Shannon 3, el modelo de IA sin censura que revisa su propia respuesta

Casi todos los modelos de chat que has usado responden en una sola pasada hacia adelante. Eligen el primer token antes de conocer el último, y una vez emitida una frase queda comprometida: el modelo puede contradecirla después, pero no puede volver atrás y arreglarla. Eso funciona bien cuando la respuesta es corta y la pregunta tiene una sola parte. Funciona mal cuando la respuesta es larga, la pregunta tiene cuatro partes y el párrafo seis invalida discretamente al párrafo dos. Shannon 3 existe porque no creíamos que la solución fuera un modelo más grande. La solución es dejar que el modelo lea lo que acaba de escribir.

01Qué es Shannon 3

Shannon 3 es una familia de modelos de dos niveles. Ambos niveles se ejecutan en nuestro propio clúster de GPU en lugar de en una API de inferencia externa, y ambos están sin censura: no hay ninguna capa de rechazo delante de ellos ni ningún filtro de contenido detrás. Lo que difiere entre los niveles es cuánto trabajo se le permite hacer a un solo turno antes de que la respuesta te llegue.

En la API los dos niveles son identificadores de modelo corrientes. No hay endpoint especial, ni SDK aparte, ni formato de petición a medida:

Nivel	Identificador de modelo	Forma del turno	Mejor para
Shannon 3 Lite	shannon-3	Una pasada de pensar + redactar	Chat, redacción, consultas, gran volumen
Shannon 3 Pro	shannon-3-pro	Bucle completo, hasta 10 pasadas, más recolección de conocimiento	Análisis, textos largos, trabajo sensible a la corrección

02Por qué una sola pasada hacia adelante es la forma equivocada para preguntas difíciles

Un modelo que genera texto de izquierda a derecha toma una secuencia irrevocable de decisiones locales. No tiene goma de borrar. Cuando lleva 400 tokens de una explicación y se da cuenta de que el enfoque elegido era erróneo, sus únicas opciones son continuar en el marco equivocado o añadir una corrección, produciendo esas respuestas que todo el mundo reconoce, las que a mitad de camino dicen en realidad, volviendo sobre lo anterior y te dejan a ti conciliar dos mitades incompatibles.

La cadena de pensamiento mejora esto, pero no lo resuelve. Pensar primero le da al modelo un plan antes de comprometerse con la prosa, lo que es una ganancia genuina; el borrador que sigue se escribe igualmente de una sola pasada y se entrega igualmente sin releer. Nunca hay nada que haga la pregunta que un editor humano hace primero: ¿esta respuesta hace realmente lo que el razonamiento dijo que haría? Los modos de fallo que sobreviven a la cadena de pensamiento son concretos y reconocibles:

• Subpreguntas omitidas. Preguntaste cuatro cosas. El razonamiento enumeró cuatro cosas. La respuesta cubre tres.
• Deriva del plan. El razonamiento fija un enfoque; la prosa adopta gradualmente otro distinto, y no hay ninguna frase concreta en la que se torciera.
• Aritmética y unidades. Un número calculado correctamente en el razonamiento se transcribe mal a la respuesta, o una cifra mensual se presenta como anual.
• Restricciones ignoradas. Dijiste que sin dependencias externas; el código importa una, y el razonamiento no vuelve a mencionar la restricción después de reconocerla.
• Lagunas con aplomo. El modelo dice en el razonamiento que no está seguro de un dato concreto y luego lo afirma sin matices en la respuesta.

Todos y cada uno de estos casos se detectan releyendo el borrador. Ninguno se detecta generando el borrador con más cuidado.

03El bucle de razonamiento, etapa por etapa

Un turno de Shannon 3 Pro es un bucle con cuatro etapas y una condición de salida.

Pensar

El modelo trabaja el problema antes de escribirte nada: descompone la pregunta, anota restricciones, identifica qué sabe y qué no, y fija un enfoque. Lo que produce aquí se convierte en el estándar con el que después se mide la respuesta.

Redactar

El modelo escribe una respuesta completa y real, no un esquema. Tiene que ser completa, porque la etapa siguiente evalúa un artefacto terminado, y un boceto no puede revisarse en busca de modos de fallo que solo aparecen a longitud completa.

