Shannon 3, le modèle d'IA sans censure qui relit sa propre réponse
Une boucle de raisonnement itératif sur notre propre cluster GPU : penser, rédiger, relire, réécrire. Lite fait une passe. Pro en fait jusqu'à dix, et demande les faits qu'il sait lui manquer.
TL;DR
Shannon 3 est une famille de modèles d'IA sans censure servie depuis notre propre cluster GPU. Sa caractéristique distinctive est la forme d'un tour : le modèle réfléchit, écrit un brouillon, puis relit son propre brouillon à la lumière de sa propre réflexion et réécrit ce qui ne tient pas. Lite (shannon-3) effectue une seule passe réflexion-et-rédaction pour la latence la plus basse. Pro (shannon-3-pro) exécute la boucle complète pendant un maximum de 10 itérations, s'arrêtant dès qu'une relecture approuve le brouillon, et effectue en plus une collecte de connaissances auprès d'un modèle plus grand pour combler les faits qu'il a repérés comme manquants. Toute la trace de raisonnement est visible, dans votre langue. L'entrée vision et document est prise en charge sur les deux paliers. Le contexte au lancement de la 3.0 était de 32,768 tokens.
Presque tous les modèles de chat que vous avez utilisés répondent en une seule passe avant. Ils choisissent le premier token avant de connaître le dernier, et une fois qu'une phrase est émise elle est engagée : le modèle peut la contredire plus loin, mais il ne peut pas revenir la corriger. Cela fonctionne bien quand la réponse est courte et que la question n'a qu'un volet. Cela fonctionne mal quand la réponse est longue, que la question a quatre volets et que le sixième paragraphe invalide discrètement le deuxième. Shannon 3 existe parce que nous ne pensions pas que le remède à cela soit un modèle plus gros. Le remède, c'est de laisser le modèle relire ce qu'il vient d'écrire.
01Ce qu'est Shannon 3
Shannon 3 est une famille de modèles à deux paliers. Les deux paliers tournent sur notre propre cluster GPU plutôt que sur une API d'inférence tierce, et tous deux sont sans censure : il n'y a aucune couche de refus devant eux ni aucun filtre de contenu derrière. Ce qui diffère entre les paliers, c'est la quantité de travail qu'un seul tour a le droit d'accomplir avant que la réponse ne vous parvienne.
Sur l'API, les deux paliers sont de simples identifiants de modèle. Il n'y a pas de point de terminaison spécial, pas de SDK distinct et pas de format de requête sur mesure :
| Palier | Identifiant de modèle | Forme du tour | Idéal pour |
|---|---|---|---|
| Shannon 3 Lite | shannon-3 | Une passe réflexion + rédaction | Chat, rédaction, recherches, gros volumes |
| Shannon 3 Pro | shannon-3-pro | Boucle complète, jusqu'à 10 passes, plus collecte de connaissances | Analyse, textes longs, travaux sensibles à l'exactitude |
02Pourquoi une passe avant unique est la mauvaise forme pour les questions difficiles
Un modèle qui génère du texte de gauche à droite prend une suite irrévocable de décisions locales. Il n'a pas de gomme. Quand il est à 400 tokens dans une explication et se rend compte que le cadrage choisi était mauvais, ses seules options sont de continuer dans le mauvais cadre ou d'ajouter une correction — produisant les réponses que tout le monde reconnaît, celles qui disent en fait, si l'on revient sur ce qui précède à mi-parcours et vous laissent réconcilier deux moitiés incompatibles.
La chaîne de pensée améliore cela mais ne le résout pas. Réfléchir d'abord donne au modèle un plan avant qu'il ne s'engage dans la prose, ce qui est un gain réel ; le brouillon qui suit est toujours écrit en une passe et toujours livré sans être relu. Rien ne pose jamais la question qu'un rédacteur en chef humain pose en premier : cette réponse fait-elle réellement ce que la réflexion annonçait ? Les modes d'échec qui survivent à la chaîne de pensée sont précis et reconnaissables :
- Sous-questions oubliées. Vous avez demandé quatre choses. La réflexion en a listé quatre. La réponse en traite trois.
