Shannon 3, het ongecensureerde AI-model dat zijn eigen antwoord nakijkt

Vrijwel elk chatmodel dat u hebt gebruikt antwoordt in één voorwaartse doorloop. Het kiest het eerste token voordat het het laatste kent, en zodra een zin verzonden is, ligt die vast: het model kan zichzelf later tegenspreken, maar kan niet teruggaan om het te repareren. Dat werkt goed wanneer het antwoord kort is en de vraag één onderdeel heeft. Het werkt slecht wanneer het antwoord lang is, de vraag vier onderdelen heeft en alinea zes alinea twee stilletjes ongeldig maakt. Shannon 3 bestaat omdat wij niet dachten dat de oplossing daarvoor een groter model was. De oplossing is het model laten lezen wat het net heeft geschreven.

01Wat Shannon 3 is

Shannon 3 is een modelfamilie met twee tiers. Beide draaien op ons eigen GPU-cluster in plaats van op een externe inferentie-API, en beide zijn ongecensureerd: er zit geen weigeringslaag vóór en geen inhoudsfilter achter. Wat de tiers onderscheidt, is hoeveel werk één beurt mag doen voordat het antwoord u bereikt.

Op de API zijn de twee tiers gewone model-id's. Er is geen speciaal endpoint, geen aparte SDK en geen eigen verzoekformaat:

Tier	Model-id	Vorm van de beurt	Geschikt voor
Shannon 3 Lite	shannon-3	Eén denk- + conceptdoorloop	Chat, concepten, opzoekvragen, hoog volume
Shannon 3 Pro	shannon-3-pro	Volledige lus, tot 10 doorlopen, plus kennisoogst	Analyse, lange teksten, werk waar juistheid telt

02Waarom één voorwaartse doorloop de verkeerde vorm is voor moeilijke vragen

Een model dat van links naar rechts tekst genereert, neemt een onherroepelijke reeks lokale beslissingen. Het heeft geen gum. Wanneer het 400 tokens ver in een uitleg zit en beseft dat het gekozen kader verkeerd was, zijn de enige opties doorgaan in het verkeerde kader of een correctie toevoegen — wat de antwoorden oplevert die iedereen herkent, die halverwege zeggen eigenlijk, terugkomend op het bovenstaande en u met twee onverenigbare helften laten zitten.

Chain-of-thought verbetert dit maar lost het niet op. Eerst denken geeft het model een plan voordat het zich aan proza committeert, en dat is echte winst; het concept dat volgt wordt nog steeds in één doorloop geschreven en nog steeds ongelezen verstuurd. Niets stelt ooit de vraag die een menselijke redacteur als eerste stelt: doet dit antwoord werkelijk wat het denkwerk zei dat het zou doen? De faalvormen die chain-of-thought overleven, zijn specifiek en herkenbaar:

• Weggevallen deelvragen. U vroeg vier dingen. Het denkwerk somde vier dingen op. Het antwoord behandelt er drie.
• Plandrift. Het redeneren kiest een aanpak; het proza neemt gaandeweg een andere aan, en geen enkele zin is het punt waar het misging.
• Rekenwerk en eenheden. Een getal dat in het denkwerk correct is berekend, wordt verkeerd overgenomen in het antwoord, of een maandbedrag wordt als jaarbedrag gepresenteerd.
• Genegeerde randvoorwaarden. U zei: geen externe afhankelijkheden; de code importeert er een, en het denkwerk noemt de randvoorwaarde na de erkenning nooit meer.
• Zelfverzekerde gaten. Het model zegt in het denkwerk dat het van één specifiek feit niet zeker is, en stelt het in het antwoord vervolgens toch botweg.

Elk van deze wordt gevangen door het concept te lezen. Geen enkele wordt gevangen door het concept zorgvuldiger te genereren.

03De redeneerlus, fase voor fase

Een beurt van Shannon 3 Pro is een lus met vier fasen en een uitstapvoorwaarde.

Denken

Het model werkt het probleem uit voordat het iets voor u schrijft: de vraag ontleden, randvoorwaarden noteren, vaststellen wat het wel en niet weet, een aanpak kiezen. Wat het hier produceert, wordt de maatstaf waaraan het antwoord later wordt afgemeten.

Concipiëren

Het model schrijft een volledig, echt antwoord — geen schets. Het moet volledig zijn, want de volgende fase beoordeelt een afgerond werkstuk, en een schets kan niet worden nagekeken op faalvormen die pas op volle lengte opduiken.

