Dots Studio: Dots3-Note Preview (free)

dots3-note Preview ist das leichtgewichtige Mitglied von Dots Studios multimodaler dots3-Familie. Der Hersteller nennt ein Mixture-of-Experts-Modell mit insgesamt 280B Parametern, 16B aktiven Parametern und Unterstützung für bis zu 512K Tokens Kontext. Es nimmt Text, Bilder, Video und Audio entgegen und erzeugt Text. Zu den genannten Aufgaben zählen Allgemeinwissen, Anweisungen, Schlussfolgern, Programmierung und agentenorientierte Arbeit.

Das Sprachgrundmodell hat eine dichte Schicht und 45 Expertenschichten, mit acht gerouteten Experten aus 256 sowie einem gemeinsamen Experten. Seine Attention verbindet 13 Sparse-Attention-Schichten und 33 Sliding-Window-Schichten. Der Hersteller nennt getrennte Bild- und Audioencoder und eine gemeinsame Vorhersageschicht. Diese Komponenten unterstützen multimodales Verständnis; die Modellausgabe bleibt Text statt erzeugter Bilder, Sprache oder Videos.

Stellen Sie für visuelle Analysen das Bild, die Seite oder das Diagramm bereit und fragen Sie nach dem Merkmal, das die Entscheidung beeinflusst. Eine hilfreiche Dokumentaufgabe kann eine sichtbare Tabelle mit einer schriftlichen Anforderung vergleichen und die relevante Zeile, die Interpretation und fehlende Informationen zurückgeben. Benennen Sie bei Video das zu untersuchende Ereignis oder die Sequenz; das Eingabebeispiel des Herstellers enthält die Audiospur, wenn der Clip eine hat.

Geben Sie bei Audio an, ob die Aufgabe ein Transkript oder eine Erklärung des Materials benötigt, und stellen Sie die zur Interpretation nötigen Namen oder Fachbegriffe bereit. Ein kombinierter Auftrag kann die Aufnahme gemeinsam mit schriftlichem Hintergrund verwenden und Befunde nach der jeweils beantworteten Frage geordnet anfordern. Das Ergebnis ist Text, den die Anwendung darstellen oder verarbeiten kann.

Die Dialogvorlage des Herstellers unterscheidet einen Denkprozess von einer direkten Antwort. Aktiviertes Denken ergänzt eine Schlussfolgerungsphase; deaktiviertes Denken liefert die Antwort direkt. Das dokumentierte Beispiel verwendet temperature 1,0 und top-p 0,95. Wählen Sie Aufgabe und gewünschtes Ergebnis ausdrücklich und lassen Sie genug Erzeugungsraum für die Antwort, statt eine beispielhafte Tokenzuteilung als feste Ausgabegrenze des Modells zu behandeln.

Stellen Sie für eine Programmieraufgabe die relevante Quelle, das erwartete Verhalten und einen beobachteten Fehler oder die gewünschte Änderung bereit. Fordern Sie das vorgeschlagene Arbeitsergebnis und die Prüfungen an, mit denen es bewertet werden könnte. In einem angeschlossenen Agentenablauf schlägt das Modell Werkzeuginteraktionen vor, und die Anwendung führt sie aus und gibt Ergebnisse zurück. Der Hersteller veröffentlicht einen eigenen Parser für Werkzeugaufrufe; die umgebende Anwendung stellt die tatsächlichen Werkzeuge und ihren Zugriff bereit.

Interaktive Arbeit kann Erkundung, Anpassung und Aktualisierungen des Arbeitsgedächtnisses der Aufgabe verlangen. Halten Sie Ziel, bestätigte Befunde und offene Bedingung kompakt fest. Lassen Sie den nächsten Dialogbeitrag benennen, was sich durch neue Belege ändert und was in dieser Aufzeichnung bleiben soll. Das dauerhafte Speichern der Aufzeichnung und das Ausführen von Aktionen gehören zur Anwendung um das Modell herum.

Der Hersteller veröffentlicht getrennte BF16- und FP8-Artefakte sowie Rezepte für lokalen Modellbetrieb mit unterschiedlichen konfigurierten Kontextlängen. Eine konfigurierte Kontextlänge im Betrieb ist von der 512K-Modellspezifikation zu unterscheiden. Bewahren Sie bei der Modellidentifikation die Preview-Edition und Präzisionsunterschiede und fordern Sie ein Endergebnis an, das den Befund, die vorgeschlagene Änderung und die im Ablauf tatsächlich gesammelten Belege nennt.