Revisar

Esta es la etapa que hace que la familia sea lo que es. El modelo lee el borrador frente al razonamiento, una prueba mucho más afilada que leer el borrador por sí solo. Preguntarle a un modelo «¿es buena esta respuesta?» le invita a decir que sí; preguntarle «el plan decía cubrir X, Y y Z bajo la restricción C: ¿este texto lo hace?» le da algo falsable que comprobar. La revisión nombra qué está mal en lugar de poner una nota.

Reescribir

Los problemas nombrados se corrigen en un borrador nuevo. Es una reescritura, no un parche: una corrección que exige reordenar el argumento tiene permiso para reordenar el argumento. El nuevo borrador vuelve a revisión.

Parar

El bucle termina la primera vez que una revisión aprueba el borrador — la salida normal, y en la mayoría de los turnos ocurre bastante antes del techo. El límite duro de 10 iteraciones existe para casos patológicos, como una pregunta genuinamente ambigua en la que cada reescritura cambia un defecto por otro, de modo que un turno no pueda girar indefinidamente.

Lite toma las dos primeras etapas y se detiene. Piensa, redacta y te entrega el borrador. Es una decisión deliberada de producto, no un recorte accidental: en una gran parte de los mensajes reales el primer borrador es la respuesta correcta, y pagar la latencia de la revisión para que te lo confirmen es un mal negocio. Lite es para cuando quieres que el modelo sea rápido; Pro es para cuando quieres que esté seguro.

04La recolección de conocimiento de Pro: pedir ayuda en vez de adivinar

La autorrevisión detecta contradicciones, omisiones e incumplimientos de restricciones, porque las pruebas necesarias para detectarlos ya están en el turno. No puede detectar un dato que el modelo sencillamente no tiene. Un modelo que revisa su propio borrador puede concluir no tengo confianza en esta cifra y luego no tener adónde ir con esa conclusión.

Pro le da adónde ir. En torno a la etapa de redacción realiza una recolección de conocimiento: identifica los datos concretos que le faltan o de los que no está seguro, consulta exactamente esos a un segundo modelo más grande e integra lo que vuelve en la respuesta mejorada. Es una consulta dirigida, impulsada por una laguna que el propio modelo ha nombrado, no una segunda opinión general.

Dos propiedades importan en la práctica. Es acotada: la recolección pregunta por lagunas identificadas en lugar de volver a plantear la pregunta entera, así que se consulta al modelo más grande donde aporta información y no donde solo aportaría una voz distinta. Y está integrada: los datos recolectados vuelven a pasar por el bucle y se enfrentan a la misma revisión que todo lo demás, en vez de llegar como un párrafo pegado.

05El razonamiento es visible, y está en tu idioma

Toda la traza se te muestra mientras el turno se ejecuta: el razonamiento y, en Pro, cada revisión y a qué objetó. No es una vista de depuración que toleramos exponer: es buena parte de lo que estás comprando, y cambia la relación de trabajo de tres formas concretas.

• Puedes parar pronto. Si el razonamiento malinterpreta tu pregunta — un resultado habitual de un prompt ambiguo, no de un mal modelo — lo descubres en los primeros segundos, no después de que llegue una respuesta completa que resuelve el problema equivocado.
• Puedes auditar el razonamiento por separado de la respuesta. Una respuesta correcta alcanzada por un razonamiento erróneo es un pasivo, porque no sobrevivirá a la siguiente pregunta.
• Puedes ver fallar el bucle. Cuando Pro consume varias iteraciones sin converger, eso se muestra en lugar de ocultarse, y es información real: suele significar que la pregunta está poco especificada.

La traza está escrita en tu propio idioma, no generada en inglés y traducida al final. Si trabajas en japonés, árabe, turco o portugués, el modelo razona en ese idioma, lo que mantiene la terminología de la traza coherente con la terminología de la respuesta y evita las costuras que aparecen cuando un modelo piensa en un idioma y habla en otro.