Nakijken

Dit is de fase die de familie maakt tot wat ze is. Het model leest het concept tegen het denkwerk — een veel scherpere toets dan het concept op zichzelf lezen. Een model vragen "is dit antwoord goed?" nodigt uit tot ja zeggen; vragen "het plan zei X, Y en Z te behandelen onder randvoorwaarde C — doet deze tekst dat?" geeft het iets falsifieerbaars om te controleren. De controle benoemt wat er mis is in plaats van een cijfer te geven.

Herschrijven

De benoemde problemen worden in een nieuw concept opgelost. Dit is een herschrijving, geen pleister: een oplossing die vereist dat het betoog wordt herordend, mag het betoog herordenen. Het nieuwe concept gaat terug naar de controle.

Stoppen

De lus eindigt de eerste keer dat een controle het concept goedkeurt — de normale uitgang, en bij de meeste beurten gebeurt dat ruim vóór het plafond. De harde grens van 10 iteraties bestaat voor pathologische gevallen, zoals een werkelijk dubbelzinnige vraag waarbij elke herschrijving het ene gebrek voor het andere inruilt, zodat een beurt niet eindeloos kan doordraaien.

Lite neemt dezelfde eerste twee fasen en stopt. Het denkt, het schrijft een concept, het geeft u dat concept. Dat is een bewuste productkeuze, geen uitgeklede vergissing: bij een groot deel van de echte berichten is het eerste concept het juiste antwoord, en controlelatentie betalen om dat te horen is een slechte ruil. Lite is er voor als u wilt dat het model snel is; Pro is er voor als u wilt dat het zeker is.

04De kennisoogst van Pro: om hulp vragen in plaats van gokken

Zelfcontrole vangt tegenstrijdigheden, weglatingen en overtreden randvoorwaarden, omdat het bewijs daarvoor al in de beurt zit. Ze kan geen feit vangen dat het model simpelweg niet heeft. Een model dat zijn eigen concept nakijkt, kan concluderen ik ben niet zeker van dit cijfer en vervolgens nergens heen kunnen met die conclusie.

Pro geeft het wel ergens heen. Rond de conceptfase voert het een kennisoogst uit: het bepaalt welke specifieke feiten het mist of waarvan het onzeker is, bevraagt een tweede, groter model precies daarover, en verwerkt wat terugkomt in het verbeterde antwoord. Het is een gerichte opzoekactie, aangestuurd door een gat dat het model zelf heeft benoemd, en geen algemene second opinion.

Twee eigenschappen tellen in de praktijk. Ze is afgebakend: de oogst vraagt naar vastgestelde gaten in plaats van de hele vraag opnieuw te stellen, zodat het grotere model wordt geraadpleegd waar het informatie toevoegt en niet waar het slechts een andere stem zou toevoegen. En ze is geïntegreerd: geoogste feiten gaan terug door de lus en ondergaan dezelfde controle als al het andere, in plaats van als aangeplakte alinea te arriveren.

05Het redeneren is zichtbaar, en het is in uw taal

Het volledige spoor wordt u getoond terwijl de beurt loopt: het denkwerk, en op Pro elke controle en waar die bezwaar tegen maakte. Dit is geen debugweergave die we noodgedwongen tonen — het is een groot deel van wat u koopt, en het verandert de werkrelatie op drie concrete manieren.

• U kunt vroegtijdig stoppen. Als het denkwerk uw vraag verkeerd leest — een veelvoorkomend gevolg van een dubbelzinnige prompt, niet van een slecht model — merkt u dat in de eerste seconden, en niet pas nadat een volledig antwoord is binnengekomen dat het verkeerde probleem oplost.
• U kunt het redeneren los van het antwoord controleren. Een juist antwoord dat via verkeerd redeneren is bereikt, is een risico, want het houdt bij de volgende vraag geen stand.
• U kunt de lus zien falen. Wanneer Pro meerdere iteraties verbruikt zonder te convergeren, wordt dat getoond in plaats van verborgen — en dat is echte informatie, meestal betekent het dat de vraag onderbepaald is.

Het spoor wordt in uw eigen taal geschreven, niet in het Engels gegenereerd en aan het eind vertaald. Werkt u in het Japans, Arabisch, Turks of Portugees, dan redeneert het model in die taal — wat de terminologie in het spoor consistent houdt met die in het antwoord en de naden voorkomt die ontstaan als een model in de ene taal denkt en in de andere spreekt.

