Pareto 26.10

{"about":"### Kaip veikia Pareto 26.10\n\nPareto 26.10 — stabilus sudėtinio Unbiased modelio leidimas. Jo pagrindas — būdas, kai kiekvienai užklausai parenkami keli pažangūs ir atvirieji modeliai, o jų rezultatai sujungiami į vieną atsakymą. Tai skiriasi nuo paprasto klausimo perdavimo vienam pasirinktam modeliui: naudotojas bendrauja su viena Pareto ir gauna bendrą rezultatą. Dalyvaujančių modelių sudėtis gali kisti, todėl leidimo pavadinimas nenustato fiksuoto bazinių modelių sąrašo.\n\n### Tekstinis darbas Ailoot\n\nAiloot Pareto 26.10 priima tekstą ir grąžina tekstą. Šios jungties konteksto langas — 1 048 576 žetonai. Jame telpa instrukcijos, pokalbio istorija, pateikta medžiaga ir kuriamas atsakymas. Modelio metaduomenyse nurodyta iki 131 072 žetonų atsakymo apimtis; tai viršutinė riba, o ne privalomas kiekvieno generavimo ilgis. Turiningam darbui naudinga iš anksto nustatyti rezultato apimtį ir skyrių tvarką.\n\nIlgas kontekstas leidžia vienoje užklausoje lyginti kelis tekstus: techninę užduotį ir įgyvendinimą, reikalavimus ir aptarimo protokolą, kelias dokumento versijas. Pateikite pradines ištraukas su aiškiais pavadinimais ir paprašykite su jomis susieti išvadas. Pavyzdžiui, galima sudaryti skirtumų lentelę, išskirti reikalavimų prieštaravimus ar pagal visą rinkinį parengti pakeitimų planą. Tai tekstinės užduoties formulavimo būdai; prieigą prie failų ar išorinių sistemų nustato programa.\n\n### Kaip kurti darbinę užklausą\n\nKodo analizei pateikite aktualias funkcijas, laukiamą veikimą ir stebimą klaidą. Paprašykite pirmiausia paaiškinti jų priklausomybę, tada pasiūlyti vietinį pakeitimą ir tikrinimo būdus. Tyrimui pagal pateiktus tekstus užduokite klausimą, užklausoje išvardykite šaltinius ir nustatykite, kuriuos teiginius reikia lydėti nuoroda į atitinkamą fragmentą. Dokumentui parengti nurodykite auditoriją, paskirtį, privalomus skyrius ir priėmimo kriterijus.\n\nTekstinė jungtis pateikta Messages, Responses, Chat Completions metodais ir tekstine generateContent sąsaja. Formato pasirinkimas padeda įtraukti modelį į esamą klientą. Jis savaime neprideda vaizdų skaitymo, žiniatinklio paieškos ar komandų vykdymo. Gautas kodas, planas ir rekomendacijos lieka teksto generavimo rezultatu, kol programa neatlieka tolesnių veiksmų.\n\n### Versija aiškiam pasirinkimui\n\nIdentifikatorius `unbiased/pareto-26.10` pasirenka būtent 26.10 leidimą. Tai patogu, kai modelį reikia aiškiai užfiksuoti programos nuostatose arba tos pačios versijos rezultatus lyginti savo užduočių rinkinyje. 26.9 leidimas yra atskiras ir turi savo konteksto langą.","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":"Sudėtinis Unbiased teksto modelis su 1 048 576 žetonų kontekstu dideliems medžiagos rinkiniams analizuoti ir išsamiems atsakymams rengti."}