Shannon 3, model AI tanpa sensor yang meninjau jawabannya sendiri

Hampir setiap model chat yang pernah Anda pakai menjawab dalam satu lintasan maju. Ia memilih token pertama sebelum tahu token terakhirnya, dan begitu sebuah kalimat dikeluarkan ia terikat: model bisa membantahnya belakangan, tetapi tidak bisa kembali dan memperbaikinya. Itu bekerja baik ketika jawabannya pendek dan pertanyaannya punya satu bagian. Itu bekerja buruk ketika jawabannya panjang, pertanyaannya punya empat bagian, dan paragraf keenam diam-diam membatalkan paragraf kedua. Shannon 3 ada karena kami tidak berpikir solusinya adalah model yang lebih besar. Solusinya adalah membiarkan model membaca apa yang baru saja ia tulis.

01Apa itu Shannon 3

Shannon 3 adalah keluarga model dua tier. Kedua tier berjalan di klaster GPU kami sendiri, bukan di API inferensi pihak ketiga, dan keduanya tanpa sensor: tidak ada lapisan penolakan di depannya dan tidak ada filter konten di belakangnya. Yang berbeda antara kedua tier adalah seberapa banyak pekerjaan yang boleh dilakukan satu giliran sebelum jawabannya sampai kepada Anda.

Di API, kedua tier hanyalah id model biasa. Tidak ada endpoint khusus, tidak ada SDK terpisah, dan tidak ada format permintaan buatan sendiri:

Tier	Id model	Bentuk giliran	Paling cocok untuk
Shannon 3 Lite	shannon-3	Satu lintasan berpikir + draf	Chat, penyusunan draf, pencarian, volume tinggi
Shannon 3 Pro	shannon-3-pro	Loop penuh, hingga 10 lintasan, plus panen pengetahuan	Analisis, tulisan panjang, pekerjaan yang sensitif terhadap ketepatan

02Mengapa satu lintasan maju adalah bentuk yang salah untuk pertanyaan sulit

Model yang menghasilkan teks dari kiri ke kanan membuat rangkaian keputusan lokal yang tidak dapat ditarik kembali. Ia tidak punya penghapus. Ketika sudah 400 token masuk ke dalam sebuah penjelasan dan menyadari bahwa kerangka yang dipilihnya keliru, pilihannya hanya melanjutkan dalam kerangka yang salah atau menambahkan koreksi — menghasilkan jawaban yang semua orang kenali, yang di tengah jalan berkata sebenarnya, kalau ditinjau lagi dan menyerahkan kepada Anda tugas mendamaikan dua paruh yang tak sejalan.

Chain-of-thought memperbaiki ini tetapi tidak menyelesaikannya. Berpikir lebih dulu memberi model sebuah rencana sebelum ia terikat pada prosa, dan itu keuntungan nyata; draf yang menyusul tetap ditulis dalam satu lintasan dan tetap dikirim tanpa dibaca ulang. Tidak pernah ada yang menanyakan pertanyaan yang pertama kali diajukan seorang editor manusia: apakah jawaban ini benar-benar melakukan apa yang dikatakan pemikirannya? Mode kegagalan yang selamat dari chain-of-thought bersifat spesifik dan mudah dikenali:

• Sub-pertanyaan yang hilang. Anda menanyakan empat hal. Pemikirannya mendaftar empat hal. Jawabannya membahas tiga.
• Rencana yang melenceng. Penalaran memutuskan sebuah pendekatan; prosanya perlahan mengadopsi pendekatan lain, dan tidak ada satu kalimat pun yang bisa ditunjuk sebagai titik kesalahannya.
• Aritmetika dan satuan. Angka yang dihitung benar dalam pemikiran disalin keliru ke jawaban, atau angka per bulan disajikan sebagai per tahun.
• Batasan yang diabaikan. Anda bilang tanpa dependensi eksternal; kodenya mengimpor satu, dan pemikirannya tidak pernah menyebut batasan itu lagi setelah mengakuinya.
• Celah yang percaya diri. Model mengatakan dalam pemikirannya bahwa ia tidak yakin pada satu fakta tertentu, lalu tetap menyatakannya dengan datar dalam jawabannya.

