{
  "aboutHtml": "<h3>So ist Pareto 26.10 aufgebaut</h3><p>Pareto 26.10 ist ein stabiles Release des zusammengesetzten Modells von Unbiased. Es beruht auf einem Ansatz, bei dem für jede Anfrage mehrere führende und offene Modelle ausgewählt und ihre Ergebnisse zu einer Antwort zusammengeführt werden. Dieser Mechanismus unterscheidet sich von der einfachen Weitergabe einer Frage an ein einzelnes ausgewähltes Modell: Nutzer interagieren mit einer Pareto und erhalten ein gemeinsames Ergebnis. Die beteiligten Modelle können wechseln; die Releasebezeichnung legt deshalb keine feste Liste von Basismodellen fest.</p><h3>Textarbeit in Ailoot</h3><p>In Ailoot nimmt Pareto 26.10 Text entgegen und liefert Text. Das Kontextfenster dieser Anbindung umfasst 1 048 576 Token. Darin befinden sich Anweisungen, Gesprächsverlauf, übergebene Materialien und die entstehende Antwort. In den Metadaten des Modells ist ein Antwortumfang von bis zu 131 072 Token angegeben; dies ist eine Obergrenze und keine vorgeschriebene Länge jeder Generierung. Für inhaltliche Arbeit sollten Sie den Ergebnisumfang und die Reihenfolge der Abschnitte vorab festlegen.</p><p>Der lange Kontext ermöglicht Aufgaben, bei denen mehrere Textmaterialien in einer Anfrage abgeglichen werden müssen: Aufgabenbeschreibung und Implementierung, Anforderungen und Besprechungsprotokoll oder mehrere Dokumentvarianten. Übergeben Sie die Ausgangsausschnitte mit verständlichen Namen und lassen Sie Schlussfolgerungen darauf beziehen. Sie können beispielsweise eine Tabelle der Unterschiede erstellen, Widersprüche zwischen Anforderungen herausarbeiten oder einen Änderungsplan auf Grundlage der gesamten Sammlung vorbereiten lassen. Dies sind Formen der textlichen Aufgabenstellung; den Zugriff auf Ihre Dateien oder externe Systeme bestimmt die Anwendung.</p><h3>So bauen Sie eine Arbeitsanfrage auf</h3><p>Fügen Sie für eine Codeanalyse die relevanten Funktionen, das erwartete Verhalten und den beobachteten Fehler bei. Lassen Sie zuerst die Abhängigkeiten zwischen ihnen erklären und anschließend eine lokale Änderung sowie Prüfverfahren vorschlagen. Stellen Sie für eine Untersuchung anhand bereitgestellter Texte eine Frage, benennen Sie die Quellen innerhalb der Anfrage und legen Sie fest, welche Aussagen mit einem Verweis auf den zugehörigen Abschnitt versehen werden müssen. Nennen Sie für die Dokumenterstellung Zielgruppe, Zweck, Pflichtabschnitte und Abnahmekriterien.</p><p>Die Textanbindung steht über die Methoden Messages, Responses, Chat Completions und die Textschnittstelle generateContent zur Verfügung. Die Formatwahl hilft, das Modell in einen bestehenden Client einzubinden. Sie ergänzt für sich genommen weder Bilderkennung noch Websuche oder Befehlsausführung. Erhaltener Code, Pläne und Empfehlungen bleiben das Ergebnis einer Textgenerierung, bis Ihre Anwendung weitere Aktionen ausführt.</p><h3>Version für eine nachvollziehbare Auswahl</h3><p>Der Bezeichner <code>unbiased/pareto-26.10</code> wählt genau das Release 26.10 aus. Das ist hilfreich, um das Modell ausdrücklich in den Anwendungseinstellungen festzulegen oder die Ergebnisse einer Version an eigenen Aufgaben zu vergleichen. Release 26.9 besteht separat und besitzt ein eigenes Kontextfenster.</p>",
