Beam 1.0 501B A23B är en textmodell från Reflection för programmering, resonemang och uppgifter uppdelade i flera sammanhängande steg. Dess glesa MoE-arkitektur har totalt 501,3 miljarder parametrar och cirka 23,4 miljarder aktiva parametrar per token. Modellen har främst utvecklats för engelska; det är bra att beakta vid val av språk för källkod, tekniska material och detaljerade instruktioner.
Arkitekturen kombinerar lokal och global uppmärksamhet, och modellträningen omfattar källkod, teknisk dokumentation samt vetenskapliga material och läromedel. En separat träningsfas utvecklade lång kontext med strukturerade kodförråd, utdragna uppgifter och omfattande dokument. Under förstärkningsinlärningen kombinerade utvecklaren programmering, terminalarbete och STEM-uppgifter.
Reflection lyfter fram programvaruteknik, matematiska och vetenskapliga resonemang samt stegvis problemlösning. Dessa områden kan användas för innehållsrik textdialog: förklara samband mellan programkomponenter, analysera ett logiskt fel, föreslå en algoritmändring, planera en hypotesprövning eller sammanfatta tekniskt material.
Beam har ett särskilt fokus på sparsamt bruk av resonemangstoken. Under träningen belönades korrekta lösningar som minskade onödiga token. Detta beskriver utvecklarens metod; längden på ett konkret svar bör ändå anges uttryckligen, till exempel en kort slutsats, ett detaljerat bevis eller en patch med förklaring.
Anslutningens kontextfönster är 1 048 576 token. Det omfattar tillhandahållet material, instruktioner, historik och svaret som genereras. I modellens metadata anges en svarsstorlek på upp till 131 072 token. Utrymmet gör det möjligt att ange flera sammanhängande texter: specifikation, implementeringsavsnitt, kontrollresultat och tillhörande frågor. Ge materialen namn och be om att slutsatsernas underlag markeras, så blir stora analyser lättare att kontrollera.
För en koduppgift kan du till exempel först be om en beroendekarta utifrån givna filer, sedan lokalisera ändringen och först därefter ta fram implementeringen. För en vetenskaplig uppgift anger du grundvillkor, beteckningar och önskad stringens. Det är sätt att organisera en begäran så att det användbara resultatet kan jämföras med underlaget.
Anslutningen tar emot text och returnerar text via Messages, Responses, Chat Completions och textbaserade generateContent. Kod och rekommendationer kommer som modellens svar; kommandokörning och arbete med externa data bestäms av applikationens funktioner.
", "aboutText": "### Beam 1.0 från Reflection\n\nBeam 1.0 501B A23B är en textmodell från Reflection för programmering, resonemang och uppgifter uppdelade i flera sammanhängande steg. Dess glesa MoE-arkitektur har totalt 501,3 miljarder parametrar och cirka 23,4 miljarder aktiva parametrar per token. Modellen har främst utvecklats för engelska; det är bra att beakta vid val av språk för källkod, tekniska material och detaljerade instruktioner.\n\nArkitekturen kombinerar lokal och global uppmärksamhet, och modellträningen omfattar källkod, teknisk dokumentation samt vetenskapliga material och läromedel. En separat träningsfas utvecklade lång kontext med strukturerade kodförråd, utdragna uppgifter och omfattande dokument. Under förstärkningsinlärningen kombinerade utvecklaren programmering, terminalarbete och STEM-uppgifter.\n\n### Modellens inriktning\n\nReflection lyfter fram programvaruteknik, matematiska och vetenskapliga resonemang samt stegvis problemlösning. Dessa områden kan användas för innehållsrik textdialog: förklara samband mellan programkomponenter, analysera ett logiskt fel, föreslå en algoritmändring, planera en hypotesprövning eller sammanfatta tekniskt material.\n\nBeam har ett särskilt fokus på sparsamt bruk av resonemangstoken. Under träningen belönades korrekta lösningar som minskade onödiga token. Detta beskriver utvecklarens metod; längden på ett konkret svar bör ändå anges uttryckligen, till exempel en kort slutsats, ett detaljerat bevis eller en patch med förklaring.\n\n### Stor textkontext i Ailoot API\n\nAnslutningens kontextfönster är 1 048 576 token. Det omfattar tillhandahållet material, instruktioner, historik och svaret som genereras. I modellens metadata anges en svarsstorlek på upp till 131 072 token. Utrymmet gör det möjligt att ange flera sammanhängande texter: specifikation, implementeringsavsnitt, kontrollresultat och tillhörande frågor. Ge materialen namn och be om att slutsatsernas underlag markeras, så blir stora analyser lättare att kontrollera.\n\nFör en koduppgift kan du till exempel först be om en beroendekarta utifrån givna filer, sedan lokalisera ändringen och först därefter ta fram implementeringen. För en vetenskaplig uppgift anger du grundvillkor, beteckningar och önskad stringens. Det är sätt att organisera en begäran så att det användbara resultatet kan jämföras med underlaget.\n\nAnslutningen tar emot text och returnerar text via Messages, Responses, Chat Completions och textbaserade generateContent. Kod och rekommendationer kommer som modellens svar; kommandokörning och arbete med externa data bestäms av applikationens funktioner.", "locale": "sv", "methods": [ { "html": "POST /v1/messagestexttextPOST /v1/responsestexttextPOST /v1/chat/completionstexttextPOST /v1beta/models/reflection/beam-1.0-501b-a23b:generateContenttexttext