Setiap satu dari ini tertangkap dengan membaca drafnya. Tidak satu pun tertangkap dengan menghasilkan draf secara lebih hati-hati.

03Loop penalaran, tahap demi tahap

Sebuah giliran Shannon 3 Pro adalah loop dengan empat tahap dan satu kondisi keluar.

Berpikir

Model menggarap masalahnya sebelum menulis apa pun untuk Anda: menguraikan pertanyaan, mencatat batasan, mengidentifikasi apa yang ia tahu dan tidak tahu, memutuskan sebuah pendekatan. Apa yang dihasilkannya di sini menjadi tolok ukur yang nanti dipakai untuk menilai jawabannya.

Menyusun draf

Model menulis jawaban yang utuh dan sungguhan — bukan kerangka. Ia harus utuh, karena tahap berikutnya mengevaluasi sebuah artefak jadi, dan sebuah sketsa tidak bisa ditinjau untuk mode kegagalan yang hanya muncul pada panjang penuh.

Meninjau

Inilah tahap yang menjadikan keluarga ini seperti sekarang. Model membaca drafnya terhadap pemikirannya — sebuah ujian yang jauh lebih tajam daripada membaca drafnya saja. Bertanya kepada model "apakah jawaban ini bagus?" mengundangnya menjawab ya; bertanya "rencananya bilang harus mencakup X, Y, dan Z di bawah batasan C — apakah teks ini melakukannya?" memberinya sesuatu yang bisa dibantah untuk diperiksa. Tinjauan menyebutkan apa yang salah alih-alih memberi nilai.

Menulis ulang

Masalah yang disebutkan diperbaiki dalam draf baru. Ini penulisan ulang, bukan tambalan: perbaikan yang menuntut penyusunan ulang argumen boleh menyusun ulang argumen. Draf baru kembali ke tahap tinjauan.

Berhenti

Loop berakhir pada saat pertama sebuah tinjauan menyetujui drafnya — jalan keluar yang normal, dan pada sebagian besar giliran itu terjadi jauh sebelum batas atas. Batas keras 10 iterasi ada untuk kasus patologis, misalnya pertanyaan yang benar-benar ambigu di mana setiap penulisan ulang menukar satu cacat dengan cacat lain, sehingga sebuah giliran tidak bisa berputar tanpa akhir.

Lite mengambil dua tahap pertama yang sama lalu berhenti. Ia berpikir, menyusun draf, dan menyerahkan draf itu kepada Anda. Itu keputusan produk yang disengaja, bukan kecelakaan versi kerdil: pada sebagian besar pesan nyata, draf pertama memang jawaban yang tepat, dan membayar latensi tinjauan hanya untuk diberi tahu demikian adalah pertukaran yang buruk. Lite untuk saat Anda ingin model bergerak cepat; Pro untuk saat Anda ingin ia yakin.

04Panen pengetahuan di Pro: meminta bantuan alih-alih menebak

Tinjauan diri menangkap kontradiksi, kelalaian, dan pelanggaran batasan, karena bukti yang dibutuhkan untuk menangkapnya sudah ada di dalam giliran. Ia tidak bisa menangkap fakta yang memang tidak dimiliki model. Sebuah model yang meninjau drafnya sendiri bisa menyimpulkan saya tidak yakin dengan angka ini lalu tidak punya ke mana harus membawa kesimpulan itu.

Pro memberinya tempat untuk pergi. Di sekitar tahap penyusunan draf, ia melakukan panen pengetahuan: ia mengidentifikasi fakta spesifik yang kurang atau yang ia ragukan, menanyakan tepat hal-hal itu kepada model kedua yang lebih besar, dan melipat balasannya ke dalam jawaban yang diperbaiki. Ini pencarian yang tertarget dan digerakkan oleh celah yang disebut model itu sendiri, bukan pendapat kedua secara menyeluruh.