  "aboutText": "### So ist Pareto 26.10 aufgebaut\n\nPareto 26.10 ist ein stabiles Release des zusammengesetzten Modells von Unbiased. Es beruht auf einem Ansatz, bei dem für jede Anfrage mehrere führende und offene Modelle ausgewählt und ihre Ergebnisse zu einer Antwort zusammengeführt werden. Dieser Mechanismus unterscheidet sich von der einfachen Weitergabe einer Frage an ein einzelnes ausgewähltes Modell: Nutzer interagieren mit einer Pareto und erhalten ein gemeinsames Ergebnis. Die beteiligten Modelle können wechseln; die Releasebezeichnung legt deshalb keine feste Liste von Basismodellen fest.\n\n### Textarbeit in Ailoot\n\nIn Ailoot nimmt Pareto 26.10 Text entgegen und liefert Text. Das Kontextfenster dieser Anbindung umfasst 1 048 576 Token. Darin befinden sich Anweisungen, Gesprächsverlauf, übergebene Materialien und die entstehende Antwort. In den Metadaten des Modells ist ein Antwortumfang von bis zu 131 072 Token angegeben; dies ist eine Obergrenze und keine vorgeschriebene Länge jeder Generierung. Für inhaltliche Arbeit sollten Sie den Ergebnisumfang und die Reihenfolge der Abschnitte vorab festlegen.\n\nDer lange Kontext ermöglicht Aufgaben, bei denen mehrere Textmaterialien in einer Anfrage abgeglichen werden müssen: Aufgabenbeschreibung und Implementierung, Anforderungen und Besprechungsprotokoll oder mehrere Dokumentvarianten. Übergeben Sie die Ausgangsausschnitte mit verständlichen Namen und lassen Sie Schlussfolgerungen darauf beziehen. Sie können beispielsweise eine Tabelle der Unterschiede erstellen, Widersprüche zwischen Anforderungen herausarbeiten oder einen Änderungsplan auf Grundlage der gesamten Sammlung vorbereiten lassen. Dies sind Formen der textlichen Aufgabenstellung; den Zugriff auf Ihre Dateien oder externe Systeme bestimmt die Anwendung.\n\n### So bauen Sie eine Arbeitsanfrage auf\n\nFügen Sie für eine Codeanalyse die relevanten Funktionen, das erwartete Verhalten und den beobachteten Fehler bei. Lassen Sie zuerst die Abhängigkeiten zwischen ihnen erklären und anschließend eine lokale Änderung sowie Prüfverfahren vorschlagen. Stellen Sie für eine Untersuchung anhand bereitgestellter Texte eine Frage, benennen Sie die Quellen innerhalb der Anfrage und legen Sie fest, welche Aussagen mit einem Verweis auf den zugehörigen Abschnitt versehen werden müssen. Nennen Sie für die Dokumenterstellung Zielgruppe, Zweck, Pflichtabschnitte und Abnahmekriterien.\n\nDie Textanbindung steht über die Methoden Messages, Responses, Chat Completions und die Textschnittstelle generateContent zur Verfügung. Die Formatwahl hilft, das Modell in einen bestehenden Client einzubinden. Sie ergänzt für sich genommen weder Bilderkennung noch Websuche oder Befehlsausführung. Erhaltener Code, Pläne und Empfehlungen bleiben das Ergebnis einer Textgenerierung, bis Ihre Anwendung weitere Aktionen ausführt.\n\n### Version für eine nachvollziehbare Auswahl\n\nDer Bezeichner `unbiased/pareto-26.10` wählt genau das Release 26.10 aus. Das ist hilfreich, um das Modell ausdrücklich in den Anwendungseinstellungen festzulegen oder die Ergebnisse einer Version an eigenen Aufgaben zu vergleichen. Release 26.9 besteht separat und besitzt ein eigenes Kontextfenster.",
  "locale": "de",
  "methods": [
    {