06Ongecensureerd: geen weigeringslaag, geen uitvoerfilter

Shannon 3 wordt geleverd zonder weigeringslaag en zonder inhoudsfiltering op de uitvoer. Weigeringsgedrag zit op geen enkel niveau in het product: niet als een omhulsel dat uw bericht inspecteert voordat het model het ziet, niet als een classificator die het antwoord inspecteert voordat u het ziet, en niet als een reflex waar het model uit gepraat moet worden. Dat verschilt wezenlijk van de twee dingen die mensen meestal bedoelen als ze "ongecensureerd" zeggen:

Aanpak	Wat het doet	Hoe het faalt
Jailbreak via systeemprompt	Instrueert een uitgelijnd model zich te gedragen alsof het dat niet is	Slijt in een lang gesprek; de weigering keert onder druk terug
Uitvoerfilter verwijderen	Stopt met het blokkeren van tekst die het model al heeft geproduceerd	Het model schrijft nog steeds ontwijkende tekst met slagen om de arm — er werd niets geblokkeerd, het werd nooit geschreven
Shannon 3	Geen weigeringslaag om te verwijderen en geen filter om uit te zetten — het gedrag is er eenvoudigweg niet	Legt de afweging volledig bij u; het model weigert niet namens u

In de praktijk gaat Shannon 3 in op de vraag die u stelde in plaats van op de veiligere vraag ernaast: fictie met echte antagonisten, beveiligingsonderwerpen die technisch worden besproken in plaats van op persberichtniveau, medische, juridische en financiële informatie die direct wordt gegeven met de voorbehouden die werkelijk op hun plaats zijn — en zonder afsluitende preek over waarom u dat gevraagd zou hebben. Het verwatert ook de lus niet: een controle mag zeggen dat het concept fout is, en dat is een andere en nuttigere vorm van tegenspraak dan een weigering.

Wat de afwezigheid van een weigeringslaag niet doet, is het model juist maken. Een ongecensureerd model kan net zo goed zelfverzekerd fout zitten als een gecensureerd model, en zichtbaarder nog, want het trekt zich bij onzekerheid niet terug in vaagheid. Dat is een van de betere argumenten voor de lus: zonder weigeringsreflex in de weg doet zelfcontrole het veiligheidswerk dat er voor een professionele gebruiker toe doet — fouten vangen. Uw gebruik van het model blijft onderworpen aan ons beleid voor verantwoord gebruik en aan de wet waar u zich bevindt.

07Vision, documenten en beeldgeneratie

Beide tiers accepteren afbeeldingen en documenten als bijlage en lezen die als onderdeel van de beurt. Een schermafbeelding van een mislukte build, een gefotografeerd whiteboard, een schema, een gescande contractpagina of een PDF kan het onderwerp van de vraag zijn in plaats van iets dat u eerst overtypt. Op Pro doen bijlagen net als al het andere mee in de lus: als een controle vaststelt dat het concept een vraag beantwoordde die de afbeelding niet ondersteunt, wordt dat herschreven.

Beeldgeneratie en beeldbewerking zijn in de chat beschikbaar als tool, niet als het doel van het model. Shannon 3 is een redeneermodel dat een afbeelding kan maken of bewerken wanneer het gesprek daarom vraagt, geen beeldmodel met een chatinterface eraan geplakt. Dat onderscheid stelt de verwachtingen goed: beoordeel de familie op hoe ze denkt, en beschouw plaatjes als een gemak dat u een contextwissel bespaart.

08Contextvenster, en waar de 3.x-lijn daarna heen ging

Shannon 3.0 werd gelanceerd met een contextvenster van 32,768 tokens. Dat is het eerlijke historische getal, en het is de moeite waard het ronduit te noemen, want een lus verbruikt context anders dan een model met één doorloop: uw prompt, uw bijlagen, het denkwerk en elke concept- en controlecyclus leven binnen hetzelfde budget.

32K is comfortabel voor het meeste chat- en analysewerk — een lang document, een fors codebestand, een gedetailleerde meerdelige vraag met ruimte voor de lus. Het is krap voor werkelijk grote invoer, en precies die beperking pakte de volgende release aan. Shannon 3.1 verhoogt het contextvenster aanzienlijk en verandert waar de lus op gericht kan worden; beoordeelt u de familie vandaag, lees dat artikel dan als tweede en beschouw het getal hier als geschiedenis.

