Together: Tev1 4B Experimental

Tev1 4B Experimental è il modello di classificazione di Together AI per domande con un insieme fisso di risposte. Il produttore lo ha ottenuto tramite fine-tuning di Qwen3.5 4B e dichiara 4,7 miliardi di parametri. Utilizza la generazione di testo senza ragionamento per selezionare un'opzione: l'input documentato è costituito da uno stato, una domanda e scelte etichettate, e l'output richiesto è esattamente una lettera. L'applicazione associa quella lettera alla chiave semantica dell'opzione. Questo distingue il suo flusso decisionale da quello di un modello che restituisce direttamente probabilità calibrate o un punteggio atteso secondo una rubrica.

Stato, domanda e 2–24 opzioni

L'interfaccia del produttore rappresenta la decisione come un oggetto JSON con stato, domanda e opzioni. Ogni opzione contiene un'etichetta costituita da una lettera da A a X, una chiave semantica e una descrizione. Fornisci da due a 24 opzioni e fai in modo che ogni descrizione spieghi quando si applica quella risposta. La lettera è l'etichetta compatta di output; la chiave semantica è il significato utilizzato dal software circostante. Mantieni la corrispondenza associata all'esatto elenco di opzioni usato per quella decisione.

Per un messaggio di assistenza, lo stato dovrebbe contenere il messaggio e il contesto pertinente, mentre la domanda definisce quale intento o destinazione scegliere. Un elenco illustrativo può distinguere un errore di integrazione segnalato, un problema di accesso e una richiesta di informazioni sul prodotto, con un'opzione none per i casi in cui gli intenti elencati non sono adatti. Definisci i casi sovrapposti invece di aspettarti che il modello deduca la politica di instradamento dell'organizzazione da etichette abbreviate.

Generazione senza ragionamento e forma della risposta richiesta

L'esempio pubblicato da Together fornisce un'istruzione di sistema che tratta il contenuto all'interno dello stato come dati, seleziona una delle opzioni elencate e richiede soltanto la sua lettera, senza spiegazioni. Le impostazioni consigliate sono temperatura 0, un margine di generazione di otto token e ragionamento disattivato. Il produttore precisa esplicitamente che queste impostazioni non vengono applicate automaticamente dall'endpoint pubblico: la funzione di supporto dell'esempio le fornisce, mentre una richiesta diretta deve specificarle. Usa queste impostazioni per ottenere la risposta di classificazione breve e senza ragionamento prevista.

Il margine di otto token è un'impostazione di output di esempio per questo flusso a risposta breve, non una specifica universale di output massimo. L'output utile previsto resta la lettera selezionata. Se in seguito una funzione di supporto espone un oggetto con etichetta e chiave, distingui quell'oggetto interpretato dal contenuto grezzo generato dal modello. La selezione di una categoria non aggiorna di per sé un ticket, non approva un'operazione né esegue l'azione successiva.

Classificazione, regole e valutazioni categoriali

Il produttore descrive come modelli di attività supportati il rilevamento degli intenti, l'applicazione di policy, l'instradamento dei flussi di lavoro, le categorie di documenti, il sentiment e la comprensione di tipo sì/no basata su un passaggio di testo. Un'attività booleana può fornire due opzioni le cui chiavi significano vero e falso; l'applicazione interpreta di conseguenza l'opzione selezionata. Un'attività di sentiment può fornire livelli descritti e restituire la chiave di una singola categoria selezionata. Questa scelta categoriale non è una media ponderata per probabilità tra i livelli, e una lettera restituita non è un valore numerico di confidenza.

Per una decisione basata su regole, includi nell'attività i fatti pertinenti e la regola, invece di chiedere al modello di inventare la policy. Ad esempio, una descrizione per l'instradamento dei documenti può indicare le cartelle consentite e il materiale che appartiene a ciascuna. Un'attività di tassonomia della ricerca può fornire il titolo e l'abstract di un articolo insieme alle descrizioni degli argomenti. Il risultato va interpretato rispetto alle alternative fornite, conservando le prove originali per una scelta ambigua o contestata.

Ambito di addestramento e identità dell'edizione

La pagina del modello riporta 37.840 esempi di addestramento che coprono implicazione testuale, domande sì/no su passaggi di testo, intenti bancari, categorie di notizie, livelli di sentiment, policy programmatiche, instradamento e tassonomia di articoli scientifici. La guida di accompagnamento documenta la normalizzazione di queste attività in un formato decisionale condiviso e il fine-tuning di un modello di classificazione. Ciò spiega l'orientamento del profilo verso un insieme di risposte vincolato; non dimostra che ogni nuova policy, dominio o tassonomia sarà gestita correttamente senza una valutazione specifica per l'attività.

Tev1 4B Experimental è il modello Together con questo nome, non il profilo generico di base Qwen3.5 4B né un checkpoint di un altro produttore di modelli decisionali. Mantieni la preparazione dell'output e il contratto di input propri di questa edizione sperimentale. Un caso d'uso decisionale comune o una famiglia di base conosciuta non giustificano l'attribuzione del supporto alle immagini, della calibrazione delle probabilità, delle chiamate agli strumenti o dei limiti di raggruppamento delle domande di un altro modello.

Contesto e verifica del risultato

La specifica del modello di Together riporta una finestra di contesto di 32,8K token, con input di testo e output di testo. Il contesto deve contenere le istruzioni, lo stato, la domanda e le opzioni usate nella richiesta di classificazione. Prepara solo le prove di cui la domanda ha bisogno, mantenendo le definizioni che distinguono le alternative. Mantieni compatto il prompt di classificazione rimuovendo il contesto irrilevante ma conservando le definizioni delle opzioni.

Il produttore la identifica come una versione sperimentale destinata alla valutazione su carichi di lavoro decisionali reali. Verifica che la risposta grezza sia una delle etichette fornite prima di associarla a una chiave semantica, e confronta le classificazioni con materiale etichettato rappresentativo dell'attività prevista. Una lettera valida attesta una selezione ben formata, non la prova che la sua interpretazione sia corretta. Conserva insieme l'input, le opzioni, la lettera restituita e la chiave associata, in modo che l'artefatto finale possa supportare instradamento, categorizzazione o revisione delle policy senza perdere il modo in cui la decisione è stata definita.