      "html": "<section class=\"meth\" data-route=\"Ultra\"><header><b><span class=\"alias\">Ultra</span> Anthropic Messages</b><code>POST /v1/messages</code></header><dl class=\"method-capabilities\" data-model-capabilities><div><dt>Eingabetypen</dt><dd><code>text</code></dd></div><div><dt>Ausgabetypen</dt><dd><code>text</code></dd></div><div><dt>Kontext</dt><dd>Im Katalog nicht angegeben</dd></div><div><dt>Max. Antwort</dt><dd>Im Katalog nicht angegeben</dd></div></dl><dl><div><dt>Eingabe</dt><dd>0,0016 $ <em>/ 1K</em></dd></div><div><dt>Ausgabe</dt><dd>0,0064 $ <em>/ 1K</em></dd></div><div><dt>Cache-Lesen</dt><dd>≈0,00006 $ <em>/ 1K</em></dd></div></dl></section>",
      "method_identity": {
        "effective_request_model_id": "unbiased/pareto-26.10",
        "fmt": "messages",
        "http": "POST",
        "path": "/v1/messages",
        "request_model_id": "unbiased/pareto-26.10",
        "route_label": "Ultra"
      },
      "method_key": "Ultra|messages|/v1/messages|unbiased%2Fpareto-26.10",
      "ordinal": 0,
      "rawMethod": {
        "cache_read": 0.06,
        "cache_write": null,
        "cache_write_1h": null,
        "cache_write_5m": null,
        "conditional_meter": null,
        "ctx": null,
        "family": "anthropic",
        "fast_multiplier": 1,
        "flex_multiplier": 1,
        "fmt": "messages",
        "http": "POST",
        "img_in": null,
        "img_out": null,
        "in": 1.6,
        "input": [
          "text"
        ],
        "label": "Anthropic Messages",
        "max_out": null,
        "max_tool_calls": null,
        "out": 6.4,
        "output": [
          "text"
        ],
        "path": "/v1/messages",
        "request_model_id": "unbiased/pareto-26.10",
        "route_label": "Ultra",
        "status_reads": [],
        "tiers": [],
        "tool_prices": null,
        "unit": "token",
        "units": []
      }
    },
    {
      "html": "<section class=\"meth\" data-route=\"Ultra\"><header><b><span class=\"alias\">Ultra</span> OpenAI Responses</b><code>POST /v1/responses</code></header><dl class=\"method-capabilities\" data-model-capabilities><div><dt>Eingabetypen</dt><dd><code>text</code></dd></div><div><dt>Ausgabetypen</dt><dd><code>text</code></dd></div><div><dt>Kontext</dt><dd>Im Katalog nicht angegeben</dd></div><div><dt>Max. Antwort</dt><dd>Im Katalog nicht angegeben</dd></div></dl><dl><div><dt>Eingabe</dt><dd>0,0016 $ <em>/ 1K</em></dd></div><div><dt>Ausgabe</dt><dd>0,0064 $ <em>/ 1K</em></dd></div><div><dt>Cache-Lesen</dt><dd>≈0,00006 $ <em>/ 1K</em></dd></div></dl></section>",
      "method_identity": {
        "effective_request_model_id": "unbiased/pareto-26.10",
        "fmt": "responses",
        "http": "POST",
        "path": "/v1/responses",
        "request_model_id": "unbiased/pareto-26.10",
        "route_label": "Ultra"
      },
      "method_key": "Ultra|responses|/v1/responses|unbiased%2Fpareto-26.10",
      "ordinal": 1,
      "rawMethod": {
        "cache_read": 0.06,
        "cache_write": null,
        "cache_write_1h": null,
        "cache_write_5m": null,
        "conditional_meter": null,
        "ctx": null,
        "family": "openai",
        "fast_multiplier": 1,
        "flex_multiplier": 1,
        "fmt": "responses",
        "http": "POST",
        "img_in": null,
        "img_out": null,
        "in": 1.6,
        "input": [
          "text"
        ],
        "label": "OpenAI Responses",
        "max_out": null,
        "max_tool_calls": null,
        "out": 6.4,
        "output": [
          "text"
        ],
        "path": "/v1/responses",
        "request_model_id": "unbiased/pareto-26.10",
        "route_label": "Ultra",
