Dots Studio: Dots3-Note Preview (free)

dots3-note Preview ist das leichtgewichtige Mitglied der multimodalen dots3-Familie von Dots Studio. Der Hersteller nennt ein Mixture-of-Experts-Modell mit insgesamt 280B Parametern, 16B aktiven Parametern und Unterstützung für bis zu 512K Tokens Kontext. Es verarbeitet Text, Bilder, Video und Audio und erzeugt Text; zu seinen angegebenen Aufgaben gehören Allgemeinwissen, Anweisungen, Schlussfolgern, Programmierung und agentenorientierte Arbeit.

Das Sprach-Backbone hat einen dichten Layer und 45 Expertenlayer mit acht aus 256 ausgewählten gerouteten Experten sowie einem gemeinsam genutzten Experten. Seine Attention verbindet 13 Sparse-Attention-Layer mit 33 Sliding-Window-Layern. Der Hersteller nennt separate Bild- und Audioencoder und einen gemeinsam genutzten Vorhersagelayer. Diese Komponenten unterstützen multimodales Verständnis; die Ausgabe des Modells bleibt Text statt erzeugter Bilder, Sprache oder Videos.

Stellen Sie für eine visuelle Analyse 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, ihre Interpretation und fehlende Informationen zurückgeben. Benennen Sie bei Videos das zu untersuchende Ereignis oder die Folge; das Eingabebeispiel des Herstellers bezieht die Audiospur ein, wenn der Clip eine enthält.

Geben Sie bei Audio an, ob die Aufgabe ein Transkript oder eine Erklärung des Materials benötigt, und nennen Sie für die Interpretation erforderliche Namen oder Fachbegriffe. Eine kombinierte Aufgabe kann die Aufnahme mit schriftlichem Hintergrund verwenden und Befunde nach den beantworteten Fragen ordnen lassen. Das Ergebnis ist ein Text, den die Anwendung anzeigen oder verarbeiten kann.

Das Dialog-Template des Herstellers unterscheidet Denken von einer direkten Antwort. Aktiviertes Denken ergänzt eine Denkphase; bei deaktiviertem Denken wird die Antwort direkt zurückgegeben. Das dokumentierte Beispiel verwendet temperature 1,0 und top-p 0,95. Wählen Sie Aufgabe und gewünschtes Ergebnis ausdrücklich und lassen Sie genügend Erzeugungsraum für die Antwort, statt ein beispielhaftes Tokenbudget als harte Ausgabegrenze des Modells zu behandeln.

Stellen Sie für eine Programmieraufgabe die relevanten Quellen, das erwartete Verhalten und einen beobachteten Fehler oder eine gewünschte Änderung bereit. Fordern Sie das vorgeschlagene Ergebnis und die Prüfungen an, mit denen es bewertet werden könnte. In einem verbundenen Agentenablauf schlägt das Modell Werkzeuginteraktionen vor; die Anwendung führt sie aus und gibt Ergebnisse zurück. Der Hersteller veröffentlicht einen eigenen Parser für Werkzeugaufrufe; die umgebende Anwendung liefert die tatsächlichen Werkzeuge und deren Zugriffsrechte.

Interaktive Arbeit kann Erkundung, Anpassung und Aktualisierungen des Arbeitsgedächtnisses der Aufgabe erfordern. Halten Sie ein kompaktes Protokoll mit Ziel, bestätigten Befunden und ungeklärter Bedingung. Lassen Sie den nächsten Gesprächsschritt benennen, was neue Belege ändern und was in diesem Protokoll bleiben soll. Die dauerhafte Speicherung des Protokolls und die Ausführung von Aktionen gehören zur Anwendung um das Modell.

Der Hersteller veröffentlicht getrennte BF16- und FP8-Artefakte sowie Anleitungen für lokale Bereitstellung mit unterschiedlichen konfigurierten Kontextlängen. Eine konfigurierte Bereitstellungslänge ist von der 512K-Modellspezifikation getrennt. Bewahren Sie bei der Modellidentifikation die Preview-Edition und Unterschiede der numerischen Präzision und fordern Sie ein Endergebnis an, das Befund, vorgeschlagene Änderung und tatsächlich im Ablauf gesammelte Belege benennt.