06Sin censura: sin capa de rechazo, sin filtro de salida

Shannon 3 se ofrece sin capa de rechazo y sin filtrado de contenido en la salida. El comportamiento de rechazo no está presente en el producto a ningún nivel: ni como una envoltura que inspecciona tu mensaje antes de que el modelo lo vea, ni como un clasificador que inspecciona la respuesta antes de que tú la veas, ni como un reflejo del que haya que disuadir al modelo. Eso es materialmente distinto de las dos cosas que la gente suele querer decir con «sin censura»:

Enfoque	Qué hace	Cómo falla
Jailbreak por prompt de sistema	Instruye a un modelo alineado para que se comporte como si no lo estuviera	Se degrada a lo largo de una conversación larga; el rechazo vuelve bajo presión
Retirada del filtro de salida	Deja de bloquear texto que el modelo ya había producido	El modelo sigue escribiendo texto evasivo y lleno de matices: no se bloqueó nada, sencillamente nunca se escribió
Shannon 3	No hay capa de rechazo que retirar ni filtro que desactivar: el comportamiento sencillamente no está ahí	Deja el juicio enteramente en tus manos; el modelo no declinará en tu nombre

En la práctica, Shannon 3 aborda la pregunta que hiciste en lugar de la pregunta más segura que hay al lado: ficción con antagonistas de verdad, temas de seguridad tratados técnicamente y no a la altura de una nota de prensa, información médica, legal y financiera dada de forma directa con las salvedades que realmente proceden, y sin un sermón final sobre por qué habrás preguntado eso. Tampoco rebaja el bucle: una revisión es libre de decir que el borrador está mal, que es un tipo de objeción distinto y más útil que un rechazo.

Lo que la ausencia de una capa de rechazo no hace es volver correcto al modelo. Un modelo sin censura es exactamente igual de capaz de equivocarse con aplomo que uno censurado, y de forma más visible, ya que no se refugiará en la vaguedad cuando dude. Ese es uno de los mejores argumentos a favor del bucle: sin un reflejo de rechazo estorbando, la autorrevisión hace el trabajo de seguridad que le importa a un usuario profesional, que es cazar errores. Tu uso del modelo sigue estando regido por nuestra Política de uso responsable y por la ley del lugar donde te encuentres.

07Visión, documentos y generación de imágenes

Ambos niveles aceptan imágenes y documentos como adjuntos y los leen como parte del turno. Una captura de una compilación fallida, una pizarra fotografiada, un esquema, la página escaneada de un contrato o un PDF pueden ser el objeto de la pregunta en lugar de algo que tengas que transcribir antes. En Pro, los adjuntos participan en el bucle como todo lo demás: si una revisión decide que el borrador respondió a una pregunta que la imagen no respalda, eso se reescribe.

La generación y la edición de imágenes están disponibles en el chat como herramienta, no como finalidad del modelo. Shannon 3 es un modelo de razonamiento que puede producir o editar una imagen cuando la conversación lo pide, no un modelo de imagen con una interfaz de chat adosada. La distinción fija las expectativas correctamente: juzga a la familia por cómo piensa y trata las imágenes como una comodidad que te ahorra un cambio de contexto.

08Ventana de contexto, y hacia dónde siguió la línea 3.x

Shannon 3.0 se lanzó con una ventana de contexto de 32.768 tokens. Esa es la cifra histórica honesta, y vale la pena decirla con claridad, porque un bucle consume contexto de forma distinta a un modelo de una sola pasada: tu prompt, tus adjuntos, el razonamiento y cada ciclo de borrador y revisión viven en el mismo presupuesto.

32K es holgado para la mayor parte del trabajo de chat y de análisis: un documento largo, un archivo de código sustancial, una pregunta detallada de varias partes con margen para que el bucle se ejecute. Va justo para entradas genuinamente grandes, y esa limitación es precisamente lo que abordó la siguiente versión. Shannon 3.1 amplía sustancialmente la ventana de contexto y cambia hacia dónde se puede apuntar el bucle; si estás evaluando la familia hoy, lee ese artículo en segundo lugar y trata la cifra de aquí como historia.