        "status_reads": [],
        "tiers": [],
        "tool_prices": null,
        "unit": "token",
        "units": []
      }
    },
    {
      "html": "<section class=\"meth\" data-route=\"Ultra\"><header><b><span class=\"alias\">Ultra</span> OpenAI Chat</b><code>POST /v1/chat/completions</code></header><dl class=\"method-capabilities\" data-model-capabilities><div><dt>Eingabetypen</dt><dd><code>text</code></dd></div><div><dt>Ausgabetypen</dt><dd><code>text</code></dd></div><div><dt>Kontext</dt><dd>Im Katalog nicht angegeben</dd></div><div><dt>Max. Antwort</dt><dd>Im Katalog nicht angegeben</dd></div></dl><dl><div><dt>Eingabe</dt><dd>0,0016 $ <em>/ 1K</em></dd></div><div><dt>Ausgabe</dt><dd>0,0064 $ <em>/ 1K</em></dd></div><div><dt>Cache-Lesen</dt><dd>≈0,00006 $ <em>/ 1K</em></dd></div></dl></section>",
      "method_identity": {
        "effective_request_model_id": "unbiased/pareto-26.10",
        "fmt": "chat",
        "http": "POST",
        "path": "/v1/chat/completions",
        "request_model_id": "unbiased/pareto-26.10",
        "route_label": "Ultra"
      },
      "method_key": "Ultra|chat|/v1/chat/completions|unbiased%2Fpareto-26.10",
      "ordinal": 2,
      "rawMethod": {
        "cache_read": 0.06,
        "cache_write": null,
        "cache_write_1h": null,
        "cache_write_5m": null,
        "conditional_meter": null,
        "ctx": null,
        "family": "openai",
        "fast_multiplier": 1,
        "flex_multiplier": 1,
        "fmt": "chat",
        "http": "POST",
        "img_in": null,
        "img_out": null,
        "in": 1.6,
        "input": [
          "text"
        ],
        "label": "OpenAI Chat",
        "max_out": null,
        "max_tool_calls": null,
        "out": 6.4,
        "output": [
          "text"
        ],
        "path": "/v1/chat/completions",
        "request_model_id": "unbiased/pareto-26.10",
        "route_label": "Ultra",
        "status_reads": [],
        "tiers": [],
        "tool_prices": null,
        "unit": "token",
        "units": []
      }
    },
    {
      "html": "<section class=\"meth\" data-route=\"Ultra\"><header><b><span class=\"alias\">Ultra</span> Gemini generateContent</b><code>POST /v1beta/models/unbiased/pareto-26.10:generateContent</code></header><dl class=\"method-capabilities\" data-model-capabilities><div><dt>Eingabetypen</dt><dd><code>text</code></dd></div><div><dt>Ausgabetypen</dt><dd><code>text</code></dd></div><div><dt>Kontext</dt><dd>Im Katalog nicht angegeben</dd></div><div><dt>Max. Antwort</dt><dd>Im Katalog nicht angegeben</dd></div></dl><dl><div><dt>Eingabe</dt><dd>0,0016 $ <em>/ 1K</em></dd></div><div><dt>Ausgabe</dt><dd>0,0064 $ <em>/ 1K</em></dd></div><div><dt>Cache-Lesen</dt><dd>≈0,00006 $ <em>/ 1K</em></dd></div></dl></section>",
      "method_identity": {
        "effective_request_model_id": "unbiased/pareto-26.10",
        "fmt": "gemini",
        "http": "POST",
        "path": "/v1beta/models/unbiased/pareto-26.10:generateContent",
        "request_model_id": "unbiased/pareto-26.10",
        "route_label": "Ultra"
      },
      "method_key": "Ultra|gemini|/v1beta/models/unbiased/pareto-26.10:generateContent|unbiased%2Fpareto-26.10",
      "ordinal": 3,
      "rawMethod": {
        "cache_read": 0.06,
        "cache_write": null,
        "cache_write_1h": null,
        "cache_write_5m": null,
        "conditional_meter": null,