Dua sifat penting dalam praktik. Panen ini terbatas cakupannya: ia menanyakan celah yang telah diidentifikasi alih-alih mengulang seluruh pertanyaan, sehingga model yang lebih besar dikonsultasikan di tempat ia menambah informasi, bukan di tempat ia sekadar menambah suara yang berbeda. Dan ia terintegrasi: fakta hasil panen kembali melewati loop dan menghadapi tinjauan yang sama seperti semua hal lain, alih-alih datang sebagai paragraf tempelan.

05Penalarannya terlihat, dan dalam bahasa Anda

Seluruh jejaknya ditampilkan kepada Anda saat giliran berjalan: pemikirannya, dan di Pro setiap tinjauan beserta keberatannya. Ini bukan tampilan debug yang terpaksa kami buka — ia sebagian besar dari apa yang Anda beli, dan ia mengubah hubungan kerja dalam tiga cara konkret.

• Anda bisa berhenti lebih awal. Jika pemikirannya salah membaca pertanyaan Anda — hasil yang lazim dari prompt yang ambigu, bukan dari model yang buruk — Anda mengetahuinya dalam beberapa detik pertama, bukan setelah jawaban penuh tiba dan ternyata menyelesaikan masalah yang salah.
• Anda bisa mengaudit penalarannya terpisah dari jawabannya. Jawaban benar yang dicapai lewat penalaran salah adalah beban, karena ia tidak akan bertahan pada pertanyaan berikutnya.
• Anda bisa melihat loop-nya gagal. Ketika Pro menghabiskan beberapa iterasi tanpa menyatu, itu ditampilkan alih-alih disembunyikan — dan itu informasi nyata, biasanya berarti pertanyaannya kurang spesifik.

Jejaknya ditulis dalam bahasa Anda sendiri, bukan dihasilkan dalam bahasa Inggris lalu diterjemahkan di akhir. Jika Anda bekerja dalam bahasa Jepang, Arab, Turki, atau Portugis, model menalar dalam bahasa itu — yang menjaga istilah dalam jejaknya konsisten dengan istilah dalam jawabannya, dan menghindari jahitan yang muncul ketika model berpikir dalam satu bahasa dan berbicara dalam bahasa lain.

06Tanpa sensor: tanpa lapisan penolakan, tanpa filter keluaran

Shannon 3 hadir tanpa lapisan penolakan dan tanpa penyaringan konten keluaran. Perilaku menolak tidak ada di dalam produk pada tingkat mana pun: bukan sebagai pembungkus yang memeriksa pesan Anda sebelum model melihatnya, bukan sebagai pengklasifikasi yang memeriksa jawabannya sebelum Anda melihatnya, dan bukan sebagai refleks yang harus dibujuk agar hilang. Itu berbeda secara materiil dari dua hal yang biasanya orang maksud ketika mereka bilang "tanpa sensor":

Pendekatan	Apa yang dilakukannya	Bagaimana ia gagal
Jailbreak lewat prompt sistem	Menyuruh model yang selaras berperilaku seolah tidak selaras	Luntur sepanjang percakapan panjang; penolakan kembali muncul saat ditekan
Penghapusan filter keluaran	Berhenti memblokir teks yang sudah dihasilkan model	Model tetap menulis teks yang berhati-hati dan mengelak — tidak ada yang diblokir, teks itu memang tidak pernah ditulis
Shannon 3	Tidak ada lapisan penolakan untuk dihapus dan tidak ada filter untuk dimatikan — perilakunya memang tidak ada	Menaruh keputusan penilaian sepenuhnya pada Anda; model tidak akan menolak atas nama Anda

Dalam praktiknya Shannon 3 menghadapi pertanyaan yang Anda ajukan, bukan pertanyaan lebih aman di sebelahnya: fiksi dengan antagonis yang nyata, topik keamanan yang dibahas secara teknis alih-alih pada ketinggian siaran pers, informasi medis, hukum, dan keuangan yang diberikan langsung dengan peringatan yang memang beralasan — dan tanpa ceramah penutup tentang mengapa Anda mungkin bertanya begitu. Ia juga tidak mengencerkan loop-nya: sebuah tinjauan bebas mengatakan bahwa drafnya salah, dan itu jenis penolakan-balik yang berbeda dan jauh lebih berguna daripada menolak menjawab.

