PrismML: Ternary Bonsai 2 27B

PrismML: Ternary Bonsai 2 27B est un modèle axé sur le texte de PrismML, publié par le fournisseur le 18 septembre 2026. C'est un modèle de raisonnement de 27B paramètres dérivé de Qwen3.8-27B, et il se situe dans la catégorie texte sur api14. Si vous choisissez un modèle pour un pipeline de texte, le contexte important est que celui-ci est conçu pour le travail de raisonnement plutôt que pour le chat général seul.

Le modèle accepte du texte et des images en entrée et renvoie du texte. Sa fenêtre de contexte est de 262 144 tokens, et la sortie maximale est de 32 768 tokens. Selon la description du fournisseur, il prend en charge le codage, les mathématiques, l'appel d'outils et la compréhension d'images. La compression ternaire fait partie de la façon dont le modèle est construit, ce qui vaut la peine d'être noté si la taille du modèle ou les caractéristiques de déploiement vous importent. Le comportement de raisonnement est exposé via les paramètres de requête plutôt que d'être fixe, vous pouvez donc contrôler la quantité de raisonnement effectuée par le modèle.

Ces capacités indiquent quelques usages pratiques. Comme il gère le code et les mathématiques, il convient à des tâches telles que la génération de code, l'explication de code et la résolution de problèmes étape par étape où la trace de raisonnement compte. La compréhension d'images signifie qu'il peut aussi prendre des captures d'écran, des diagrammes ou d'autres images accompagnées d'un prompt texte, ce qui est utile pour des tâches comme lire un graphique ou interpréter une capture d'écran d'interface. L'appel d'outils et les sorties structurées en font un candidat pour les agents et les pipelines qui ont besoin que le modèle appelle des fonctions ou renvoie des données dans une forme définie plutôt que du texte libre.

Vous l'appelez via l'API compatible OpenAI d'api14 en utilisant l'id de modèle "prism-ml/ternary-bonsai-2-27b". Les paramètres de requête qu'il prend en charge sont 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 et top_p. Si vous utilisez déjà un client de style OpenAI, le principal changement est l'id de modèle et les paramètres que vous définissez. Utilisez max_tokens pour plafonner la sortie, puisque la sortie maximale est de 32 768 tokens même si la fenêtre de contexte est bien plus grande.

Il y a des limites à prendre en compte dans votre planification. L'entrée est du texte et des images, mais la sortie est uniquement du texte, il ne produira donc pas d'images ni d'audio. Si votre charge de travail est purement conversationnelle et n'a pas besoin de raisonnement, d'appel d'outils ou d'entrée d'images, un modèle texte plus simple peut mieux convenir. Pour les documents longs, la fenêtre de contexte de 262K tokens est généreuse, mais rappelez-vous que le plafond de sortie de 32 768 tokens s'applique séparément. La description du fournisseur est la source des affirmations sur le codage, les mathématiques, l'appel d'outils et la compréhension d'images, considérez donc celles-ci comme la portée déclarée plutôt que comme des performances mesurées.