        "ctx": null,
        "family": "gemini",
        "fast_multiplier": 1,
        "flex_multiplier": 1,
        "fmt": "gemini",
        "http": "POST",
        "img_in": null,
        "img_out": null,
        "in": 1.6,
        "input": [
          "text"
        ],
        "label": "Gemini generateContent",
        "max_out": null,
        "max_tool_calls": null,
        "out": 6.4,
        "output": [
          "text"
        ],
        "path": "/v1beta/models/unbiased/pareto-26.10:generateContent",
        "request_model_id": "unbiased/pareto-26.10",
        "route_label": "Ultra",
        "status_reads": [],
        "tiers": [],
        "tool_prices": null,
        "unit": "token",
        "units": []
      }
    }
  ],
  "model_id": "unbiased/pareto-26.10",
  "page": {
    "canonical": "https://ailoot.ai/models/de/unbiased-pareto-26-10/",
    "description": "Zusammengesetztes Textmodell von Unbiased mit einem Kontext von 1 048 576 Token zur Auswertung großer Materialsammlungen und Erstellung ausführlicher Antworten.",
    "locale": "de",
    "md_url": "https://ailoot.ai/models/de/unbiased-pareto-26-10/index.md",
    "title": "Pareto 26.10",
    "url": "https://ailoot.ai/models/de/unbiased-pareto-26-10/"
  },
  "rawModel": {
    "about": "### So ist Pareto 26.10 aufgebaut\n\nPareto 26.10 ist ein stabiles Release des zusammengesetzten Modells von Unbiased. Es beruht auf einem Ansatz, bei dem für jede Anfrage mehrere führende und offene Modelle ausgewählt und ihre Ergebnisse zu einer Antwort zusammengeführt werden. Dieser Mechanismus unterscheidet sich von der einfachen Weitergabe einer Frage an ein einzelnes ausgewähltes Modell: Nutzer interagieren mit einer Pareto und erhalten ein gemeinsames Ergebnis. Die beteiligten Modelle können wechseln; die Releasebezeichnung legt deshalb keine feste Liste von Basismodellen fest.\n\n### Textarbeit in Ailoot\n\nIn Ailoot nimmt Pareto 26.10 Text entgegen und liefert Text. Das Kontextfenster dieser Anbindung umfasst 1 048 576 Token. Darin befinden sich Anweisungen, Gesprächsverlauf, übergebene Materialien und die entstehende Antwort. In den Metadaten des Modells ist ein Antwortumfang von bis zu 131 072 Token angegeben; dies ist eine Obergrenze und keine vorgeschriebene Länge jeder Generierung. Für inhaltliche Arbeit sollten Sie den Ergebnisumfang und die Reihenfolge der Abschnitte vorab festlegen.\n\nDer lange Kontext ermöglicht Aufgaben, bei denen mehrere Textmaterialien in einer Anfrage abgeglichen werden müssen: Aufgabenbeschreibung und Implementierung, Anforderungen und Besprechungsprotokoll oder mehrere Dokumentvarianten. Übergeben Sie die Ausgangsausschnitte mit verständlichen Namen und lassen Sie Schlussfolgerungen darauf beziehen. Sie können beispielsweise eine Tabelle der Unterschiede erstellen, Widersprüche zwischen Anforderungen herausarbeiten oder einen Änderungsplan auf Grundlage der gesamten Sammlung vorbereiten lassen. Dies sind Formen der textlichen Aufgabenstellung; den Zugriff auf Ihre Dateien oder externe Systeme bestimmt die Anwendung.\n\n### So bauen Sie eine Arbeitsanfrage auf\n\nFügen Sie für eine Codeanalyse die relevanten Funktionen, das erwartete Verhalten und den beobachteten Fehler bei. Lassen Sie zuerst die Abhängigkeiten zwischen ihnen erklären und anschließend eine lokale Änderung sowie Prüfverfahren vorschlagen. Stellen Sie für eine Untersuchung anhand bereitgestellter Texte eine Frage, benennen Sie die Quellen innerhalb der Anfrage und legen Sie fest, welche Aussagen mit einem Verweis auf den zugehörigen Abschnitt versehen werden müssen. Nennen Sie für die Dokumenterstellung Zielgruppe, Zweck, Pflichtabschnitte und Abnahmekriterien.