Together: Tev1 4B Experimental

Tev1 4B Experimental est le modèle de classification de Together AI pour les questions possédant un ensemble fixe de réponses. Le fabricant l’a ajusté à partir de Qwen3.5 4B et annonce 4,7 milliards de paramètres. Il utilise une génération textuelle sans réflexion pour sélectionner une option : l’entrée documentée est un état, une question et des choix étiquetés, et la sortie demandée est exactement une lettre. L’application associe cette lettre à la clé sémantique de l’option. Cela distingue son processus de décision de celui d’un modèle qui renvoie directement des probabilités calibrées ou un score attendu sur une grille d’évaluation.

Un état, une question et de 2 à 24 options

L’interface du producteur représente la décision sous forme d’un objet JSON comprenant state, question et options. Chaque option contient une lettre de A à X, une clé sémantique et une description. Fournissez de deux à 24 options et faites en sorte que chaque description explique quand cette réponse s’applique. La lettre est le libellé compact de sortie ; la clé sémantique porte le sens utilisé par le logiciel environnant. Gardez cette correspondance associée à la liste exacte des options utilisées pour cette décision.

Pour un message d’assistance, l’état doit contenir le message et le contexte pertinent, tandis que la question définit l’intention ou la destination à choisir. Une liste illustrative peut distinguer un échec d’intégration signalé, un problème d’accès et une demande d’informations produit, avec une option none lorsque les intentions listées ne conviennent pas. Définissez les cas qui se recoupent, plutôt que d’attendre du modèle qu’il déduise la politique d’orientation de l’organisation à partir de libellés abrégés.

Génération sans réflexion et forme de réponse demandée

L’exemple publié par Together fournit une instruction système qui traite le contenu de state comme des données, sélectionne une option listée et demande uniquement sa lettre, sans explication. Ses réglages recommandés sont une température de 0, une allocation de génération de huit tokens et la réflexion désactivée. Le fabricant précise explicitement que ces réglages ne sont pas injectés automatiquement par le point d’accès public ; la fonction auxiliaire de l’exemple les fournit, tandis qu’une requête directe doit les spécifier. Utilisez ces réglages pour demander la réponse courte de classification sans réflexion visée.

L’allocation de huit tokens est un réglage de sortie donné en exemple pour ce processus à réponse courte, et non une spécification universelle de sortie maximale. La sortie utile visée reste la lettre sélectionnée. Si une fonction auxiliaire expose ensuite un objet contenant le libellé et la clé, distinguez cet objet interprété du contenu brut généré par le modèle. Sélectionner une catégorie ne met pas en soi un ticket à jour, n’approuve pas une opération et n’exécute pas l’action suivante.

Classification, règles et notes catégorielles

Le fabricant décrit la détection d’intention, l’application de règles, l’orientation de processus, les catégories documentaires, le sentiment et la compréhension oui/non fondée sur des passages comme des schémas de tâches pris en charge. Une tâche booléenne peut fournir deux options dont les clés signifient true et false ; l’application interprète alors l’option sélectionnée en conséquence. Une tâche de sentiment peut fournir des niveaux décrits et renvoyer la clé d’une catégorie sélectionnée. Ce choix catégoriel n’est pas une moyenne entre niveaux pondérée par les probabilités, et une lettre renvoyée n’est pas une valeur numérique de confiance.

Pour une décision fondée sur des règles, incluez dans la tâche les faits pertinents et la règle, plutôt que de demander au modèle d’inventer la politique. Par exemple, un cahier des charges d’orientation documentaire peut décrire les dossiers autorisés et le matériau appartenant à chacun. Une tâche de taxonomie de recherche peut fournir le titre et le résumé d’un article scientifique, accompagnés des descriptions des thèmes. Le résultat doit être interprété au regard des alternatives fournies, en conservant les éléments d’origine en cas de choix ambigu ou contesté.

Périmètre d’entraînement et identité de l’édition

La page du modèle indique 37 840 exemples d’entraînement couvrant l’implication logique, les questions oui/non sur des passages, les intentions bancaires, les catégories d’actualités, les niveaux de sentiment, les politiques programmatiques, l’orientation et la taxonomie d’articles de recherche. Le guide associé documente la normalisation de ces tâches dans un format de décision commun et l’ajustement d’un modèle de classification. Cela explique la spécialisation du profil dans un ensemble délimité de réponses ; cela n’établit pas que toute nouvelle politique, tout nouveau domaine ou toute nouvelle taxonomie seront traités correctement sans évaluation propre à la tâche.

Tev1 4B Experimental est le modèle nommé de Together, et non le profil général de base Qwen3.5 4B ni une version d’un autre fabricant de modèles de décision. Conservez la préparation de sortie et le contrat d’entrée propres à cette édition expérimentale. Un cas d’usage de décision commun ou une famille de base familière ne justifient pas d’emprunter à un autre modèle sa prise en charge des images, son calibrage des probabilités, ses appels d’outils ou ses limites de regroupement de questions.

Contexte et vérification du résultat

La spécification du modèle de Together annonce une fenêtre de contexte de 32.8K tokens et une entrée textuelle avec une sortie textuelle. Le contexte doit accueillir les instructions, l’état, la question et les options utilisées dans la requête de classification. Préparez uniquement les éléments nécessaires à la question, tout en conservant les définitions qui distinguent les alternatives. Gardez le prompt de classification compact en supprimant le contexte non pertinent, sans retirer les définitions des options.

Le producteur présente cette publication comme une édition expérimentale destinée à l’évaluation sur de vraies tâches de décision. Vérifiez que la réponse brute est l’un des libellés fournis avant de l’associer à une clé sémantique, et comparez les classifications à du matériau annoté représentatif de la tâche visée. Une lettre valide établit une sélection bien formée, et non la preuve que son interprétation est correcte. Gardez ensemble l’entrée, les options, la lettre renvoyée et la clé associée, afin que l’artefact final puisse servir à l’orientation, à la catégorisation ou à la vérification de règles sans perdre la définition de la décision.