Shannon 3, das unzensierte KI-Modell, das seine eigene Antwort prüft

Fast jedes Chatmodell, das Sie benutzt haben, antwortet in einem einzigen Vorwärtsdurchlauf. Es wählt das erste Token, bevor es das letzte kennt, und sobald ein Satz ausgegeben ist, ist er festgeschrieben: Das Modell kann ihm später widersprechen, aber es kann nicht zurückgehen und ihn korrigieren. Das funktioniert gut, wenn die Antwort kurz ist und die Frage einen Teil hat. Es funktioniert schlecht, wenn die Antwort lang ist, die Frage vier Teile hat und Absatz sechs stillschweigend Absatz zwei entwertet. Shannon 3 gibt es, weil wir nicht der Meinung waren, dass die Lösung dafür ein größeres Modell ist. Die Lösung besteht darin, das Modell lesen zu lassen, was es gerade geschrieben hat.

01Was Shannon 3 ist

Shannon 3 ist eine Modellfamilie mit zwei Stufen. Beide Stufen laufen auf unserem eigenen GPU-Cluster statt auf einer fremden Inferenz-API, und beide sind unzensiert: Es gibt keine Ablehnungsschicht davor und keinen Inhaltsfilter dahinter. Was sich zwischen den Stufen unterscheidet, ist, wie viel Arbeit ein einzelner Zug leisten darf, bevor die Antwort bei Ihnen ankommt.

In der API sind die beiden Stufen gewöhnliche Modell-IDs. Es gibt keinen speziellen Endpunkt, kein separates SDK und kein eigenes Anfrageformat:

Stufe	Modell-ID	Form des Zuges	Am besten für
Shannon 3 Lite	shannon-3	Ein Denk- + Entwurfsdurchlauf	Chat, Textentwürfe, Nachschlagen, hohes Volumen
Shannon 3 Pro	shannon-3-pro	Volle Schleife, bis zu 10 Durchläufe, plus Wissenssammlung	Analyse, lange Texte, korrektheitskritische Arbeit

02Warum ein einzelner Vorwärtsdurchlauf die falsche Form für schwere Fragen ist

Ein Modell, das Text von links nach rechts erzeugt, trifft eine unwiderrufliche Folge lokaler Entscheidungen. Es hat keinen Radiergummi. Wenn es 400 Token tief in einer Erklärung steckt und merkt, dass der gewählte Rahmen falsch war, bleiben ihm nur zwei Möglichkeiten: im falschen Rahmen weiterzumachen oder eine Korrektur anzuhängen — was zu jenen Antworten führt, die jeder kennt, die auf halber Strecke sagen eigentlich, noch einmal zum Obigen und es Ihnen überlassen, zwei unvereinbare Hälften zusammenzubringen.

Chain-of-Thought verbessert das, löst es aber nicht. Erst zu denken gibt dem Modell einen Plan, bevor es sich auf Prosa festlegt, und das ist ein echter Gewinn; der Entwurf, der darauf folgt, wird dennoch in einem Durchlauf geschrieben und ungelesen ausgeliefert. Nichts stellt jemals die Frage, die eine menschliche Lektorin zuerst stellt: Tut diese Antwort tatsächlich das, was das Denken angekündigt hat? Die Fehlermodi, die Chain-of-Thought überleben, sind konkret und wiedererkennbar:

• Ausgelassene Teilfragen. Sie haben vier Dinge gefragt. Das Denken hat vier Dinge aufgelistet. Die Antwort deckt drei ab.
• Plan-Drift. Das Reasoning legt sich auf einen Ansatz fest; die Prosa übernimmt allmählich einen anderen, und es gibt keinen einzelnen Satz, an dem es schiefging.
• Rechnen und Einheiten. Eine im Denken korrekt berechnete Zahl wird falsch in die Antwort übertragen, oder ein Monatswert wird als Jahreswert dargestellt.
• Ignorierte Vorgaben. Sie haben gesagt: keine externen Abhängigkeiten; der Code importiert eine, und das Denken erwähnt die Vorgabe nach der ersten Kenntnisnahme nie wieder.
• Selbstbewusste Lücken. Das Modell sagt im Denken, dass es sich bei einem bestimmten Fakt unsicher ist, und behauptet ihn in der Antwort dann trotzdem rundheraus.