\n\nDie Textanbindung steht über die Methoden Messages, Responses, Chat Completions und die Textschnittstelle generateContent zur Verfügung. Die Formatwahl hilft, das Modell in einen bestehenden Client einzubinden. Sie ergänzt für sich genommen weder Bilderkennung noch Websuche oder Befehlsausführung. Erhaltener Code, Pläne und Empfehlungen bleiben das Ergebnis einer Textgenerierung, bis Ihre Anwendung weitere Aktionen ausführt.\n\n### Version für eine nachvollziehbare Auswahl\n\nDer Bezeichner `unbiased/pareto-26.10` wählt genau das Release 26.10 aus. Das ist hilfreich, um das Modell ausdrücklich in den Anwendungseinstellungen festzulegen oder die Ergebnisse einer Version an eigenen Aufgaben zu vergleichen. Release 26.9 besteht separat und besitzt ein eigenes Kontextfenster.",
    "alias_of": null,
    "aliases": [],
    "author": "Unbiased",
    "canonical_model": "unbiased/pareto-26.10",
    "ctx": null,
    "formats": [
      "chat",
      "gemini",
      "messages",
      "responses"
    ],
    "id": "unbiased/pareto-26.10",
    "input": [
      "text"
    ],
    "kind": "text",
    "max_out": null,
    "methods": [
      {
        "cache_read": 0.06,
        "cache_write": null,
        "cache_write_1h": null,
        "cache_write_5m": null,
        "conditional_meter": null,
        "ctx": null,
        "family": "anthropic",
        "fast_multiplier": 1,
        "flex_multiplier": 1,
        "fmt": "messages",
        "http": "POST",
        "img_in": null,
        "img_out": null,
        "in": 1.6,
        "input": [
          "text"
        ],
        "label": "Anthropic Messages",
        "max_out": null,
        "max_tool_calls": null,
        "out": 6.4,
        "output": [
          "text"
        ],
        "path": "/v1/messages",
        "request_model_id": "unbiased/pareto-26.10",
        "route_label": "Ultra",
        "status_reads": [],
        "tiers": [],
        "tool_prices": null,
        "unit": "token",
        "units": []
      },
      {
        "cache_read": 0.06,
        "cache_write": null,
        "cache_write_1h": null,
        "cache_write_5m": null,
        "conditional_meter": null,
        "ctx": null,
        "family": "openai",
        "fast_multiplier": 1,
        "flex_multiplier": 1,
        "fmt": "responses",
        "http": "POST",
        "img_in": null,
        "img_out": null,
        "in": 1.6,
        "input": [
          "text"
        ],
        "label": "OpenAI Responses",
        "max_out": null,
        "max_tool_calls": null,
        "out": 6.4,
        "output": [
          "text"
        ],
        "path": "/v1/responses",
        "request_model_id": "unbiased/pareto-26.10",
        "route_label": "Ultra",
        "status_reads": [],
        "tiers": [],
        "tool_prices": null,
        "unit": "token",
        "units": []
      },
      {
        "cache_read": 0.06,
        "cache_write": null,
        "cache_write_1h": null,
        "cache_write_5m": null,
        "conditional_meter": null,
        "ctx": null,
        "family": "openai",
        "fast_multiplier": 1,
        "flex_multiplier": 1,
