Together: Tev1 4B Experimental

Tev1 4B Experimental er Together AI’s klassifikationsmodel til spørgsmål med et fast sæt svar. Producenten har finjusteret den fra Qwen3.5 4B og oplyser 4,7 milliarder parametre. Den bruger tekstgenerering uden ræsonnement til at vælge en svarmulighed: Det dokumenterede input er en tilstand, ét spørgsmål og mærkede svarmuligheder, og det ønskede output er præcis ét bogstav. Applikationen knytter bogstavet til svarmulighedens semantiske nøgle. Det adskiller dens beslutningsarbejdsgang fra en model, der direkte returnerer kalibrerede sandsynligheder eller en forventet score efter en vurderingsrubrik.

Tilstand, spørgsmål og 2–24 svarmuligheder

Producentens grænseflade repræsenterer beslutningen som et JSON-objekt med state, question og options. Hver svarmulighed indeholder en bogstavetiket fra A til X, en semantisk nøgle og en beskrivelse. Angiv mellem to og 24 svarmuligheder, og lad hver beskrivelse forklare, hvornår svaret gælder. Bogstavet er den kompakte outputetiket; den semantiske nøgle er den betydning, som den omgivende software bruger. Bevar tilknytningen til præcis den liste af svarmuligheder, der blev brugt til beslutningen.

For en supportbesked bør tilstanden indeholde beskeden og relevant kontekst, mens spørgsmålet definerer, hvilken hensigt eller destination der skal vælges. En eksempelliste kan skelne mellem en rapporteret integrationsfejl, et adgangsproblem og en anmodning om produktoplysninger med en none-mulighed, når de anførte hensigter ikke passer. Definér overlappende tilfælde frem for at forvente, at modellen udleder organisationens routingpolitik fra forkortede etiketter.

Generering uden ræsonnement og det ønskede svarformat

Together’s offentliggjorte eksempel angiver en systeminstruktion, som behandler indholdet i state som data, vælger én af de anførte svarmuligheder og kun beder om dens bogstav uden forklaring. De anbefalede indstillinger er temperature 0, et genereringsbudget på otte tokens og deaktiveret thinking. Producenten siger udtrykkeligt, at disse indstillinger ikke indsættes automatisk af det offentlige endepunkt; eksemplets hjælpefunktion angiver dem, mens en direkte anmodning selv skal specificere dem. Brug disse indstillinger til at anmode om det tilsigtede korte klassifikationssvar uden ræsonnement.

Budgettet på otte tokens er en eksempelindstilling for output i denne arbejdsgang med korte svar og ikke en universel specifikation af maksimalt output. Det tilsigtede nyttige output er fortsat det valgte bogstav. Hvis en hjælpefunktion efterfølgende viser et objekt med etiket og nøgle, skal dette fortolkede objekt skelnes fra modellens rå genererede indhold. Valget af en kategori opdaterer ikke i sig selv en supportsag, godkender en operation eller udfører næste handling.

Klassifikation, regler og kategoriske vurderinger

Producenten beskriver hensigtsgenkendelse, anvendelse af regler, routing af arbejdsgange, dokumentkategorier, sentiment og passagebaseret ja/nej-forståelse som understøttede opgavemønstre. En boolesk opgave kan angive to svarmuligheder, hvis nøgler betyder sand og falsk; applikationen fortolker den valgte mulighed derefter. En sentimentopgave kan angive beskrevne niveauer og returnere nøglen til én valgt kategori. Dette kategoriske valg er ikke et sandsynlighedsvægtet gennemsnit på tværs af niveauer, og et returneret bogstav er ikke en numerisk konfidensværdi.

Ved en regelbaseret beslutning skal de relevante fakta og reglen medtages i opgaven frem for at bede modellen opfinde politikken. Et oplæg til dokumentrouting kan eksempelvis beskrive de tilladte mapper og det materiale, der hører til i hver. En opgave om forskningstaksonomi kan angive en artikels titel og resumé sammen med emnebeskrivelser. Resultatet bør fortolkes ud fra de angivne alternativer, og den oprindelige evidens bør bevares ved et tvetydigt eller omstridt valg.

Træningsomfang og udgavens identitet

Modelsiden registrerer 37.840 træningseksempler, der dækker logisk følge, ja/nej-spørgsmål om passager, bankhensigter, nyhedskategorier, sentimentniveauer, programmatiske regler, routing og taksonomi for forskningsartikler. Den tilhørende vejledning dokumenterer normalisering af disse opgaver til et fælles beslutningsformat og finjustering af en klassifikationsmodel. Det forklarer profilens fokus på et afgrænset svarsæt; det fastslår ikke, at enhver ny politik, ethvert nyt domæne eller enhver ny taksonomi håndteres korrekt uden opgavespecifik vurdering.

Tev1 4B Experimental er den navngivne Together-model, ikke den generelle Qwen3.5 4B-grundprofil og ikke et checkpoint fra en anden producent af beslutningsmodeller. Bevar den eksperimentelle udgaves egen outputforberedelse og inputkontrakt. En fælles beslutningsanvendelse eller en velkendt grundfamilie berettiger ikke til at låne en anden models billedunderstøttelse, sandsynlighedskalibrering, værktøjskald eller grænser for samling af spørgsmål i én anmodning.

Kontekst og gennemgang af resultatet

Together’s modelspecifikation oplyser et kontekstvindue på 32,8K tokens og tekstinput med tekstoutput. Konteksten skal rumme instruktionerne, tilstanden, spørgsmålet og svarmulighederne i klassifikationsanmodningen. Forbered kun den evidens, spørgsmålet har brug for, men bevar de definitioner, der adskiller alternativerne. Hold klassifikationsprompten kompakt ved at fjerne irrelevant kontekst, samtidig med at svarmulighedernes definitioner bevares.

Producenten beskriver dette som en eksperimentel udgivelse til vurdering på virkelige beslutningsopgaver. Kontrollér, at det rå svar er en af de angivne etiketter, før det knyttes til en semantisk nøgle, og sammenlign klassifikationer med repræsentativt mærket materiale fra den tilsigtede opgave. Et gyldigt bogstav fastslår, at valget har korrekt format, og er ikke bevis for, at fortolkningen er korrekt. Gem inputtet, svarmulighederne, det returnerede bogstav og den tilknyttede nøgle sammen, så det endelige resultat kan understøtte routing, kategorisering eller regelgennemgang uden at miste oplysningerne om, hvordan beslutningen blev defineret.