{
  "aboutHtml": "<h3>Cómo funciona Pareto 26.10</h3><p>Pareto 26.10 es una versión estable del modelo compuesto de Unbiased. Se basa en un enfoque que selecciona varios modelos de vanguardia y abiertos para cada solicitud y combina sus resultados en una sola respuesta. Este mecanismo difiere del simple envío de una pregunta a un único modelo elegido: el usuario interactúa con una sola Pareto y recibe un resultado conjunto. Los modelos participantes pueden cambiar, por lo que el nombre de la versión no define una lista fija de modelos base.</p><h3>Trabajo con texto en Ailoot</h3><p>En Ailoot, Pareto 26.10 recibe texto y devuelve texto. La ventana de contexto de esta conexión es de 1 048 576 tokens. Incluye las instrucciones, el historial de conversación, los materiales enviados y la respuesta que se genera. Los metadatos del modelo indican un volumen de respuesta de hasta 131 072 tokens; es un máximo y no la longitud obligatoria de cada generación. Para un trabajo sustantivo, conviene definir de antemano la extensión del resultado y el orden de las secciones.</p><p>El contexto largo permite tareas que comparan varios materiales de texto en una sola solicitud: un encargo técnico y su implementación, requisitos y actas de discusión o varias versiones de un documento. Envía los fragmentos originales con nombres claros y pide vincular las conclusiones con ellos. Por ejemplo, puedes elaborar una tabla de diferencias, identificar contradicciones entre requisitos o preparar un plan de cambios basado en todo el conjunto. Son formas de plantear una tarea de texto; el acceso a tus archivos o a sistemas externos lo determina la aplicación.</p><h3>Cómo construir una solicitud de trabajo</h3><p>Para analizar código, incluye las funciones pertinentes, el comportamiento esperado y el error observado. Pide primero explicar su relación y después proponer un cambio localizado y métodos de comprobación. Para una investigación sobre textos proporcionados, plantea la pregunta, enumera las fuentes dentro de la solicitud y define qué afirmaciones deben acompañarse de una referencia al fragmento correspondiente. Para preparar un documento, indica el público, la finalidad, las secciones obligatorias y los criterios de aceptación.</p><p>La conexión de texto se ofrece mediante Messages, Responses, Chat Completions y la interfaz textual de generateContent. Elegir un formato ayuda a integrar el modelo en un cliente existente. Por sí solo, no añade lectura de imágenes, búsqueda web ni ejecución de comandos. El código, los planes y las recomendaciones obtenidos siguen siendo resultados de generación de texto hasta que tu aplicación lleva a cabo las acciones posteriores.</p><h3>Una versión para una selección reproducible</h3><p>El identificador <code>unbiased/pareto-26.10</code> selecciona específicamente la versión 26.10. Resulta útil cuando necesitas fijar explícitamente el modelo en la configuración de la aplicación o comparar los resultados de una misma versión en tu conjunto de tareas. La versión 26.9 existe por separado y tiene su propia ventana de contexto.</p>",
  "aboutText": "### Cómo funciona Pareto 26.10\n\nPareto 26.10 es una versión estable del modelo compuesto de Unbiased. Se basa en un enfoque que selecciona varios modelos de vanguardia y abiertos para cada solicitud y combina sus resultados en una sola respuesta. Este mecanismo difiere del simple envío de una pregunta a un único modelo elegido: el usuario interactúa con una sola Pareto y recibe un resultado conjunto. Los modelos participantes pueden cambiar, por lo que el nombre de la versión no define una lista fija de modelos base.\n\n### Trabajo con texto en Ailoot\n\nEn Ailoot, Pareto 26.10 recibe texto y devuelve texto. La ventana de contexto de esta conexión es de 1 048 576 tokens. Incluye las instrucciones, el historial de conversación, los materiales enviados y la respuesta que se genera. Los metadatos del modelo indican un volumen de respuesta de hasta 131 072 tokens; es un máximo y no la longitud obligatoria de cada generación. Para un trabajo sustantivo, conviene definir de antemano la extensión del resultado y el orden de las secciones.