Together: Tev1 4B Experimental

Tev1 4B Experimental es el modelo de clasificación de Together AI para preguntas con un conjunto fijo de respuestas. El fabricante lo ajustó a partir de Qwen3.5 4B e indica que tiene 4,700 millones de parámetros. Utiliza generación de texto sin razonamiento para seleccionar una opción: la entrada documentada es un estado, una pregunta y opciones etiquetadas, y la salida solicitada es exactamente una letra. La aplicación asigna esa letra a la clave semántica de la opción. Esto distingue su flujo de decisión del de un modelo que devuelve directamente probabilidades calibradas o una puntuación esperada según una rúbrica.

Estado, pregunta y entre 2 y 24 opciones

La interfaz del productor representa la decisión como un objeto JSON con state, question y options. Cada opción contiene una etiqueta de letra de la A a la X, una clave semántica y una descripción. Proporciona entre dos y 24 opciones y haz que cada descripción explique cuándo se aplica esa respuesta. La letra es la etiqueta compacta de salida; la clave semántica es el significado que utiliza el software que integra el modelo. Mantén la correspondencia asociada a la lista exacta de opciones empleada en esa decisión.

Para un mensaje de soporte, el estado debe contener el mensaje y el contexto pertinente, mientras que la pregunta define qué intención o destino se debe elegir. Una lista ilustrativa puede distinguir entre una falla de integración comunicada, un problema de acceso y una solicitud de información del producto, con una opción none cuando las intenciones enumeradas no encajen. Define los casos que se solapen, en lugar de esperar que el modelo deduzca la política de asignación de la organización a partir de etiquetas abreviadas.

Generación sin razonamiento y formato de respuesta solicitado

El ejemplo publicado por Together proporciona una instrucción de sistema que trata el contenido de state como datos, selecciona una de las opciones enumeradas y solicita únicamente su letra, sin explicación. Sus ajustes recomendados son temperature 0, un margen de generación de ocho tokens y thinking desactivado. El fabricante indica expresamente que el endpoint público no incorpora estos ajustes automáticamente; los proporciona la función auxiliar del ejemplo, mientras que una solicitud directa debe especificarlos. Utiliza estos ajustes para solicitar la respuesta de clasificación breve y sin razonamiento prevista.

El margen de ocho tokens es un ajuste de salida del ejemplo para este flujo de respuestas cortas, no una especificación universal de salida máxima. La salida útil prevista sigue siendo la letra seleccionada. Si una función auxiliar muestra después un objeto con etiqueta y clave, distingue ese objeto interpretado del contenido generado en bruto por el modelo. Seleccionar una categoría no actualiza por sí mismo un ticket, no aprueba una operación ni ejecuta la siguiente acción.

Clasificación, reglas y valoraciones por categorías

El fabricante describe la detección de intenciones, la aplicación de políticas, la asignación en flujos de trabajo, las categorías documentales, el sentimiento y la comprensión de preguntas de sí/no basadas en pasajes como patrones de tareas compatibles. Una tarea booleana puede proporcionar dos opciones cuyas claves signifiquen verdadero y falso; la aplicación interpreta la opción seleccionada en consecuencia. Una tarea de sentimiento puede proporcionar niveles descritos y devolver la clave de una categoría seleccionada. Esa elección categórica no es una media ponderada por probabilidad entre niveles, y una letra devuelta no es un valor numérico de confianza.

Para una decisión basada en reglas, incluye en la tarea los hechos pertinentes y la regla, en lugar de pedir al modelo que invente la política. Por ejemplo, unas instrucciones de asignación documental pueden describir las carpetas permitidas y el material que corresponde a cada una. Una tarea de taxonomía de investigación puede proporcionar el título y el resumen de un artículo junto con descripciones de temas. El resultado debe interpretarse respecto a las alternativas proporcionadas, conservando la evidencia original para una elección ambigua o discutida.

Alcance del entrenamiento e identidad de la edición

La página del modelo registra 37,840 ejemplos de entrenamiento que cubren implicación textual, preguntas de sí/no sobre pasajes, intenciones bancarias, categorías de noticias, niveles de sentimiento, políticas programáticas, asignación y taxonomía de artículos de investigación. La guía complementaria documenta la normalización de estas tareas en un formato de decisión común y el ajuste de un modelo de clasificación. Esto explica que el perfil se centre en un conjunto acotado de respuestas; no establece que vaya a gestionar correctamente cualquier política, dominio o taxonomía nuevos sin una evaluación específica de la tarea.

Tev1 4B Experimental es el modelo denominado así por Together, no el perfil base general de Qwen3.5 4B ni un checkpoint de otro fabricante de modelos de decisión. Conserva la preparación de salida y el contrato de entrada propios de la edición experimental. Compartir un caso de uso de decisión o una familia base conocida no justifica tomar de otro modelo la compatibilidad con imágenes, la calibración de probabilidades, las llamadas a herramientas o los límites de agrupación de preguntas.

Contexto y revisión del resultado

La especificación del modelo de Together indica una ventana de contexto de 32.8K tokens y entrada de texto con salida de texto. El contexto debe alojar las instrucciones, el estado, la pregunta y las opciones utilizados en la solicitud de clasificación. Prepara solo la evidencia que necesite la pregunta, conservando las definiciones que distinguen las alternativas. Mantén compacto el prompt de clasificación eliminando el contexto irrelevante sin perder las definiciones de las opciones.

El productor identifica esta edición como experimental, destinada a la evaluación con cargas reales de decisión. Comprueba que la respuesta en bruto sea una de las etiquetas proporcionadas antes de asignarla a una clave semántica y compara las clasificaciones con material representativo etiquetado de la tarea prevista. Una letra válida demuestra que la selección tiene un formato correcto, no que su interpretación sea correcta. Conserva juntos la entrada, las opciones, la letra devuelta y la clave asignada, para que el artefacto final pueda apoyar la asignación, la categorización o la revisión de políticas sin perder cómo se definió la decisión.