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 comptant 280B paramètres au total et 16B actifs, avec une prise en charge de contextes allant jusqu’à 512K tokens. Il reçoit du texte, des images, des vidéos et de l’audio, puis produit du texte ; ses tâches annoncées incluent les connaissances générales, les instructions, le raisonnement, le code et le travail orienté agents.

L’ossature linguistique possède une couche dense et 45 couches d’experts, avec huit experts routés sélectionnés parmi 256, aux côtés d’un expert partagé. Son attention combine 13 couches d’attention éparse et 33 couches à fenêtre glissante. Le producteur indique des encodeurs visuel et audio séparés ainsi qu’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 l’analyse visuelle, fournissez l’image, la page ou le graphique et interrogez le modèle sur la caractéristique qui influe sur la décision. Une tâche documentaire utile peut comparer un tableau visible à une exigence écrite et renvoyer la ligne pertinente, son interprétation et les informations manquantes. Pour la 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 tâche combinée peut utiliser l’enregistrement avec un contexte écrit et demander des constats organisés selon les questions auxquelles ils répondent. Le résultat est un livrable textuel que l’application présente ou traite.

Le format de conversation du producteur distingue la réflexion de la réponse directe. Activer la réflexion ajoute une étape de raisonnement ; la désactiver renvoie directement la réponse. L’exemple documenté utilise temperature 1.0 et top-p 0.95. Choisissez explicitement la tâche et le résultat attendu, et laissez suffisamment de place de génération pour la réponse plutôt que de considérer le budget de tokens d’un exemple comme la limite absolue de sortie du modèle.

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

Le travail interactif peut nécessiter de l’exploration, de l’adaptation et des mises à jour de la mémoire de travail de la tâche. Gardez une trace compacte 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 cette trace. La persistance de cette trace et l’exécution des actions relèvent de l’application entourant le modèle.

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