ito sa sarili mong wika sa halip na isinalin pabalik mula sa Ingles sa dulo. Sa Pro ay napapanood mo ang bawat review cycle, kaya nakikita kapag nahuhuli ng model ang sarili nitong pagkakamali — at kasing-linaw ding nakikita kapag hindi.
Ano ang context window ng Shannon 3 noong inilunsad?
Inilunsad ang Shannon 3.0 na may 32,768-token na context window, na ibinabahagi ng prompt mo, ng anumang attachment, ng reasoning trace at ng sagot. Itinataas ng Shannon 3.1 ang bilang na iyon; tingnan ang artikulo ng Shannon 3.1 para sa kasalukuyang numero.
Subukan mo mismo ang loop
Itanong ang parehong tanong nang dalawang beses — isa sa Lite, isa sa Pro — at panoorin kung ano ang binabago ng review.
Simulan ang Chat Basahin ang API Docsshannon-3 · shannon-3-pro · streaming sa lahat ng tatlong API dialect
Ang Shannon 3 ay pinapatakbo ng Shannon Lab LLC, New Mexico, USA. Inilalarawan ng mga numero rito ang configuration noong inilunsad ang 3.0; tingnan ang model card ng Shannon 3.1 para sa kasalukuyang mga limitasyon at ang research index para sa iba pang miyembro ng pamilya. Wala kaming inilalathalang benchmark score para sa Shannon 3 at wala kaming ginagawang paghahambing na pahayag sa performance.