Jeder einzelne davon wird durch das Lesen des Entwurfs gefunden. Keiner wird dadurch gefunden, dass man den Entwurf sorgfältiger erzeugt.

03Die Reasoning-Schleife, Stufe für Stufe

Ein Zug von Shannon 3 Pro ist eine Schleife mit vier Stufen und einer Abbruchbedingung.

Denken

Das Modell bearbeitet das Problem, bevor es etwas für Sie schreibt: Es zerlegt die Frage, hält Vorgaben fest, erkennt, was es weiß und was nicht, und legt sich auf einen Ansatz fest. Was hier entsteht, wird zum Maßstab, an dem die Antwort später gemessen wird.

Entwerfen

Das Modell schreibt eine vollständige, echte Antwort — keine Gliederung. Sie muss vollständig sein, weil die nächste Stufe ein fertiges Erzeugnis bewertet, und eine Skizze lässt sich nicht auf Fehlermodi prüfen, die erst in voller Länge auftreten.

Prüfen

Das ist die Stufe, die diese Familie ausmacht. Das Modell liest den Entwurf gegen das Denken — ein weit schärferer Test als den Entwurf für sich zu lesen. Ein Modell zu fragen „Ist diese Antwort gut?“ lädt es dazu ein, Ja zu sagen; es zu fragen „Der Plan sah vor, X, Y und Z unter Vorgabe C abzudecken — leistet dieser Text das?“ gibt ihm etwas Widerlegbares zum Prüfen. Die Prüfung benennt, was falsch ist, statt eine Note zu vergeben.

Umschreiben

Die benannten Probleme werden in einem neuen Entwurf behoben. Das ist ein Umschreiben, kein Flicken: Eine Korrektur, die eine Umstellung der Argumentation erfordert, darf die Argumentation umstellen. Der neue Entwurf geht zurück in die Prüfung.

Abbruch

Die Schleife endet, sobald eine Prüfung den Entwurf zum ersten Mal freigibt — das ist der normale Ausgang, und bei den meisten Zügen passiert er deutlich vor der Obergrenze. Die harte Grenze von 10 Iterationen existiert für pathologische Fälle, etwa eine wirklich mehrdeutige Frage, bei der jede Überarbeitung einen Mangel gegen einen anderen tauscht, damit ein Zug nicht endlos kreisen kann.

Lite nimmt dieselben ersten beiden Stufen und hört dann auf. Es denkt, es entwirft, es gibt Ihnen den Entwurf. Das ist eine bewusste Produktentscheidung und kein abgespecktes Versehen: Bei einem großen Teil echter Nachrichten ist der erste Entwurf die richtige Antwort, und Prüfzeit dafür zu bezahlen, das bestätigt zu bekommen, ist ein schlechtes Geschäft. Lite ist für den Fall, dass das Modell schnell sein soll; Pro ist für den Fall, dass es sicher sein soll.

04Die Wissenssammlung von Pro: nachfragen statt raten

Selbstprüfung findet Widersprüche, Auslassungen und Verstöße gegen Vorgaben, weil die dafür nötigen Belege bereits im Zug enthalten sind. Sie kann keinen Fakt finden, den das Modell schlicht nicht hat. Ein Modell, das seinen eigenen Entwurf prüft, kann zu dem Schluss kommen Ich bin mir bei dieser Zahl nicht sicher und hat dann keinen Ort, an den es mit diesem Schluss gehen könnte.

Pro gibt ihm einen. Rund um die Entwurfsstufe führt es eine Wissenssammlung durch: Es benennt die konkreten Fakten, die ihm fehlen oder bei denen es unsicher ist, fragt genau danach ein zweites, größeres Modell und arbeitet das Zurückkommende in die verbesserte Antwort ein. Es ist ein gezieltes Nachschlagen, ausgelöst durch eine Lücke, die das Modell selbst benannt hat, keine pauschale Zweitmeinung.