- Dérive du plan. Le raisonnement s'arrête sur une approche ; la prose en adopte progressivement une autre, et aucune phrase précise n'est le point de bascule.
- Arithmétique et unités. Un nombre correctement calculé dans la réflexion est mal recopié dans la réponse, ou un chiffre mensuel est présenté comme annuel.
- Contraintes ignorées. Vous avez dit : aucune dépendance externe ; le code en importe une, et la réflexion ne rementionne jamais la contrainte après en avoir accusé réception.
- Lacunes assumées avec aplomb. Le modèle dit dans sa réflexion qu'il n'est pas sûr d'un fait précis, puis l'énonce quand même catégoriquement dans la réponse.
Chacun de ces défauts est attrapé en relisant le brouillon. Aucun n'est attrapé en générant le brouillon plus soigneusement.
03La boucle de raisonnement, étape par étape
Un tour de Shannon 3 Pro est une boucle à quatre étapes assortie d'une condition de sortie.
Penser
Le modèle travaille le problème avant d'écrire quoi que ce soit pour vous : décomposer la question, noter les contraintes, identifier ce qu'il sait et ce qu'il ignore, arrêter une approche. Ce qu'il produit ici devient l'étalon auquel la réponse sera ensuite mesurée.
Rédiger
Le modèle écrit une réponse complète et réelle — pas un plan. Elle doit être complète, parce que l'étape suivante évalue un objet fini, et qu'une ébauche ne peut pas être relue pour des modes d'échec qui n'apparaissent qu'en pleine longueur.
Relire
C'est l'étape qui fait la famille. Le modèle lit le brouillon à la lumière de la réflexion — un test bien plus tranchant que de lire le brouillon seul. Demander à un modèle « cette réponse est-elle bonne ? » l'invite à dire oui ; lui demander « le plan disait de couvrir X, Y et Z sous la contrainte C — ce texte le fait-il ? » lui donne quelque chose de falsifiable à vérifier. La relecture nomme ce qui ne va pas au lieu d'attribuer une note.
Réécrire
Les problèmes nommés sont corrigés dans un nouveau brouillon. C'est une réécriture, pas un rustine : un correctif qui exige de réordonner l'argumentation a le droit de réordonner l'argumentation. Le nouveau brouillon repart en relecture.
Arrêter
La boucle se termine la première fois qu'une relecture approuve le brouillon — la sortie normale, et sur la plupart des tours elle survient bien avant le plafond. La limite dure de 10 itérations existe pour les cas pathologiques, comme une question réellement ambiguë où chaque réécriture échange un défaut contre un autre, afin qu'un tour ne puisse pas tourner indéfiniment.
Lite reprend les deux mêmes premières étapes et s'arrête. Il réfléchit, il rédige, il vous remet le brouillon. C'est une décision produit délibérée, pas un accident de version allégée : sur une grande part des messages réels, le premier brouillon est la bonne réponse, et payer la latence d'une relecture pour se l'entendre dire est un mauvais marché. Lite est fait pour quand vous voulez que le modèle soit rapide ; Pro est fait pour quand vous voulez qu'il soit sûr.
04La collecte de connaissances de Pro : demander de l'aide au lieu de deviner
L'auto-relecture attrape les contradictions, les oublis et les violations de contraintes, parce que les indices nécessaires pour les attraper sont déjà dans le tour. Elle ne peut pas attraper un fait que le modèle n'a tout simplement pas. Un modèle qui relit son propre brouillon peut conclure je ne suis pas sûr de ce chiffre sans avoir nulle part où aller avec cette conclusion.