\n\nEl contexto largo permite tareas que comparan varios materiales de texto en una sola solicitud: un encargo técnico y su implementación, requisitos y actas de discusión o varias versiones de un documento. Envía los fragmentos originales con nombres claros y pide vincular las conclusiones con ellos. Por ejemplo, puedes elaborar una tabla de diferencias, identificar contradicciones entre requisitos o preparar un plan de cambios basado en todo el conjunto. Son formas de plantear una tarea de texto; el acceso a tus archivos o a sistemas externos lo determina la aplicación.\n\n### Cómo construir una solicitud de trabajo\n\nPara analizar código, incluye las funciones pertinentes, el comportamiento esperado y el error observado. Pide primero explicar su relación y después proponer un cambio localizado y métodos de comprobación. Para una investigación sobre textos proporcionados, plantea la pregunta, enumera las fuentes dentro de la solicitud y define qué afirmaciones deben acompañarse de una referencia al fragmento correspondiente. Para preparar un documento, indica el público, la finalidad, las secciones obligatorias y los criterios de aceptación.\n\nLa conexión de texto se ofrece mediante Messages, Responses, Chat Completions y la interfaz textual de generateContent. Elegir un formato ayuda a integrar el modelo en un cliente existente. Por sí solo, no añade lectura de imágenes, búsqueda web ni ejecución de comandos. El código, los planes y las recomendaciones obtenidos siguen siendo resultados de generación de texto hasta que tu aplicación lleva a cabo las acciones posteriores.\n\n### Una versión para una selección reproducible\n\nEl identificador `unbiased/pareto-26.10` selecciona específicamente la versión 26.10. Resulta útil cuando necesitas fijar explícitamente el modelo en la configuración de la aplicación o comparar los resultados de una misma versión en tu conjunto de tareas. La versión 26.9 existe por separado y tiene su propia ventana de contexto.",
  "locale": "es",
  "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>Tipos de entrada</dt><dd><code>text</code></dd></div><div><dt>Tipos de salida</dt><dd><code>text</code></dd></div><div><dt>Contexto</dt><dd>No especificado en el catálogo</dd></div><div><dt>Respuesta máx.</dt><dd>No especificado en el catálogo</dd></div></dl><dl><div><dt>Entrada</dt><dd>0,0016 US$ <em>/ 1K</em></dd></div><div><dt>Salida</dt><dd>0,0064 US$ <em>/ 1K</em></dd></div><div><dt>Lectura de caché</dt><dd>≈0,00006 US$ <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>Tipos de entrada</dt><dd><code>text</code></dd></div><div><dt>Tipos de salida</dt><dd><code>text</code></dd></div><div><dt>Contexto</dt><dd>No especificado en el catálogo</dd></div><div><dt>Respuesta máx.</dt><dd>No especificado en el catálogo</dd></div></dl><dl><div><dt>Entrada</dt><dd>0,0016 US$ <em>/ 1K</em></dd></div><div><dt>Salida</dt><dd>0,0064 US$ <em>/ 1K</em></dd></div><div><dt>Lectura de caché</dt><dd>≈0,00006 US$ <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>Tipos de entrada</dt><dd><code>text</code></dd></div><div><dt>Tipos de salida</dt><dd><code>text</code></dd></div><div><dt>Contexto</dt><dd>No especificado en el catálogo</dd></div><div><dt>Respuesta máx.</dt><dd>No especificado en el catálogo</dd></div></dl><dl><div><dt>Entrada</dt><dd>0,0016 US$ <em>/ 1K</em></dd></div><div><dt>Salida</dt><dd>0,0064 US$ <em>/ 1K</em></dd></div><div><dt>Lectura de caché</dt><dd>≈0,00006 US$ <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>Tipos de entrada</dt><dd><code>text</code></dd></div><div><dt>Tipos de salida</dt><dd><code>text</code></dd></div><div><dt>Contexto</dt><dd>No especificado en el catálogo</dd></div><div><dt>Respuesta máx.</dt><dd>No especificado en el catálogo</dd></div></dl><dl><div><dt>Entrada</dt><dd>0,0016 US$ <em>/ 1K</em></dd></div><div><dt>Salida</dt><dd>0,0064 US$ <em>/ 1K</em></dd></div><div><dt>Lectura de caché</dt><dd>≈0,00006 US$ <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/es/unbiased-pareto-26-10/",
    "description": "Modelo de texto compuesto de Unbiased con un contexto de 1 048 576 tokens para analizar grandes conjuntos de materiales y preparar respuestas desarrolladas.",
    "locale": "es",
    "md_url": "https://ailoot.ai/models/es/unbiased-pareto-26-10/index.md",
    "title": "Pareto 26.10",
    "url": "https://ailoot.ai/models/es/unbiased-pareto-26-10/"
  },
  "rawModel": {
