Beam 1.0 501B A23B er en tekstmodell fra Reflection for programmering, resonnering og oppgaver delt inn i flere sammenhengende trinn. Den sparsomme MoE-arkitekturen har totalt 501,3 milliarder parametere og rundt 23,4 milliarder aktive parametere per token. Modellen er hovedsakelig utviklet for engelsk. Dette er nyttig å ta hensyn til ved valg av språk for kildekode, teknisk materiale og detaljerte instruksjoner.
Arkitekturen kombinerer lokal og global oppmerksomhet, og treningen omfatter kildekode, teknisk dokumentasjon, vitenskapelig materiale og lærestoff. Et eget treningstrinn utviklet lang kontekst ved hjelp av strukturerte kodearkiver, langvarige oppgaver og omfattende dokumenter. Under forsterkningslæringen kombinerte utvikleren programmering, terminalarbeid og STEM-oppgaver.
Reflection fremhever programvareutvikling, matematisk og vitenskapelig resonnering og trinnvis problemløsing. Dette kan brukes i en innholdsrik tekstdialog: forklare sammenhenger mellom programkomponenter, analysere en logisk feil, foreslå en algoritmeendring, lage en plan for hypotesetesting eller oppsummere teknisk materiale.
Beam legger særlig vekt på effektiv bruk av resonneringstokener. Under treningen ble vellykkede løsninger med færre overflødige tokener belønnet. Dette beskriver utviklerens tilnærming; lengden på det konkrete svaret bør likevel angis uttrykkelig, for eksempel en kort konklusjon, et detaljert bevis eller en patch med forklaring.
Tilkoblingens kontekstvindu er på 1 048 576 tokener. Det omfatter innsendt materiale, instruksjoner, historikk og svaret som genereres. Modellmetadataene oppgir en svarlengde på opptil 131 072 tokener. Dette gjør det mulig å sende inn flere sammenhengende tekster: en spesifikasjon, implementeringsutdrag, kontrollresultater og spørsmål til dem. Gi materialet navn og be om at konklusjonene angir hvilket utdrag de bygger på. Det gjør store analyser enklere å kontrollere.
For en kodeoppgave kan du for eksempel først be om et avhengighetskart for de innsendte filene, deretter peke ut endringsstedet og først så utarbeide implementeringen. For en vitenskapelig oppgave angir du forutsetninger, notasjon og ønsket presisjonsnivå. Dette er måter å organisere forespørselen på slik at resultatet kan sammenholdes med kildematerialet.
Tilkoblingen tar imot tekst og returnerer tekst gjennom Messages, Responses, Chat Completions og tekstbasert generateContent. Kode og anbefalinger leveres som modellsvar; kjøring av kommandoer og arbeid med eksterne data bestemmes av mulighetene i applikasjonen din.
", "aboutText": "### Beam 1.0 fra Reflection\n\nBeam 1.0 501B A23B er en tekstmodell fra Reflection for programmering, resonnering og oppgaver delt inn i flere sammenhengende trinn. Den sparsomme MoE-arkitekturen har totalt 501,3 milliarder parametere og rundt 23,4 milliarder aktive parametere per token. Modellen er hovedsakelig utviklet for engelsk. Dette er nyttig å ta hensyn til ved valg av språk for kildekode, teknisk materiale og detaljerte instruksjoner.\n\nArkitekturen kombinerer lokal og global oppmerksomhet, og treningen omfatter kildekode, teknisk dokumentasjon, vitenskapelig materiale og lærestoff. Et eget treningstrinn utviklet lang kontekst ved hjelp av strukturerte kodearkiver, langvarige oppgaver og omfattende dokumenter. Under forsterkningslæringen kombinerte utvikleren programmering, terminalarbeid og STEM-oppgaver.\n\n### Hvilke oppgaver modellen er rettet mot\n\nReflection fremhever programvareutvikling, matematisk og vitenskapelig resonnering og trinnvis problemløsing. Dette kan brukes i en innholdsrik tekstdialog: forklare sammenhenger mellom programkomponenter, analysere en logisk feil, foreslå en algoritmeendring, lage en plan for hypotesetesting eller oppsummere teknisk materiale.\n\nBeam legger særlig vekt på effektiv bruk av resonneringstokener. Under treningen ble vellykkede løsninger med færre overflødige tokener belønnet. Dette beskriver utviklerens tilnærming; lengden på det konkrete svaret bør likevel angis uttrykkelig, for eksempel en kort konklusjon, et detaljert bevis eller en patch med forklaring.\n\n### Stor tekstkontekst i Ailoot\n\nTilkoblingens kontekstvindu er på 1 048 576 tokener. Det omfatter innsendt materiale, instruksjoner, historikk og svaret som genereres. Modellmetadataene oppgir en svarlengde på opptil 131 072 tokener. Dette gjør det mulig å sende inn flere sammenhengende tekster: en spesifikasjon, implementeringsutdrag, kontrollresultater og spørsmål til dem. Gi materialet navn og be om at konklusjonene angir hvilket utdrag de bygger på. Det gjør store analyser enklere å kontrollere.\n\nFor en kodeoppgave kan du for eksempel først be om et avhengighetskart for de innsendte filene, deretter peke ut endringsstedet og først så utarbeide implementeringen. For en vitenskapelig oppgave angir du forutsetninger, notasjon og ønsket presisjonsnivå. Dette er måter å organisere forespørselen på slik at resultatet kan sammenholdes med kildematerialet.\n\nTilkoblingen tar imot tekst og returnerer tekst gjennom Messages, Responses, Chat Completions og tekstbasert generateContent. Kode og anbefalinger leveres som modellsvar; kjøring av kommandoer og arbeid med eksterne data bestemmes av mulighetene i applikasjonen din.", "locale": "nb", "methods": [ { "html": "POST /v1/messagestexttextPOST /v1/responsestexttextPOST /v1/chat/completionstexttextPOST /v1beta/models/reflection/beam-1.0-501b-a23b:generateContenttexttext