Zwei Eigenschaften zählen in der Praxis. Sie ist eng gefasst: Die Sammlung fragt nach benannten Lücken, statt die ganze Frage erneut zu stellen, sodass das größere Modell dort zu Rate gezogen wird, wo es Information beisteuert, und nicht dort, wo es lediglich eine andere Stimme beisteuern würde. Und sie ist integriert: Gesammelte Fakten gehen zurück durch die Schleife und stellen sich derselben Prüfung wie alles andere, statt als angeflanschter Absatz aufzutauchen.

05Das Reasoning ist sichtbar — und in Ihrer Sprache

Die gesamte Denkspur wird Ihnen angezeigt, während der Zug läuft: das Denken und bei Pro jede Prüfung samt ihrer Einwände. Das ist keine Debug-Ansicht, deren Offenlegung wir hinnehmen — es ist ein großer Teil dessen, wofür Sie bezahlen, und es verändert das Arbeitsverhältnis auf drei konkrete Arten.

• Sie können früh abbrechen. Wenn das Denken Ihre Frage missversteht — ein häufiges Ergebnis eines mehrdeutigen Prompts, nicht eines schlechten Modells — merken Sie es in den ersten Sekunden und nicht erst, wenn eine vollständige Antwort eintrifft, die das falsche Problem löst.
• Sie können das Reasoning getrennt von der Antwort prüfen. Eine richtige Antwort, die auf falschem Reasoning beruht, ist ein Risiko, denn sie wird die nächste Frage nicht überstehen.
• Sie können die Schleife scheitern sehen. Wenn Pro mehrere Iterationen verbrennt, ohne zu konvergieren, wird das angezeigt statt versteckt — und das ist echte Information, die meist heißt, dass die Frage unterspezifiziert ist.

Die Denkspur ist in Ihrer eigenen Sprache verfasst, nicht auf Englisch erzeugt und am Ende übersetzt. Wenn Sie auf Japanisch, Arabisch, Türkisch oder Portugiesisch arbeiten, denkt das Modell in dieser Sprache — was die Terminologie in der Spur mit der Terminologie in der Antwort konsistent hält und die Nahtstellen vermeidet, die entstehen, wenn ein Modell in einer Sprache denkt und in einer anderen spricht.

06Unzensiert: keine Ablehnungsschicht, kein Ausgabefilter

Shannon 3 wird ohne Ablehnungsschicht und ohne Inhaltsfilterung der Ausgabe ausgeliefert. Ablehnungsverhalten ist auf keiner Ebene des Produkts vorhanden: nicht als Hülle, die Ihre Nachricht prüft, bevor das Modell sie sieht, nicht als Klassifikator, der die Antwort prüft, bevor Sie sie sehen, und nicht als Reflex, den man dem Modell erst ausreden muss. Das unterscheidet sich substanziell von den zwei Dingen, die Leute üblicherweise meinen, wenn sie „unzensiert“ sagen:

Ansatz	Was er tut	Wie er scheitert
Jailbreak per System-Prompt	Weist ein ausgerichtetes Modell an, sich zu verhalten, als wäre es es nicht	Verfällt über eine lange Unterhaltung; die Ablehnung kehrt unter Druck zurück
Entfernter Ausgabefilter	Blockiert Text nicht mehr, den das Modell ohnehin erzeugt hat	Das Modell schreibt weiterhin abgesicherten, ausweichenden Text — nichts wurde blockiert, es wurde nie geschrieben
Shannon 3	Keine Ablehnungsschicht zum Entfernen und kein Filter zum Abschalten — das Verhalten ist schlicht nicht da	Legt die Abwägung vollständig in Ihre Hand; das Modell lehnt nicht stellvertretend für Sie ab

In der Praxis setzt sich Shannon 3 mit der Frage auseinander, die Sie gestellt haben, statt mit der ungefährlicheren Frage daneben: Fiktion mit echten Antagonisten, Sicherheitsthemen technisch statt auf Pressemitteilungshöhe diskutiert, medizinische, juristische und finanzielle Informationen direkt gegeben, mit den Vorbehalten, die tatsächlich angebracht sind — und ohne abschließende Belehrung darüber, warum Sie das wohl gefragt haben. Es verwässert auch die Schleife nicht: Eine Prüfung darf sagen, dass der Entwurf falsch ist, und das ist eine andere und nützlichere Art von Widerspruch als eine Ablehnung.

