PrismML: Ternary Bonsai 2 27B

PrismML: Ternary Bonsai 2 27B es un modelo centrado en texto de PrismML, publicado por el proveedor el 18 de septiembre de 2026. Es un modelo de razonamiento de 27B parámetros derivado de Qwen3.8-27B, y se sitúa en la categoría de texto en api14. Si estás eligiendo un modelo para un pipeline de texto, el contexto importante es que este está construido para trabajo de razonamiento en lugar de solo chat general.

El modelo acepta texto e imágenes como entrada y devuelve texto. Su ventana de contexto es de 262.144 tokens, y la salida máxima es de 32.768 tokens. Según la descripción del proveedor, admite programación, matemáticas, llamada a herramientas y comprensión de imágenes. La compresión ternaria es parte de cómo se construye el modelo, lo cual vale la pena señalar si el tamaño del modelo o las características de despliegue te importan. El comportamiento de razonamiento se expone a través de parámetros de solicitud en lugar de ser fijo, así que puedes controlar cuánto razonamiento realiza el modelo.

Esas capacidades apuntan a algunos usos prácticos. Como maneja código y matemáticas, encaja en tareas como generación de código, explicación de código y resolución de problemas paso a paso donde el rastro de razonamiento importa. La comprensión de imágenes significa que también puede tomar capturas de pantalla, diagramas u otras imágenes junto con un prompt de texto, lo cual es útil para tareas como leer un gráfico o interpretar una captura de pantalla de una interfaz. La llamada a herramientas y las salidas estructuradas lo convierten en candidato para agentes y pipelines que necesitan que el modelo llame a funciones o devuelva datos en una forma definida en lugar de texto libre.

Lo llamas a través de la API compatible con OpenAI de api14 usando el id de modelo "prism-ml/ternary-bonsai-2-27b". Los parámetros de solicitud que admite son 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 y top_p. Si ya usas un cliente de estilo OpenAI, el cambio principal es el id de modelo y los parámetros que estableces. Usa max_tokens para limitar la salida, ya que la salida máxima es de 32.768 tokens aunque la ventana de contexto sea mucho mayor.

Hay límites que conviene planificar. La entrada es texto e imagen, pero la salida es solo texto, así que no producirá imágenes ni audio. Si tu carga de trabajo es puramente conversacional y no necesita razonamiento, llamada a herramientas ni entrada de imágenes, un modelo de texto más simple puede encajar mejor. Para documentos largos, la ventana de contexto de 262K tokens es generosa, pero recuerda que el límite de salida de 32.768 tokens se aplica por separado. La descripción del proveedor es la fuente de las afirmaciones sobre programación, matemáticas, llamada a herramientas y comprensión de imágenes, así que trátalas como el alcance declarado en lugar de rendimiento medido.