    "about": "### Cómo funciona Pareto 26.10\n\nPareto 26.10 es una versión estable del modelo compuesto de Unbiased. Se basa en un enfoque que selecciona varios modelos de vanguardia y abiertos para cada solicitud y combina sus resultados en una sola respuesta. Este mecanismo difiere del simple envío de una pregunta a un único modelo elegido: el usuario interactúa con una sola Pareto y recibe un resultado conjunto. Los modelos participantes pueden cambiar, por lo que el nombre de la versión no define una lista fija de modelos base.\n\n### Trabajo con texto en Ailoot\n\nEn Ailoot, Pareto 26.10 recibe texto y devuelve texto. La ventana de contexto de esta conexión es de 1 048 576 tokens. Incluye las instrucciones, el historial de conversación, los materiales enviados y la respuesta que se genera. Los metadatos del modelo indican un volumen de respuesta de hasta 131 072 tokens; es un máximo y no la longitud obligatoria de cada generación. Para un trabajo sustantivo, conviene definir de antemano la extensión del resultado y el orden de las secciones.\n\nEl contexto largo permite tareas que comparan varios materiales de texto en una sola solicitud: un encargo técnico y su implementación, requisitos y actas de discusión o varias versiones de un documento. Envía los fragmentos originales con nombres claros y pide vincular las conclusiones con ellos. Por ejemplo, puedes elaborar una tabla de diferencias, identificar contradicciones entre requisitos o preparar un plan de cambios basado en todo el conjunto. Son formas de plantear una tarea de texto; el acceso a tus archivos o a sistemas externos lo determina la aplicación.\n\n### Cómo construir una solicitud de trabajo\n\nPara analizar código, incluye las funciones pertinentes, el comportamiento esperado y el error observado. Pide primero explicar su relación y después proponer un cambio localizado y métodos de comprobación. Para una investigación sobre textos proporcionados, plantea la pregunta, enumera las fuentes dentro de la solicitud y define qué afirmaciones deben acompañarse de una referencia al fragmento correspondiente. Para preparar un documento, indica el público, la finalidad, las secciones obligatorias y los criterios de aceptación.\n\nLa conexión de texto se ofrece mediante Messages, Responses, Chat Completions y la interfaz textual de generateContent. Elegir un formato ayuda a integrar el modelo en un cliente existente. Por sí solo, no añade lectura de imágenes, búsqueda web ni ejecución de comandos. El código, los planes y las recomendaciones obtenidos siguen siendo resultados de generación de texto hasta que tu aplicación lleva a cabo las acciones posteriores.\n\n### Una versión para una selección reproducible\n\nEl identificador `unbiased/pareto-26.10` selecciona específicamente la versión 26.10. Resulta útil cuando necesitas fijar explícitamente el modelo en la configuración de la aplicación o comparar los resultados de una misma versión en tu conjunto de tareas. La versión 26.9 existe por separado y tiene su propia ventana de contexto.",
    "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": "Modelo de texto compuesto de Unbiased con un contexto de 1 048 576 tokens para analizar grandes conjuntos de materiales y preparar respuestas desarrolladas."
  },
  "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": "Modelo de texto compuesto de Unbiased con un contexto de 1 048 576 tokens para analizar grandes conjuntos de materiales y preparar respuestas desarrolladas.",
  "source": {
    "audit_sha256": "142c24356e833f5a1c598ff7dd4287462379de93969187f1f363c143a21b847b",
    "bridge_map_sha256": "142c24356e833f5a1c598ff7dd4287462379de93969187f1f363c143a21b847b",
    "projection_audit": {
      "parent_manifest_sha256": "dfd3a7a4bc6f960e128026cae1f98f769d1503ffa1c6cf0ccf80066382dbbb9e",
      "raw_model_json_sha256": "7322331cef8e1fa3988f0bee28837e9d9bf6bc686fcb893c47bc4a6637a1bbf6",
      "renderer_sha256": "f03103852c647858d2e4c20d50c82deb8eb859cc592f32b1a1f4f3e59e68d69d"
    },
    "projection_kind": "catalogue-refresh-native-dto-v1",
    "raw_model_json_sha256": "7322331cef8e1fa3988f0bee28837e9d9bf6bc686fcb893c47bc4a6637a1bbf6",
    "renderer_sha256": "f03103852c647858d2e4c20d50c82deb8eb859cc592f32b1a1f4f3e59e68d69d"
  },
  "sourceRevision": "4b9b0d81bbdc0fb42686b13a265bc43b666a3c25eb19df7dcbaa8311a6371439"
}