Was die Abwesenheit einer Ablehnungsschicht nicht bewirkt, ist, das Modell korrekt zu machen. Ein unzensiertes Modell kann genau so selbstbewusst falsch liegen wie ein zensiertes, und tut es sichtbarer, weil es sich bei Unsicherheit nicht ins Vage zurückzieht. Das ist eines der besseren Argumente für die Schleife: Ohne Ablehnungsreflex im Weg leistet die Selbstprüfung genau die Sicherheitsarbeit, die für berufliche Nutzung zählt — Fehler zu finden. Ihre Nutzung des Modells unterliegt weiterhin unserer Richtlinie zur verantwortungsvollen Nutzung und dem Recht an Ihrem Ort.

07Bilder, Dokumente und Bildgenerierung

Beide Stufen nehmen Bilder und Dokumente als Anhänge an und lesen sie als Teil des Zuges. Ein Screenshot eines fehlgeschlagenen Builds, ein abfotografiertes Whiteboard, ein Schaltplan, eine gescannte Vertragsseite oder ein PDF kann Gegenstand der Frage sein, statt etwas, das Sie erst abtippen. Bei Pro nehmen Anhänge wie alles andere an der Schleife teil: Wenn eine Prüfung feststellt, dass der Entwurf eine Frage beantwortet hat, die das Bild nicht hergibt, wird das umgeschrieben.

Bildgenerierung und Bildbearbeitung stehen im Chat als Werkzeug zur Verfügung, nicht als Zweck des Modells. Shannon 3 ist ein Reasoning-Modell, das ein Bild erzeugen oder bearbeiten kann, wenn die Unterhaltung danach verlangt, und kein Bildmodell mit angeschraubter Chatoberfläche. Diese Unterscheidung setzt die Erwartungen richtig: Beurteilen Sie die Familie danach, wie sie denkt, und behandeln Sie Bilder als Bequemlichkeit, die einen Kontextwechsel erspart.

08Kontextfenster und wohin die 3.x-Reihe danach ging

Shannon 3.0 startete mit einem Kontextfenster von 32,768 Token. Das ist die ehrliche historische Zahl und es lohnt sich, sie deutlich zu nennen, denn eine Schleife verbraucht Kontext anders als ein Modell mit einem Durchlauf: Ihr Prompt, Ihre Anhänge, das Denken sowie jeder Entwurfs- und Prüfzyklus leben im selben Budget.

32K ist für die meiste Chat- und Analysearbeit bequem — ein langes Dokument, eine umfangreiche Codedatei, eine detaillierte mehrteilige Frage mit Platz für die Schleife. Für wirklich große Eingaben ist es knapp, und genau diese Einschränkung hat das nächste Release angegangen. Shannon 3.1 hebt das Kontextfenster erheblich an und verändert, worauf man die Schleife ansetzen kann; wenn Sie die Familie heute bewerten, lesen Sie diesen Artikel als zweites und behandeln Sie die Zahl hier als Geschichte.

09Shannon 3 über die API aufrufen

Shannon 3 ist über alle drei unserer API-Dialekte verfügbar, mit denselben Modellen und jeweils mit Streaming:

Dialekt	Endpunkt	Nehmen Sie ihn, wenn
OpenAI-kompatibel	/v1/chat/completions	Sie bestehenden OpenAI-Clientcode haben — ändern Sie Basis-URL und Modell-ID
Anthropic-kompatibel	/v1/messages	Ihr Stack um das Messages-Format herum gebaut ist
Responses	/v1/responses	Sie die neuere Anfrage-/Antwortform wollen

Übergeben Sie shannon-3 oder shannon-3-pro als Modell-ID. Zwei Dinge sollten Sie auf der Clientseite einplanen. Züge von Pro dauern länger, und zwar unterschiedlich lange, weil die Anzahl der Iterationen von der Frage abhängt — setzen Sie Timeouts an der Obergrenze statt am Durchschnitt an und bevorzugen Sie Streaming, damit Nutzer Fortschritt sehen statt eines Ladekreisels. Und die Denkspur ist Inhalt, den Sie anzeigen können; wo Menschen warten, ist Anzeigen meist besser als Verbergen, weil es Totzeit in etwas Lesbares verwandelt. Anfrage- und Antwortschemata, Streaming-Details und ein Live-Playground stehen in der API-Dokumentation.