09Shannon 3 aanroepen vanuit de API

Shannon 3 is beschikbaar via alle drie onze API-dialecten, op dezelfde modellen, met streaming op elk ervan:

Dialect	Endpoint	Gebruik het wanneer
OpenAI-compatibel	/v1/chat/completions	U bestaande OpenAI-clientcode hebt — verander de basis-URL en de model-id
Anthropic-compatibel	/v1/messages	Uw stack rond het Messages-formaat is gebouwd
Responses	/v1/responses	U de nieuwere verzoek-/antwoordvorm wilt

Geef shannon-3 of shannon-3-pro door als model-id. Aan de clientkant zijn twee zaken het plannen waard. De beurten van Pro duren langer, en in wisselende mate, omdat het aantal iteraties van de vraag afhangt — stel time-outs in op het plafond in plaats van op het gemiddelde, en gebruik bij voorkeur streaming zodat de gebruiker voortgang ziet in plaats van een draaiend wieltje. En het redeneerspoor is inhoud die u kunt kiezen te tonen; waar gebruikers wachten, is tonen meestal beter dan verbergen, want het maakt van dode tijd iets leesbaars. Verzoek- en antwoordschema's, streamingdetails en een live playground staan in de API-documentatie.

10Een tier kiezen

De lus van Pro verdient haar latentie terug naar rato van hoeveel er fout kan gaan.

Uw taak	Tier	Waarom
Korte feitelijke vraag, kort antwoord	shannon-3	Het eerste concept ís het antwoord; de controle heeft niets te vangen
Automatisering met hoog volume of strakke latentie	shannon-3	Voorspelbare beurttijd is de bindende beperking
Meerdelige analyse met randvoorwaarden	shannon-3-pro	Weggevallen deelvragen en overtreden randvoorwaarden zijn precies wat de controle vangt
Lange teksten die intern moeten kloppen	shannon-3-pro	Interne tegenstrijdigheid is een eigenschap van de volle lengte, onzichtbaar tijdens het schrijven
Alles met getallen waar u naar handelt	shannon-3-pro	De controle toetst rekenwerk en eenheden opnieuw aan het denkwerk
Vragen die feiten aan de rand van het model raken	shannon-3-pro	De kennisoogst maakt van een benoemd gat een opzoekactie

Een praktisch patroon: gebruik Lite terwijl u nog uitzoekt wat u wilt vragen, en draai de uitgekristalliseerde vraag daarna één keer op Pro. De lus is het betalen waard op de versie van de vraag die u werkelijk bedoelde.

11Beperkingen die u moet kennen voordat u zich vastlegt

Een modelkaart die alleen sterke punten opsomt, is een advertentie. Hier is waar Shannon 3 u zal teleurstellen:

• Pro is langzamer, en onvoorspelbaar zo. Een beurt die na twee iteraties convergeert en een die tot tien doorloopt, verschillen een veelvoud in kloktijd. Hebt u begrensde latentie nodig, gebruik dan Lite.
• Nakijken is geen bewijs. Een model dat zijn eigen werk controleert, deelt zijn eigen blinde vlekken. De lus vangt betrouwbaar de inconsistentie tussen denkwerk en concept; ze vangt niet betrouwbaar een fout die in het denkwerk zelf zelfverzekerd wordt aangehouden.
• Context wordt met de lus gedeeld. Bij 32K is een zeer lange invoer plus enkele concepten op volle lengte een reële beperking op 3.0. Zie Shannon 3.1 voor het verhoogde plafond.
• De oogst vult alleen gaten die het model opmerkt. Ze maakt van "hier ben ik onzeker over" een opzoekactie, en dat is echte winst — maar een feit waarover het model zelfverzekerd fout zit, wordt nooit als ontbrekend gemarkeerd en dus nooit geoogst.
• Ongecensureerd betekent ongecensureerd. Het model weigert niet en verzacht niet. Heeft uw product een weigeringsgrens nodig, bouw die dan waar u hem kunt zien in plaats van te hopen dat het model er een levert.

12Veelgestelde vragen

---

Shannon 3 wordt geëxploiteerd door Shannon Lab LLC, New Mexico, VS. De cijfers hier beschrijven de lanceringsconfiguratie van 3.0; zie de modelkaart van Shannon 3.1 voor de actuele limieten en de onderzoeksindex voor de rest van de familie. Wij publiceren geen benchmarkscores voor Shannon 3 en doen geen vergelijkende prestatiebeweringen.