Together: Tev1 4B Experimental

Tev1 4B Experimental est le modèle de classification de Together AI destiné aux questions dont l’ensemble de réponses est fixé. Le fabricant l’a affiné à partir de Qwen3.5 4B et indique 4,7 milliards de paramètres. Il recourt à une génération de texte sans raisonnement (non-thinking) pour sélectionner une option : l’entrée documentée comprend un état, une question unique et des choix étiquetés, et la sortie demandée est exactement une lettre. L’application associe cette lettre à la clé sémantique de l’option. Ce fonctionnement 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.

État, question et 2 à 24 options

L’interface de l’éditeur représente la décision sous la forme d’un objet JSON comportant state, question et options. Chaque option contient une étiquette alphabétique de A à X, une clé sémantique et une description. Fournissez entre deux et 24 options et faites en sorte que chaque description explique dans quel cas cette réponse s’applique. La lettre est l’étiquette de sortie compacte ; la clé sémantique est la signification qu’exploite le logiciel environnant. Conservez la correspondance associée à la liste exacte d’options utilisée 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 une panne d’intégration signalée, un problème d’accès et une demande d’informations sur un 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 de routage de l’organisation à partir d’étiquettes abrégées.

Génération sans raisonnement 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. Les paramètres recommandés sont une température de 0, une allocation de génération de huit tokens et le mode de réflexion désactivé. Le concepteur précise explicitement que ces paramètres ne sont pas injectés automatiquement par le point de terminaison public ; la fonction utilitaire de l’exemple les fournit, tandis qu’une requête directe doit les spécifier. Utilisez ces paramètres pour obtenir la réponse de classification courte et sans raisonnement attendue.

L’allocation de huit tokens est un paramètre de sortie d’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 utilitaire expose ensuite un objet associant étiquette et clé, distinguez cet objet interprété du contenu brut généré par le modèle. La sélection d’une catégorie ne met pas à jour par elle-même un ticket, n’approuve pas une opération et n’exécute pas l’action suivante.

Classification, règles et évaluations catégorielles

Le concepteur décrit comme schémas de tâches pris en charge la détection d’intention, l’application de politiques, le routage de flux de travail, la catégorisation de documents, l’analyse de sentiment et la compréhension oui/non fondée sur un passage. Une tâche booléenne peut fournir deux options dont les clés signifient vrai et faux ; l’application interprète l’option sélectionnée en conséquence. Une tâche d’analyse de sentiment peut fournir des niveaux décrits et renvoyer la clé d’une catégorie sélectionnée. Ce choix catégoriel n’est pas une moyenne pondérée par les probabilités sur l’ensemble des niveaux, et une lettre renvoyée n’est pas une valeur de confiance numérique.

Pour une décision fondée sur des règles, incluez dans la tâche les faits pertinents et la règle elle-même plutôt que de demander au modèle d’inventer la politique. Par exemple, une consigne de routage de documents peut décrire les dossiers autorisés et le contenu qui relève de chacun. Une tâche de taxonomie de la recherche peut fournir le titre et le résumé d’un article accompagnés de descriptions des thématiques. Le résultat doit être interprété par rapport aux alternatives fournies, en conservant les éléments probants d’origine pour tout choix ambigu ou contesté.

Périmètre d’entraînement et identité de l’édition

La page du modèle mentionne 37 840 exemples d’entraînement couvrant l’implication textuelle, les questions oui/non sur des passages, les intentions bancaires, les catégories d’actualités, les niveaux de sentiment, les politiques programmatiques, le routage et la taxonomie d’articles de recherche. Le guide associé documente la normalisation de ces tâches dans un format de décision commun et l’affinage d’un modèle de classification. Cela explique l’orientation du profil vers un ensemble de réponses fermé ; cela n’établit pas pour autant que chaque nouvelle politique, chaque nouveau domaine ou chaque nouvelle taxonomie sera traité correctement sans évaluation propre à la tâche.

Tev1 4B Experimental est le modèle Together ainsi nommé, et non le profil généraliste de base Qwen3.5 4B ni un checkpoint d’un autre concepteur de modèles de décision. Conservez la préparation de sortie et le contrat d’entrée propres à cette édition expérimentale. Un cas d’usage décisionnel courant ou une famille de base familière ne justifie 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 traitement de questions par lots.

Contexte et revue du résultat

La spécification du modèle publiée par Together indique une fenêtre de contexte de 32,8K tokens, avec du texte en entrée et du texte en sortie. Le contexte doit contenir les instructions, l’état, la question et les options utilisés dans la requête de classification. Préparez uniquement les éléments probants dont la question a besoin, tout en conservant les définitions qui distinguent les alternatives. Gardez le prompt de classification compact en supprimant le contexte non pertinent tout en conservant les définitions des options.

L’éditeur présente cette version comme une publication expérimentale destinée à être évaluée sur des charges de travail décisionnelles réelles. Vérifiez que la réponse brute correspond à l’une des étiquettes fournies avant de l’associer à une clé sémantique, et comparez les classifications avec des données étiquetées représentatives de la tâche visée. Une lettre valide atteste une sélection bien formée, et non la justesse de son interprétation. Conservez ensemble l’entrée, les options, la lettre renvoyée et la clé associée afin que l’artefact final puisse servir au routage, à la catégorisation ou à la revue de politiques sans perdre la manière dont la décision a été définie.