Yang tidak dilakukan oleh ketiadaan lapisan penolakan adalah membuat model menjadi benar. Model tanpa sensor sama saja mampunya untuk salah dengan penuh percaya diri seperti model yang disensor, dan lebih terlihat demikian, karena ia tidak akan mundur ke ketidakjelasan saat tidak yakin. Itu salah satu argumen terbaik untuk loop-nya: tanpa refleks menolak yang menghalangi, tinjauan diri melakukan pekerjaan keselamatan yang penting bagi pengguna profesional — menangkap kesalahan. Penggunaan model oleh Anda tetap diatur oleh Kebijakan Penggunaan yang Bertanggung Jawab kami dan oleh hukum di tempat Anda berada.

07Visi, dokumen, dan pembuatan gambar

Kedua tier menerima gambar dan dokumen sebagai lampiran serta membacanya sebagai bagian dari giliran. Tangkapan layar build yang gagal, foto papan tulis, sebuah skema, halaman kontrak hasil pindai, atau PDF bisa menjadi subjek pertanyaan alih-alih sesuatu yang harus Anda salin lebih dulu. Di Pro, lampiran ikut dalam loop seperti semua hal lain: jika sebuah tinjauan memutuskan bahwa drafnya menjawab pertanyaan yang tidak didukung oleh gambarnya, bagian itu ditulis ulang.

Pembuatan dan pengeditan gambar tersedia di chat sebagai sebuah alat, bukan sebagai tujuan model. Shannon 3 adalah model penalaran yang bisa menghasilkan atau mengedit gambar ketika percakapan menuntutnya, bukan model gambar dengan antarmuka chat yang ditempelkan. Perbedaan ini menempatkan harapan pada tempatnya: nilailah keluarga ini dari cara ia berpikir, dan perlakukan gambar sebagai kemudahan yang menghemat perpindahan konteks.

08Jendela konteks, dan ke mana lini 3.x melanjut

Shannon 3.0 diluncurkan dengan jendela konteks 32,768 token. Itu angka historis yang jujur, dan layak dinyatakan dengan lugas, karena sebuah loop mengonsumsi konteks secara berbeda dari model satu lintasan: prompt Anda, lampiran Anda, pemikirannya, serta setiap siklus draf dan tinjauan hidup dalam anggaran yang sama.

32K nyaman untuk sebagian besar pekerjaan chat dan analisis — sebuah dokumen panjang, sebuah berkas kode yang cukup besar, sebuah pertanyaan berbagian banyak yang detail dengan ruang bagi loop untuk berjalan. Ia terasa sempit untuk masukan yang benar-benar besar, dan batasan itulah yang persis dijawab oleh rilis berikutnya. Shannon 3.1 menaikkan jendela konteks secara signifikan dan mengubah apa yang bisa diarahkan kepada loop; jika Anda sedang menilai keluarga ini hari ini, baca artikel itu setelah yang ini dan perlakukan angka di sini sebagai sejarah.

09Memanggil Shannon 3 dari API

Shannon 3 tersedia melalui ketiga dialek API kami, pada model yang sama, dengan streaming di masing-masing:

Dialek	Endpoint	Pakai saat
Kompatibel OpenAI	/v1/chat/completions	Anda sudah punya kode klien OpenAI — ubah base URL dan id modelnya
Kompatibel Anthropic	/v1/messages	Tumpukan Anda dibangun di sekitar format Messages
Responses	/v1/responses	Anda menginginkan bentuk permintaan/respons yang lebih baru

Kirim shannon-3 atau shannon-3-pro sebagai id model. Dua hal layak direncanakan di sisi klien. Giliran Pro memakan waktu lebih lama, dan dengan durasi yang bervariasi, karena jumlah iterasi bergantung pada pertanyaannya — setel timeout terhadap batas atas, bukan terhadap rata-rata, dan utamakan streaming agar pengguna melihat kemajuan alih-alih sebuah pemutar. Dan jejak penalaran adalah konten yang bisa Anda pilih untuk ditampilkan; di tempat pengguna menunggu, menampilkannya biasanya lebih baik daripada menyembunyikannya, karena itu mengubah waktu mati menjadi sesuatu yang bisa dibaca. Skema permintaan dan respons, detail streaming, dan playground langsung ada di dokumentasi API.