Pro lui donne un endroit où aller. Autour de l'étape de rédaction, il effectue une collecte de connaissances : il identifie les faits précis qui lui manquent ou dont il n'est pas sûr, interroge un second modèle, plus grand, sur exactement ceux-là, et intègre ce qui revient dans la réponse améliorée. C'est une recherche ciblée, guidée par une lacune que le modèle a lui-même nommée, pas un second avis général.
Deux propriétés comptent en pratique. Elle est circonscrite : la collecte porte sur des lacunes identifiées plutôt que de reposer la question entière, si bien que le modèle plus grand est consulté là où il ajoute de l'information et non là où il n'ajouterait qu'une voix différente. Et elle est intégrée : les faits collectés repassent dans la boucle et affrontent la même relecture que tout le reste, au lieu d'arriver sous forme de paragraphe rapporté.
Ce que cela change à propos de l'incertitude
L'effet le plus utile de la collecte n'est pas que Pro en sait plus. C'est que l'incertitude de Pro devient actionnable. Un modèle qui sait seulement qu'il n'est pas sûr doit choisir entre tout nuancer et affirmer avec assurance. Un modèle qui peut transformer « je ne suis pas sûr de ceci » en « allons vérifier » nuance à moins d'endroits et se montre précis à davantage d'endroits.
05Le raisonnement est visible, et il est dans votre langue
Toute la trace vous est montrée pendant le déroulement du tour : la réflexion et, sur Pro, chaque relecture avec ce qu'elle a objecté. Ce n'est pas une vue de débogage que nous tolérons d'exposer — c'est une grande partie de ce que vous achetez, et cela change la relation de travail de trois manières concrètes.
- Vous pouvez arrêter tôt. Si la réflexion comprend mal votre question — issue courante d'une invite ambiguë, pas d'un mauvais modèle — vous le découvrez dans les premières secondes, pas après l'arrivée d'une réponse complète qui résout le mauvais problème.
- Vous pouvez auditer le raisonnement indépendamment de la réponse. Une bonne réponse atteinte par un mauvais raisonnement est un risque, car elle ne survivra pas à la question suivante.
- Vous pouvez voir la boucle échouer. Quand Pro brûle plusieurs itérations sans converger, cela s'affiche au lieu d'être caché — et c'est une information réelle, signifiant en général que la question est sous-spécifiée.
La trace est rédigée dans votre propre langue, elle n'est pas générée en anglais puis traduite à la fin. Si vous travaillez en japonais, en arabe, en turc ou en portugais, le modèle raisonne dans cette langue — ce qui garde la terminologie de la trace cohérente avec celle de la réponse, et évite les coutures qui apparaissent quand un modèle pense dans une langue et parle dans une autre.
06Sans censure : aucune couche de refus, aucun filtre de sortie
Shannon 3 est livré sans couche de refus et sans filtrage de contenu en sortie. Le comportement de refus n'est présent à aucun niveau du produit : ni comme enveloppe qui inspecte votre message avant que le modèle ne le voie, ni comme classifieur qui inspecte la réponse avant que vous ne la voyiez, ni comme réflexe dont il faut dissuader le modèle. C'est matériellement différent des deux choses que les gens entendent d'ordinaire par « sans censure » :
| Approche | Ce qu'elle fait | Comment elle échoue |
|---|---|---|
| Jailbreak par invite système | Ordonne à un modèle aligné de se comporter comme s'il ne l'était pas | S'érode au fil d'une longue conversation ; le refus revient sous la pression |
| Suppression du filtre de sortie | Cesse de bloquer un texte que le modèle a déjà produit | Le modèle écrit toujours un texte nuancé et évasif — rien n'a été bloqué, cela n'a jamais été écrit |
| Shannon 3 | Aucune couche de refus à retirer et aucun filtre à désactiver — le comportement n'est tout simplement pas là | Met le jugement entièrement de votre côté ; le modèle ne déclinera pas à votre place |
En pratique, Shannon 3 traite la question que vous avez posée plutôt que la question voisine plus confortable : de la fiction avec de vrais antagonistes, des sujets de sécurité abordés techniquement plutôt qu'à l'altitude d'un communiqué de presse, des informations médicales, juridiques et financières données directement avec les réserves réellement justifiées — et sans sermon final sur les raisons qui auraient pu vous pousser à demander. Il n'édulcore pas non plus la boucle : une relecture est libre de dire que le brouillon est faux, ce qui est une objection différente et bien plus utile qu'un refus.
