Dots Studio: Dots3-Note Preview (free)

dots3-note Preview est le membre léger de la famille multimodale dots3 de Dots Studio. Le producteur annonce un modèle à mélange d’experts avec 280 milliards de paramètres au total, 16 milliards actifs et un contexte allant jusqu’à 512K tokens. Il reçoit du texte, des images, de la vidéo et de l’audio et produit du texte, avec parmi ses tâches déclarées les connaissances générales, les instructions, le raisonnement, la programmation et le travail orienté agents.

Le socle linguistique possède une couche dense et 45 couches d’experts, avec huit experts routés sélectionnés parmi 256, en plus d’un expert partagé. Son attention combine 13 couches d’attention parcimonieuse et 33 couches à fenêtre glissante. Le producteur indique des encodeurs visuels et audio distincts et une couche de prédiction partagée. Ces composants permettent la compréhension multimodale; la sortie du modèle reste du texte plutôt que des images, de la parole ou des vidéos générées.

Pour une analyse visuelle, fournissez l’image, la page ou le graphique et posez une question sur l’élément qui affecte la décision. Une tâche documentaire utile peut comparer un tableau visible à une exigence écrite et renvoyer la ligne pertinente, l’interprétation et toute information manquante. Pour une vidéo, identifiez l’événement ou la séquence à examiner; l’exemple d’entrée du producteur inclut la piste audio lorsque le clip en possède une.

Pour l’audio, précisez si la tâche exige une transcription ou une explication du contenu et fournissez les noms ou termes spécialisés nécessaires à l’interprétation. Une mission combinée peut utiliser l’enregistrement avec un contexte écrit et demander des conclusions organisées selon les questions auxquelles elles répondent. Le résultat est un artefact textuel à présenter ou à traiter par l’application.

Le modèle de conversation du producteur distingue la réflexion d’une réponse directe. Activer la réflexion ajoute une étape de raisonnement; la désactiver renvoie directement la réponse. L’exemple documenté utilise une température de 1,0 et top-p à 0,95. Choisissez explicitement la tâche et le résultat souhaité et laissez assez de place à la génération de la réponse, au lieu de traiter l’allocation de tokens d’un exemple comme une limite de sortie stricte du modèle.

Pour une tâche de programmation, fournissez les sources pertinentes, le comportement attendu et une panne observée ou une modification demandée. Demandez l’artefact proposé et les vérifications qui permettraient de l’évaluer. Dans un processus d’agent connecté, le modèle propose des interactions avec les outils et l’application les exécute et renvoie leurs résultats. Le fabricant publie un analyseur dédié aux appels d’outils; l’application environnante fournit les outils réels et leurs accès.

Le travail interactif peut nécessiter une exploration, une adaptation et des mises à jour de la mémoire de travail de la tâche. Gardez un relevé compact de l’objectif, des constats confirmés et de la condition non résolue. Demandez au tour suivant d’identifier ce que les nouveaux éléments changent et ce qui doit rester dans ce relevé. Sa persistance et l’exécution des actions relèvent de l’application qui entoure le modèle.

Le producteur publie des artefacts BF16 et FP8 distincts et des recettes de déploiement local avec des longueurs de contexte configurées différentes. Une longueur configurée pour le service est distincte de la spécification de 512K du modèle. Préservez les distinctions d’édition Preview et de précision lors de l’identification du modèle et demandez un résultat final qui expose le constat, la modification proposée et les éléments réellement recueillis par le processus.