        "fmt": "chat",
        "http": "POST",
        "img_in": null,
        "img_out": null,
        "in": 1.6,
        "input": [
          "text"
        ],
        "label": "OpenAI Chat",
        "max_out": null,
        "max_tool_calls": null,
        "out": 6.4,
        "output": [
          "text"
        ],
        "path": "/v1/chat/completions",
        "request_model_id": "unbiased/pareto-26.10",
        "route_label": "Ultra",
        "status_reads": [],
        "tiers": [],
        "tool_prices": null,
        "unit": "token",
        "units": []
      },
      {
        "cache_read": 0.06,
        "cache_write": null,
        "cache_write_1h": null,
        "cache_write_5m": null,
        "conditional_meter": null,
        "ctx": null,
        "family": "gemini",
        "fast_multiplier": 1,
        "flex_multiplier": 1,
        "fmt": "gemini",
        "http": "POST",
        "img_in": null,
        "img_out": null,
        "in": 1.6,
        "input": [
          "text"
        ],
        "label": "Gemini generateContent",
        "max_out": null,
        "max_tool_calls": null,
        "out": 6.4,
        "output": [
          "text"
        ],
        "path": "/v1beta/models/unbiased/pareto-26.10:generateContent",
        "request_model_id": "unbiased/pareto-26.10",
        "route_label": "Ultra",
        "status_reads": [],
        "tiers": [],
        "tool_prices": null,
        "unit": "token",
        "units": []
      }
    ],
    "model_aliases": [
      {
        "canonical_model_id": "unbiased/pareto-26.10",
        "request_model_id": "unbiased/pareto-26.10",
        "route_label": "Ultra"
      }
    ],
    "name": "Pareto 26.10",
    "price": {
      "in": 1.6,
      "in_label": null,
      "out": 6.4,
      "out_label": null,
      "sort_in": 1.6,
      "sort_out": 6.4,
      "varies": false
    },
    "public_id": "unbiased/pareto-26.10",
    "short": "Zusammengesetztes Textmodell von Unbiased mit einem Kontext von 1 048 576 Token zur Auswertung großer Materialsammlungen und Erstellung ausführlicher Antworten."
  },
  "renderer_schema": {
    "method_order": "rawModel.methods-ordinal",
    "prices": "exact-native-DTO-units-and-selected-renderer-html"
  },
  "representation": "exact-public-dto-and-native-renderer-html",
  "schema": "ailoot-static-model-facts-v1",
  "schema_version": 1,
  "shortText": "Zusammengesetztes Textmodell von Unbiased mit einem Kontext von 1 048 576 Token zur Auswertung großer Materialsammlungen und Erstellung ausführlicher Antworten.",
  "source": {
    "audit_sha256": "b026a9506f15e6bfbe276bfa314346c2a5973715b8ba838994b8195e443f86ee",
    "bridge_map_sha256": "b026a9506f15e6bfbe276bfa314346c2a5973715b8ba838994b8195e443f86ee",
    "projection_audit": {
      "parent_manifest_sha256": "dfd3a7a4bc6f960e128026cae1f98f769d1503ffa1c6cf0ccf80066382dbbb9e",
      "raw_model_json_sha256": "d7fd3d0ef62105cd5bd46ae1aa371e67fe8cd361d16b38a6fd18500455dbd397",
      "renderer_sha256": "223ea65eede6cbd355b296c7baa06535d79b9bec1a86e141ee4b1769f94f4198"
    },
    "projection_kind": "catalogue-refresh-native-dto-v1",
    "raw_model_json_sha256": "d7fd3d0ef62105cd5bd46ae1aa371e67fe8cd361d16b38a6fd18500455dbd397",
    "renderer_sha256": "223ea65eede6cbd355b296c7baa06535d79b9bec1a86e141ee4b1769f94f4198"
  },
  "sourceRevision": "dba648ee95b91c7204c78569c89b7a0ed8f4db7ad8bd5827c5f8fe7322980656"
}