Ce que l'absence de couche de refus ne fait pas, c'est rendre le modèle correct. Un modèle sans censure est exactement aussi capable de se tromper avec assurance qu'un modèle censuré, et de façon plus visible, puisqu'il ne se réfugiera pas dans le flou quand il n'est pas sûr. C'est l'un des meilleurs arguments en faveur de la boucle : sans réflexe de refus en travers du chemin, l'auto-relecture fait le travail de sécurité qui compte pour un utilisateur professionnel — attraper les erreurs. Votre usage du modèle reste encadré par notre politique d'utilisation responsable et par la loi de votre pays.
Nous ne publions aucun score de benchmark pour Shannon 3 et ne formulons aucune comparaison directe avec d'autres modèles. Le bénéfice de la boucle est structurel — elle attrape des classes d'erreurs qu'une passe unique ne peut pas attraper — et nous préférons décrire ce mécanisme précisément plutôt que d'y accoler un chiffre que nous n'avons pas vérifié de façon indépendante. Tout ce qui précède décrit ce que fait un tour ; le moyen le plus rapide de le vérifier est d'en lancer un et de lire la trace.
07Vision, documents et génération d'images
Les deux paliers acceptent les images et les documents en pièces jointes et les lisent dans le cadre du tour. Une capture d'écran d'une compilation qui échoue, un tableau blanc photographié, un schéma, une page de contrat numérisée ou un PDF peut être le sujet de la question plutôt qu'un texte à retranscrire au préalable. Sur Pro, les pièces jointes participent à la boucle comme tout le reste : si une relecture juge que le brouillon a répondu à une question que l'image ne soutient pas, cela est réécrit.
La génération et l'édition d'images sont disponibles dans le chat sous forme d'outil, et non comme finalité du modèle. Shannon 3 est un modèle de raisonnement capable de produire ou de modifier une image quand la conversation l'appelle, pas un modèle d'image affublé d'une interface de chat. La distinction règle correctement les attentes : jugez la famille sur sa manière de penser, et voyez les images comme une commodité qui évite un changement de contexte.
08Fenêtre de contexte, et la suite de la ligne 3.x
Shannon 3.0 a été lancé avec une fenêtre de contexte de 32,768 tokens. C'est le chiffre historique honnête, et il vaut la peine d'être énoncé clairement, car une boucle consomme le contexte différemment d'un modèle à passe unique : votre invite, vos pièces jointes, la réflexion et chaque cycle de brouillon et de relecture vivent dans le même budget.
32K est confortable pour la plupart des travaux de chat et d'analyse — un long document, un fichier de code conséquent, une question détaillée à plusieurs volets avec de la place pour dérouler la boucle. C'est juste pour des entrées réellement volumineuses, et c'est exactement cette contrainte qu'a traitée la version suivante. Shannon 3.1 augmente sensiblement la fenêtre de contexte et change ce sur quoi la boucle peut être pointée ; si vous évaluez la famille aujourd'hui, lisez cet article en second et considérez le chiffre donné ici comme un fait historique.
