Pareto 26.10

{"about":"### Comment fonctionne Pareto 26.10 ?\n\nPareto 26.10 est une version stable du modèle composite d’Unbiased. Son approche consiste à sélectionner, pour chaque requête, plusieurs modèles de pointe et modèles ouverts, puis à combiner leurs résultats en une seule réponse. Ce mécanisme diffère d’un simple envoi de la question à un modèle choisi : l’utilisateur interagit avec un seul Pareto et reçoit un résultat commun. La composition des modèles participants peut évoluer ; le nom de la version ne définit donc pas une liste fixe de modèles sous-jacents.\n\n### Travail textuel dans Ailoot\n\nDans Ailoot, Pareto 26.10 reçoit du texte et renvoie du texte. La fenêtre de contexte de cette intégration est de 1 048 576 tokens. Elle contient les instructions, l’historique de la conversation, les contenus transmis et la réponse en cours de génération. Les métadonnées du modèle indiquent un volume de réponse pouvant atteindre 131 072 tokens ; c’est un plafond, pas une longueur imposée à chaque génération. Pour un travail approfondi, définissez à l’avance le volume du résultat et l’ordre des sections.\n\nUn long contexte permet de confronter plusieurs contenus textuels dans une seule requête : cahier des charges et implémentation, exigences et compte rendu de discussion, ou plusieurs versions d’un document. Transmettez les passages sources avec des titres explicites et demandez d’y rattacher les conclusions. Vous pouvez, par exemple, obtenir un tableau des différences, relever les contradictions entre les exigences ou préparer un plan de modification fondé sur l’ensemble. Ce sont des façons de formuler une tâche textuelle ; l’accès à vos fichiers ou à des systèmes externes dépend de l’application.\n\n### Comment construire une requête de travail\n\nPour analyser du code, incluez les fonctions pertinentes, le comportement attendu et l’erreur observée. Demandez d’abord une explication de leurs relations, puis une modification locale et des moyens de la vérifier. Pour une recherche fondée sur des textes fournis, posez une question, énumérez les sources dans la requête et indiquez quelles affirmations doivent renvoyer au passage correspondant. Pour préparer un document, précisez le public, la finalité, les sections obligatoires et les critères d’acceptation.\n\nL’intégration textuelle est proposée via Messages, Responses, Chat Completions et une interface textuelle generateContent. Le choix du format facilite l’intégration à un client existant. Il n’ajoute pas, à lui seul, la lecture d’images, la recherche sur le Web ou l’exécution de commandes. Le code, le plan et les recommandations obtenus restent un résultat de génération textuelle tant que votre application n’effectue pas les actions suivantes.\n\n### Une version sélectionnée explicitement\n\nL’identifiant `unbiased/pareto-26.10` sélectionne précisément la version 26.10. Cela permet de fixer explicitement le modèle dans les paramètres d’une application ou de comparer les résultats d’une même version sur votre ensemble de tâches. La version 26.9 existe séparément et possède sa propre fenêtre de contexte.","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":"Modèle textuel composite d’Unbiased avec un contexte de 1 048 576 tokens pour analyser de vastes ensembles de contenus et préparer des réponses développées."}