Beam 1.0 501B A23B to model tekstowy Reflection do programowania, rozumowania i zadań podzielonych na kilka powiązanych kroków. W jego rzadkiej architekturze MoE jest łącznie 501,3 mld parametrów i około 23,4 mld aktywnych parametrów na token. Model opracowano głównie dla języka angielskiego; warto to uwzględnić przy wyborze języka kodu źródłowego, materiałów technicznych i szczegółowych instrukcji.
Architektura łączy uwagę lokalną i globalną, a przygotowanie modelu obejmuje pracę z kodem źródłowym, dokumentacją techniczną oraz materiałami naukowymi i edukacyjnymi. Osobny etap uczenia rozwijał długi kontekst na ustrukturyzowanych repozytoriach, długotrwałych zadaniach i obszernych dokumentach. Podczas uczenia ze wzmocnieniem twórca łączył zadania programistyczne, pracę w terminalu i STEM.
Reflection wyróżnia inżynierię oprogramowania, rozumowanie matematyczne i naukowe oraz sekwencyjne rozwiązywanie zadań. Te kierunki można wykorzystać do merytorycznego dialogu tekstowego: wyjaśnić związki między komponentami programu, przeanalizować błąd logiczny, zaproponować zmianę algorytmu, ułożyć plan weryfikacji hipotezy lub uzyskać podsumowanie materiału technicznego.
Beam kładzie osobny nacisk na oszczędne wykorzystanie tokenów rozumowania. W uczeniu nagradzano udane rozwiązanie przy ograniczeniu zbędnych tokenów. Jest to opis podejścia twórcy; długość konkretnej odpowiedzi nadal warto określić wprost w zapytaniu, na przykład krótki wniosek, szczegółowy dowód lub poprawka z wyjaśnieniem.
Okno kontekstowe podłączenia wynosi 1 048 576 tokenów. Obejmuje przekazane materiały, instrukcje, historię i tworzoną odpowiedź. Metadane modelu wskazują objętość odpowiedzi do 131 072 tokenów. Taki zakres pozwala przekazywać kilka powiązanych tekstów: specyfikację, fragmenty implementacji, wyniki kontroli i pytania do nich. Nadaj materiałom nazwy i poproś o wskazywanie fragmentu, na którym opiera się wniosek — ułatwia to weryfikację dużych analiz.
Na przykład przy zadaniu z kodem można najpierw poprosić o mapę zależności przekazanych plików, potem wskazać miejsce zmiany, a dopiero później przygotować implementację. Przy zadaniu naukowym można określić warunki początkowe, oznaczenia i wymagany poziom ścisłości. Są to sposoby organizacji zapytania, w których użyteczny wynik można porównać z materiałami źródłowymi.
Podłączenie przyjmuje tekst i zwraca tekst przez Messages, Responses, Chat Completions i tekstowy generateContent. Kod i zalecenia są odpowiedzią modelu; wykonywanie poleceń i praca z danymi zewnętrznymi zależą od możliwości aplikacji.
", "aboutText": "### Beam 1.0 od Reflection\n\nBeam 1.0 501B A23B to model tekstowy Reflection do programowania, rozumowania i zadań podzielonych na kilka powiązanych kroków. W jego rzadkiej architekturze MoE jest łącznie 501,3 mld parametrów i około 23,4 mld aktywnych parametrów na token. Model opracowano głównie dla języka angielskiego; warto to uwzględnić przy wyborze języka kodu źródłowego, materiałów technicznych i szczegółowych instrukcji.\n\nArchitektura łączy uwagę lokalną i globalną, a przygotowanie modelu obejmuje pracę z kodem źródłowym, dokumentacją techniczną oraz materiałami naukowymi i edukacyjnymi. Osobny etap uczenia rozwijał długi kontekst na ustrukturyzowanych repozytoriach, długotrwałych zadaniach i obszernych dokumentach. Podczas uczenia ze wzmocnieniem twórca łączył zadania programistyczne, pracę w terminalu i STEM.\n\n### Na jakie zadania jest ukierunkowany model\n\nReflection wyróżnia inżynierię oprogramowania, rozumowanie matematyczne i naukowe oraz sekwencyjne rozwiązywanie zadań. Te kierunki można wykorzystać do merytorycznego dialogu tekstowego: wyjaśnić związki między komponentami programu, przeanalizować błąd logiczny, zaproponować zmianę algorytmu, ułożyć plan weryfikacji hipotezy lub uzyskać podsumowanie materiału technicznego.\n\nBeam kładzie osobny nacisk na oszczędne wykorzystanie tokenów rozumowania. W uczeniu nagradzano udane rozwiązanie przy ograniczeniu zbędnych tokenów. Jest to opis podejścia twórcy; długość konkretnej odpowiedzi nadal warto określić wprost w zapytaniu, na przykład krótki wniosek, szczegółowy dowód lub poprawka z wyjaśnieniem.\n\n### Duży kontekst tekstowy w Ailoot\n\nOkno kontekstowe podłączenia wynosi 1 048 576 tokenów. Obejmuje przekazane materiały, instrukcje, historię i tworzoną odpowiedź. Metadane modelu wskazują objętość odpowiedzi do 131 072 tokenów. Taki zakres pozwala przekazywać kilka powiązanych tekstów: specyfikację, fragmenty implementacji, wyniki kontroli i pytania do nich. Nadaj materiałom nazwy i poproś o wskazywanie fragmentu, na którym opiera się wniosek — ułatwia to weryfikację dużych analiz.\n\nNa przykład przy zadaniu z kodem można najpierw poprosić o mapę zależności przekazanych plików, potem wskazać miejsce zmiany, a dopiero później przygotować implementację. Przy zadaniu naukowym można określić warunki początkowe, oznaczenia i wymagany poziom ścisłości. Są to sposoby organizacji zapytania, w których użyteczny wynik można porównać z materiałami źródłowymi.\n\nPodłączenie przyjmuje tekst i zwraca tekst przez Messages, Responses, Chat Completions i tekstowy generateContent. Kod i zalecenia są odpowiedzią modelu; wykonywanie poleceń i praca z danymi zewnętrznymi zależą od możliwości aplikacji.", "locale": "pl", "methods": [ { "html": "POST /v1/messagestexttextPOST /v1/responsestexttextPOST /v1/chat/completionstexttextPOST /v1beta/models/reflection/beam-1.0-501b-a23b:generateContenttexttext