09Appeler Shannon 3 depuis l'API
Shannon 3 est disponible via nos trois dialectes d'API, sur les mêmes modèles, avec le streaming sur chacun :
| Dialecte | Point de terminaison | À utiliser quand |
|---|---|---|
| Compatible OpenAI | /v1/chat/completions | Vous avez du code client OpenAI existant — changez l'URL de base et l'identifiant de modèle |
| Compatible Anthropic | /v1/messages | Votre pile est bâtie autour du format Messages |
| Responses | /v1/responses | Vous voulez la forme de requête/réponse la plus récente |
Passez shannon-3 ou shannon-3-pro comme identifiant de modèle. Deux points méritent d'être anticipés côté client. Les tours de Pro prennent plus de temps, et dans une proportion variable, car le nombre d'itérations dépend de la question — calez vos délais d'expiration sur le plafond plutôt que sur la moyenne, et préférez le streaming pour que l'utilisateur voie une progression au lieu d'un indicateur d'attente. Et la trace de raisonnement est un contenu que vous pouvez choisir d'afficher ; là où des utilisateurs attendent, la montrer vaut généralement mieux que la cacher, car cela convertit du temps mort en quelque chose de lisible. Les schémas de requête et de réponse, les détails du streaming et un terrain d'essai en direct sont dans la documentation de l'API.
10Choisir un palier
La boucle de Pro justifie sa latence à la mesure de ce qu'il y a à rater.
| Votre tâche | Palier | Pourquoi |
|---|---|---|
| Question factuelle rapide, réponse courte | shannon-3 | Le premier brouillon est la réponse ; la relecture n'a rien à attraper |
| Automatisation à gros volume ou contrainte par la latence | shannon-3 | La prévisibilité de la durée d'un tour est la contrainte déterminante |
| Analyse à plusieurs volets avec contraintes | shannon-3-pro | Les sous-questions oubliées et les contraintes violées sont exactement ce que la relecture attrape |
| Texte long qui doit tenir debout | shannon-3-pro | La contradiction interne est une propriété de pleine longueur, invisible pendant la rédaction |
| Tout ce qui comporte des chiffres sur lesquels vous allez agir | shannon-3-pro | La relecture revérifie l'arithmétique et les unités à la lumière de la réflexion |
| Questions touchant des faits aux limites du modèle | shannon-3-pro | La collecte de connaissances transforme une lacune nommée en recherche ciblée |
Un usage pratique : utilisez Lite tant que vous cherchez encore quoi demander, puis relancez une fois la question stabilisée sur Pro. La boucle vaut son prix sur la version de la question que vous vouliez vraiment poser.
11Limites à connaître avant de vous engager
Une fiche technique qui ne liste que des points forts est une publicité. Voici où Shannon 3 vous décevra :
- Pro est plus lent, et de façon imprévisible. Un tour qui converge en deux itérations et un tour qui va jusqu'à dix diffèrent d'un facteur plusieurs en temps réel. Si vous avez besoin d'une latence bornée, utilisez Lite.
- La relecture n'est pas une preuve. Un modèle qui vérifie son propre travail partage ses propres angles morts. La boucle attrape de façon fiable les incohérences entre la réflexion et le brouillon ; elle n'attrape pas de façon fiable une erreur tenue avec assurance dans la réflexion elle-même.
- Le contexte est partagé avec la boucle. À 32K, une très longue entrée plus plusieurs brouillons de pleine longueur constituent une contrainte réelle sur la 3.0. Voir Shannon 3.1 pour le plafond relevé.
- La collecte ne comble que les lacunes que le modèle remarque. Elle transforme « je ne suis pas sûr de ceci » en recherche ciblée, ce qui est un gain réel — mais un fait sur lequel le modèle se trompe avec assurance n'est jamais signalé comme manquant, il n'est donc jamais collecté.
- Sans censure veut dire sans censure. Le modèle ne refusera pas et n'adoucira pas. Si votre produit a besoin d'une frontière de refus, construisez-la là où vous pouvez la voir plutôt que d'espérer que le modèle la fournisse.
12Questions fréquentes
Qu'est-ce que Shannon 3 ?
Shannon 3 est une famille de modèles sans censure exécutés sur notre propre cluster GPU. Ce qui la distingue, c'est la forme d'un tour : au lieu d'une seule passe avant, le modèle réfléchit, rédige une réponse, puis relit ce brouillon à la lumière de sa propre réflexion et le réécrit. Elle se décline en deux paliers, shannon-3 (Lite) et shannon-3-pro (Pro).