09Llamar a Shannon 3 desde la API

Shannon 3 está disponible a través de los tres dialectos de nuestra API, sobre los mismos modelos y con streaming en cada uno:

Dialecto	Endpoint	Úsalo cuando
Compatible con OpenAI	/v1/chat/completions	Ya tienes código de cliente de OpenAI: cambia la URL base y el identificador de modelo
Compatible con Anthropic	/v1/messages	Tu stack está construido en torno al formato Messages
Responses	/v1/responses	Quieres la forma más nueva de petición y respuesta

Pasa shannon-3 o shannon-3-pro como identificador de modelo. Hay dos cosas que conviene prever en el lado del cliente. Los turnos de Pro tardan más, y en una medida variable, porque el número de iteraciones depende de la pregunta: fija los tiempos de espera contra el techo y no contra la media, y prefiere el streaming para que el usuario vea progreso en vez de un indicador giratorio. Y la traza de razonamiento es contenido que puedes decidir mostrar; donde hay usuarios esperando, mostrarla suele ganarle a ocultarla, porque convierte el tiempo muerto en algo legible. Los esquemas de petición y respuesta, los detalles de streaming y un playground en vivo están en la documentación de la API.

10Cómo elegir nivel

El bucle de Pro justifica su latencia en proporción a cuánto hay que se pueda hacer mal.

Tu tarea	Nivel	Por qué
Pregunta factual rápida, respuesta corta	shannon-3	El primer borrador es la respuesta; la revisión no tiene nada que cazar
Automatización de gran volumen o limitada por latencia	shannon-3	El tiempo de turno predecible es la restricción que manda
Análisis de varias partes con restricciones	shannon-3-pro	Las subpreguntas omitidas y los incumplimientos de restricciones son exactamente lo que caza la revisión
Textos largos que deben sostenerse	shannon-3-pro	La contradicción interna es una propiedad de longitud completa, invisible mientras se redacta
Cualquier cosa con números sobre los que vayas a actuar	shannon-3-pro	La revisión vuelve a comprobar la aritmética y las unidades frente al razonamiento
Preguntas que rozan el límite del conocimiento del modelo	shannon-3-pro	La recolección de conocimiento convierte una laguna nombrada en una consulta

Un patrón práctico: usa Lite mientras todavía estás afinando qué preguntar y luego vuelve a lanzar la pregunta ya asentada una vez en Pro. El bucle merece pagarse sobre la versión de la pregunta que de verdad querías hacer.

11Limitaciones que conviene conocer antes de comprometerse

Una ficha de modelo que solo enumera virtudes es un anuncio. Aquí es donde Shannon 3 te decepcionará:

• Pro es más lento, y de forma impredecible. Un turno que converge en dos iteraciones y otro que llega a diez difieren varias veces en tiempo de reloj. Si necesitas latencia acotada, usa Lite.
• La revisión no es una demostración. Un modelo que comprueba su propio trabajo comparte sus propios puntos ciegos. El bucle detecta de forma fiable la incoherencia entre el razonamiento y el borrador; no detecta de forma fiable un error sostenido con aplomo dentro del propio razonamiento.
• El contexto se comparte con el bucle. Con 32K, una entrada muy larga más varios borradores de longitud completa es una limitación real en la 3.0. Consulta Shannon 3.1 para conocer el techo ampliado.
• La recolección solo cubre las lagunas que el modelo detecta. Convierte «no estoy seguro de esto» en una consulta, lo que es una ganancia real, pero un dato sobre el que el modelo se equivoca con aplomo nunca se marca como ausente, así que nunca se recolecta.
• Sin censura significa sin censura. El modelo no se negará ni suavizará. Si tu producto necesita un límite de rechazo, constrúyelo donde puedas verlo en vez de esperar que lo aporte el modelo.

12Preguntas frecuentes

---

Shannon 3 está operado por Shannon Lab LLC, Nuevo México, EE. UU. Las cifras de aquí describen la configuración de lanzamiento de la 3.0; consulta la ficha de modelo de Shannon 3.1 para los límites actuales y el índice de investigación para el resto de la familia. No publicamos puntuaciones de benchmarks para Shannon 3 ni hacemos afirmaciones comparativas de rendimiento.