Upstage: Solar Mini 4

Solar Mini 4 ist ein Text-Sprachmodell von Upstage, das auf api14 unter der Modell-ID upstage/solar-mini4 gelistet ist. Upstage beschreibt es als kompaktes, kosteneffizientes Modell, das als Mixture-of-Experts mit 35B Parametern und 3B aktiven Parametern gebaut wurde. Das Veröffentlichungsdatum des Anbieters ist der 2026-09-23. Das vom Anbieter genannte Designziel sind agentische Anwendungsfälle, in denen das Modell Anweisungen ausführen und Tools aufrufen soll, statt nur Prosa zu erzeugen.

Das Modell akzeptiert Texteingabe und liefert Textausgabe, es ist also ein reines Text-zu-Text-System ohne Bild- oder Audioverarbeitung. Sein Kontextfenster beträgt 524.288 Token, was groß genug ist, um lange Dokumente, ausgedehnte Gesprächsverläufe oder umfangreiche Tool-Ausgaben in einer einzigen Anfrage zu halten. Die maximale Ausgabelänge beträgt 131.072 Token. Da es ein Mixture-of-Experts-Modell mit 3B aktiven Parametern ist, wird pro Token nur ein Bruchteil der 35B Gesamtparameter aktiviert, was der Mechanismus hinter der Kosteneffizienz-Behauptung des Anbieters ist.

Diese Fähigkeiten deuten auf einige praktische Muster hin. Der lange Kontext eignet sich für Retrieval-artige Workloads, bei denen Sie viele Quelldokumente einfügen und um eine Synthese bitten, und er eignet sich auch für Agent-Schleifen, die über viele Turns hinweg Tool-Ergebnisse ansammeln, ohne den Verlauf kürzen zu müssen. Tool-Aufrufe und strukturierte Ausgaben machen es zu einer vernünftigen Wahl für Pipelines, die maschinenlesbare Antworten benötigen, etwa beim Extrahieren von Feldern in ein Schema oder beim Weiterleiten einer Anfrage an eine nachgelagerte Funktion. Reasoning-Steuerungen lassen Sie bei schwierigeren Aufgaben Latenz und Ausführlichkeit gegen Antwortqualität abwägen, während die kompakte Zahl aktiver Parameter es für volumenstarke, weniger komplexe Aufgaben tragfähig hält.

Sie rufen es über die OpenAI-kompatible API von api14 mit der Modell-ID upstage/solar-mini4 auf. Die unterstützten Anfrageparameter sind frequency_penalty, include_reasoning, max_tokens, parallel_tool_calls, presence_penalty, reasoning, reasoning_effort, response_format, structured_outputs, temperature, tool_choice, tools und top_p. In der Praxis bedeutet das, dass Sie das Sampling-Verhalten mit temperature und top_p festlegen, Wiederholungen mit den beiden Penalty-Parametern entgegenwirken, die Antwort mit max_tokens begrenzen, JSON oder ein Schema über response_format und structured_outputs anfordern und Funktionsaufrufe mit tools, tool_choice und parallel_tool_calls einrichten können. Die Parameter reasoning, reasoning_effort und include_reasoning steuern, ob und wie viel Zwischen-Reasoning erzeugt oder zurückgegeben wird.

Die angegebenen Fakten enthalten keine Benchmark-Ergebnisse, Latenzwerte oder Qualitätsvergleiche, daher gibt es hier keine Grundlage für die Behauptung, dass es andere Modelle übertrifft oder untertrifft. Die klarste Grenze ist die Modalität: Es verarbeitet nur Text, eine Aufgabe, die das Lesen von Bildern oder Audio erfordert, braucht also ein anderes Modell. Wenn Sie die größtmögliche Ausgabe für eine einzelne sehr lange Generierung benötigen, beachten Sie, dass die Ausgabe auf 131.072 Token begrenzt ist, obwohl das Kontextfenster 524.288 Token beträgt. Innerhalb der Textarbeit ist die Kombination aus großem Kontext, Tool-Aufrufen und strukturierten Ausgaben das, was es einen ersten Versuch für agentische Pipelines und Extraktions-Pipelines wert macht.