10Die Wahl der Stufe

Die Schleife von Pro verdient ihre Wartezeit in dem Maß, in dem es etwas falsch zu machen gibt.

Ihre Aufgabe	Stufe	Warum
Schnelle Sachfrage, kurze Antwort	shannon-3	Der erste Entwurf ist die Antwort; die Prüfung hat nichts zu finden
Automatisierung mit hohem Volumen oder engem Zeitbudget	shannon-3	Vorhersehbare Zugdauer ist die bindende Einschränkung
Mehrteilige Analyse mit Vorgaben	shannon-3-pro	Ausgelassene Teilfragen und Verstöße gegen Vorgaben sind genau das, was die Prüfung findet
Lange Texte, die zusammenhalten müssen	shannon-3-pro	Innerer Widerspruch ist eine Eigenschaft der vollen Länge, beim Entwerfen unsichtbar
Alles mit Zahlen, nach denen Sie handeln	shannon-3-pro	Die Prüfung rechnet Zahlen und Einheiten gegen das Denken nach
Fragen am Rand des Modellwissens	shannon-3-pro	Die Wissenssammlung macht aus einer benannten Lücke ein Nachschlagen

Ein praktisches Muster: Nutzen Sie Lite, solange Sie noch herausfinden, was Sie fragen wollen, und lassen Sie die fertige Frage dann einmal auf Pro laufen. Die Schleife lohnt sich bei der Fassung der Frage, die Sie tatsächlich gemeint haben.

11Grenzen, die Sie vor der Festlegung kennen sollten

Eine Modellkarte, die nur Stärken aufzählt, ist eine Anzeige. Hier wird Shannon 3 Sie enttäuschen:

• Pro ist langsamer, und zwar unvorhersehbar. Ein Zug, der nach zwei Iterationen konvergiert, und einer, der bis zehn läuft, unterscheiden sich um ein Vielfaches in der Wanduhrzeit. Wenn Sie begrenzte Antwortzeiten brauchen, nehmen Sie Lite.
• Prüfung ist kein Beweis. Ein Modell, das seine eigene Arbeit prüft, teilt seine eigenen blinden Flecken. Die Schleife findet zuverlässig Widersprüche zwischen Denken und Entwurf; sie findet nicht zuverlässig einen Fehler, der im Denken selbst überzeugt vertreten wird.
• Der Kontext wird mit der Schleife geteilt. Bei 32K ist eine sehr lange Eingabe plus mehrere Entwürfe in voller Länge eine reale Einschränkung von 3.0. Siehe Shannon 3.1 für die angehobene Obergrenze.
• Die Sammlung füllt nur Lücken, die das Modell bemerkt. Sie verwandelt „Ich bin mir hier unsicher“ in ein Nachschlagen, was ein echter Gewinn ist — aber ein Fakt, bei dem das Modell selbstbewusst falsch liegt, wird nie als fehlend markiert und deshalb nie nachgeschlagen.
• Unzensiert heißt unzensiert. Das Modell wird nicht ablehnen und nichts abmildern. Wenn Ihr Produkt eine Ablehnungsgrenze braucht, bauen Sie sie dort, wo Sie sie sehen, statt zu hoffen, dass das Modell eine liefert.

12Häufig gestellte Fragen

---

Shannon 3 wird von Shannon Lab LLC, New Mexico, USA, betrieben. Die Zahlen hier beschreiben die Startkonfiguration von 3.0; aktuelle Grenzwerte stehen in der Modellkarte zu Shannon 3.1 und der Rest der Familie im Forschungsindex. Wir veröffentlichen für Shannon 3 keine Benchmark-Werte und stellen keine vergleichenden Leistungsbehauptungen auf.