PrismML: Ternary Bonsai 2 27B

PrismML: Ternary Bonsai 2 27B ist ein textfokussiertes Modell von PrismML, das vom Anbieter am 18. September 2026 veröffentlicht wurde. Es ist ein Reasoning-Modell mit 27B Parametern, das von Qwen3.8-27B abgeleitet ist, und es liegt auf api14 in der Kategorie Text. Wenn Sie ein Modell für eine Text-Pipeline auswählen, ist der wichtige Kontext, dass dieses für Reasoning-Arbeit gebaut ist und nicht nur für allgemeinen Chat.

Das Modell akzeptiert Text und Bilder als Eingabe und gibt Text zurück. Sein Kontextfenster beträgt 262.144 Token, und die maximale Ausgabe beträgt 32.768 Token. Laut der Anbieterbeschreibung unterstützt es Coding, Mathematik, Tool Calling und Bildverständnis. Ternäre Kompression ist Teil der Art und Weise, wie das Modell gebaut ist, was erwähnenswert ist, wenn Modellgröße oder Deployment-Eigenschaften für Sie wichtig sind. Reasoning-Verhalten wird über Request-Parameter offengelegt, statt fest zu sein, sodass Sie steuern können, wie viel Reasoning das Modell ausführt.

Diese Fähigkeiten deuten auf einige praktische Verwendungen hin. Weil es Code und Mathematik handhabt, passt es zu Aufgaben wie Codegenerierung, Codeerklärung und schrittweiser Problemlösung, bei der die Reasoning-Spur wichtig ist. Bildverständnis bedeutet, dass es auch Screenshots, Diagramme oder andere Bilder zusammen mit einem Text-Prompt aufnehmen kann, was für Aufgaben wie das Lesen eines Diagramms oder das Interpretieren eines UI-Screenshots nützlich ist. Tool Calling und strukturierte Ausgaben machen es zu einem Kandidaten für Agents und Pipelines, bei denen das Modell Funktionen aufrufen oder Daten in einer definierten Form statt als Freitext zurückgeben muss.

Sie rufen es über die OpenAI-kompatible API von api14 mit der Modell-ID "prism-ml/ternary-bonsai-2-27b" auf. Die Request-Parameter, die es unterstützt, sind frequency_penalty, include_reasoning, logprobs, max_tokens, presence_penalty, reasoning, reasoning_effort, repetition_penalty, response_format, seed, stop, structured_outputs, temperature, tool_choice, tools, top_k, top_logprobs und top_p. Wenn Sie bereits einen Client im OpenAI-Stil verwenden, sind die wichtigsten Änderungen die Modell-ID und die Parameter, die Sie setzen. Verwenden Sie max_tokens, um die Ausgabe zu begrenzen, da die maximale Ausgabe 32.768 Token beträgt, obwohl das Kontextfenster viel größer ist.

Es gibt Grenzen, die man einplanen sollte. Die Eingabe ist Text und Bild, aber die Ausgabe ist nur Text, sodass es keine Bilder oder Audiodaten erzeugt. Wenn Ihre Workload rein konversationell ist und kein Reasoning, Tool Calling oder Bildeingabe benötigt, könnte ein einfacheres Textmodell besser passen. Für lange Dokumente ist das Kontextfenster von 262K Token großzügig, aber denken Sie daran, dass die Obergrenze von 32.768 Token für die Ausgabe separat gilt. Die Anbieterbeschreibung ist die Quelle für die Aussagen zu Coding, Mathematik, Tool Calling und Bildverständnis, behandeln Sie diese also als den angegebenen Umfang und nicht als gemessene Leistung.