10Memilih tier

Loop Pro membayar kembali latensinya sebanding dengan seberapa banyak hal yang bisa salah.

Tugas Anda	Tier	Alasan
Pertanyaan faktual cepat, balasan pendek	shannon-3	Draf pertama sudah jawabannya; tinjauan tidak punya apa-apa untuk ditangkap
Otomasi volume tinggi atau terikat latensi	shannon-3	Waktu giliran yang dapat diprediksi adalah batasan yang mengikat
Analisis berbagian banyak dengan batasan	shannon-3-pro	Sub-pertanyaan yang hilang dan pelanggaran batasan persis yang ditangkap tinjauan
Tulisan panjang yang harus utuh dan konsisten	shannon-3-pro	Kontradiksi internal adalah sifat panjang penuh, tak terlihat saat menyusun draf
Apa pun dengan angka yang akan Anda tindaklanjuti	shannon-3-pro	Tinjauan memeriksa ulang aritmetika dan satuan terhadap pemikirannya
Pertanyaan yang menyentuh fakta di tepi pengetahuan model	shannon-3-pro	Panen pengetahuan mengubah celah yang disebutkan menjadi pencarian

Pola praktis: pakai Lite selagi Anda masih merumuskan apa yang ingin ditanyakan, lalu jalankan ulang pertanyaan yang sudah mapan satu kali di Pro. Loop-nya layak dibayar untuk versi pertanyaan yang benar-benar Anda maksud.

11Keterbatasan yang perlu diketahui sebelum Anda berkomitmen

Kartu model yang hanya mendaftar kelebihan adalah iklan. Berikut tempat Shannon 3 akan mengecewakan Anda:

• Pro lebih lambat, dan secara tak terduga. Giliran yang menyatu dalam dua iterasi dan yang berjalan sampai sepuluh berbeda beberapa kali lipat dalam waktu nyata. Jika Anda butuh latensi terbatas, pakai Lite.
• Tinjauan bukan bukti. Model yang memeriksa pekerjaannya sendiri berbagi titik butanya sendiri. Loop secara andal menangkap ketidaksesuaian antara pemikiran dan draf; ia tidak andal menangkap kesalahan yang diyakini kuat di dalam pemikirannya sendiri.
• Konteks dibagi dengan loop. Pada 32K, masukan yang sangat panjang ditambah beberapa draf panjang penuh adalah batasan nyata di 3.0. Lihat Shannon 3.1 untuk batas atas yang dinaikkan.
• Panen hanya mengisi celah yang disadari model. Ia mengubah "saya tidak yakin soal ini" menjadi sebuah pencarian, dan itu keuntungan nyata — tetapi fakta yang diyakini model secara keliru tidak pernah ditandai sebagai kurang, sehingga tidak pernah dipanen.
• Tanpa sensor berarti benar-benar tanpa sensor. Model tidak akan menolak dan tidak akan melunakkan. Jika produk Anda butuh batas penolakan, bangunlah di tempat yang bisa Anda lihat alih-alih berharap model menyediakannya.

12Pertanyaan yang sering diajukan

---

Shannon 3 dioperasikan oleh Shannon Lab LLC, New Mexico, USA. Angka di sini menggambarkan konfigurasi peluncuran 3.0; lihat kartu model Shannon 3.1 untuk batas terkini dan indeks riset untuk sisa keluarga ini. Kami tidak menerbitkan skor benchmark untuk Shannon 3 dan tidak membuat klaim kinerja komparatif.