Quelle est la différence entre Shannon 3 Lite et Shannon 3 Pro ?
Lite exécute une seule passe réflexion-et-rédaction, ce qui maintient la latence proche de celle d'un modèle ordinaire. Pro exécute la boucle complète, relisant et réécrivant chaque brouillon pendant un maximum de 10 itérations et s'arrêtant dès qu'une relecture l'approuve. Pro effectue également une collecte de connaissances, en interrogeant un second modèle, plus grand, sur les faits qu'il a identifiés comme manquants.
Shannon 3 est-il vraiment sans censure ?
Oui. Shannon 3 est livré sans couche de refus et sans filtre de contenu en sortie. Le comportement de refus n'est pas présent dans le modèle lui-même, il n'y a donc rien qui revienne discrètement au milieu d'une longue conversation, comme le fait une persona imposée par une invite. L'utilisation du modèle reste encadrée par notre politique d'utilisation responsable et par la loi de votre pays.
La boucle de relecture améliore-t-elle réellement les réponses ?
Elle aide surtout là où une passe unique est structurellement faible : les longues réponses dont la fin contredit le début, les questions à plusieurs volets dont l'un est discrètement oublié, les erreurs d'arithmétique et d'unités, et le code qui ignore une contrainte énoncée. Elle aide le moins sur les recherches courtes, où le premier brouillon est déjà la réponse. C'est pour cela que Lite existe.
Que se passe-t-il si la relecture n'approuve jamais le brouillon ?
La boucle s'arrête à son plafond de 10 itérations et renvoie le meilleur brouillon atteint, plutôt que de tourner indéfiniment. Comme la trace est visible, vous pouvez aussi lire les objections qui n'ont jamais été résolues — ce qui signifie généralement que la question était assez ambiguë pour que chaque réécriture échange un défaut contre un autre, et c'est un signal pour la reformuler.
Shannon 3 peut-il lire des images et des documents ?
Oui. Les deux paliers acceptent les pièces jointes image et document et les lisent dans le cadre du tour, si bien qu'une capture d'écran, un schéma, une page numérisée ou un PDF peut être le sujet de la question plutôt qu'un texte à retranscrire au préalable. La génération et l'édition d'images sont également disponibles dans le chat, mais en tant qu'outil que le modèle peut appeler, pas en tant que finalité.
Puis-je voir le raisonnement du modèle ?
Oui. La trace s'affiche pendant le déroulement du tour, rédigée dans votre propre langue plutôt que traduite de l'anglais à la fin. Sur Pro, vous suivez chaque cycle de relecture, ce qui rend visible le moment où le modèle attrape sa propre erreur — et tout aussi visible le moment où il ne l'attrape pas.
Quelle était la fenêtre de contexte de Shannon 3 au lancement ?
Shannon 3.0 a été lancé avec une fenêtre de contexte de 32,768 tokens, partagée entre votre invite, les pièces jointes éventuelles, la trace de raisonnement et la réponse. Shannon 3.1 relève ce chiffre ; consultez l'article Shannon 3.1 pour la valeur actuelle.
Essayez la boucle vous-même
Posez deux fois la même question — une fois sur Lite, une fois sur Pro — et observez ce que la relecture change.
Commencer à discuter Lire la documentation de l'APIshannon-3 · shannon-3-pro · streaming sur les trois dialectes d'API
Shannon 3 est exploité par Shannon Lab LLC, Nouveau-Mexique, États-Unis. Les chiffres donnés ici décrivent la configuration de lancement de la 3.0 ; consultez la fiche technique Shannon 3.1 pour les limites actuelles et l'index de recherche pour le reste de la famille. Nous ne publions aucun score de benchmark pour Shannon 3 et ne formulons aucune affirmation de performance comparative.