Upstage: Solar Mini 4

Solar Mini 4 adalah model bahasa teks dari Upstage, terdaftar di api14 dengan model id upstage/solar-mini4. Upstage mendeskripsikannya sebagai model ringkas dan hemat biaya yang dibangun sebagai mixture-of-experts dengan 35B parameter dan 3B parameter aktif. Tanggal rilis penyedianya adalah 2026-09-23. Tujuan desain yang dinyatakan penyedia adalah kasus penggunaan agentic, di mana model diharapkan bertindak atas instruksi dan memanggil tool, bukan hanya menghasilkan prosa.

Model ini menerima input teks dan mengembalikan output teks, jadi ini adalah sistem text-to-text murni tanpa penanganan gambar atau audio. Context window-nya adalah 524.288 token, cukup besar untuk menampung dokumen panjang, riwayat percakapan yang panjang, atau output tool yang besar dalam satu permintaan. Panjang output maksimumnya adalah 131.072 token. Karena ini adalah model mixture-of-experts dengan 3B parameter aktif, hanya sebagian dari total 35B parameter yang digunakan per token, dan itulah mekanisme di balik klaim hemat biaya dari penyedia.

Kemampuan tersebut mengarah pada beberapa pola praktis. Konteks panjangnya cocok untuk beban kerja bergaya retrieval, di mana Anda menempelkan banyak dokumen sumber lalu meminta sintesis, dan juga cocok untuk loop agent yang mengakumulasi hasil tool selama banyak giliran tanpa perlu memangkas riwayat. Tool calling dan structured outputs membuatnya cukup cocok untuk pipeline yang membutuhkan respons yang dapat dibaca mesin, seperti mengekstrak field ke dalam skema atau merutekan permintaan ke fungsi hilir. Kontrol reasoning memungkinkan Anda menukar latensi dan verbositas dengan kualitas jawaban pada tugas yang lebih sulit, sementara jumlah parameter aktif yang ringkas membuatnya tetap layak untuk pekerjaan bervolume tinggi dengan kompleksitas lebih rendah.

Anda memanggilnya melalui API yang kompatibel dengan OpenAI dari api14 menggunakan model id upstage/solar-mini4. Parameter permintaan yang didukung adalah frequency_penalty, include_reasoning, max_tokens, parallel_tool_calls, presence_penalty, reasoning, reasoning_effort, response_format, structured_outputs, temperature, tool_choice, tools dan top_p. Dalam praktiknya, itu berarti Anda dapat mengatur perilaku sampling dengan temperature dan top_p, mengurangi pengulangan dengan dua parameter penalty, membatasi balasan dengan max_tokens, meminta JSON atau skema melalui response_format dan structured_outputs, serta menyiapkan function calling dengan tools, tool_choice dan parallel_tool_calls. Parameter reasoning, reasoning_effort dan include_reasoning mengontrol apakah dan seberapa banyak penalaran perantara yang dihasilkan atau dikembalikan.

Fakta yang diberikan tidak mencakup hasil benchmark, angka latensi, atau perbandingan kualitas, jadi tidak ada dasar di sini untuk mengklaim bahwa model ini lebih unggul atau lebih lemah dibandingkan model lain. Batas yang paling jelas adalah modalitas: model ini hanya menangani teks, jadi tugas yang memerlukan pembacaan gambar atau audio membutuhkan model lain. Jika Anda membutuhkan output sebesar mungkin untuk satu generasi yang sangat panjang, perhatikan bahwa output dibatasi pada 131.072 token meskipun context window-nya 524.288 token. Dalam pekerjaan teks, kombinasi konteks besar, tool calling dan structured outputs adalah yang membuatnya layak dicoba lebih dulu untuk pipeline agentic dan ekstraksi.