Pareto 26.10

Pareto 26.10 to model tekstowy od Unbiased, wymieniony na api14 w głównej kategorii tekst. Unbiased opisuje Pareto jako multimodalny model złożony, zbudowany do badań, kodowania i przepływów pracy agentowych, i pozycjonuje go jako dostarczający wydajność na poziomie frontier w szerokim zakresie zadań ogólnego przeznaczenia. Został wydany przez dostawcę 2026-10-15.

Model przyjmuje dane wejściowe tekstowe i obrazowe oraz zwraca tekst. Jego okno kontekstowe wynosi 1,048,576 tokenów, a maksymalne wyjście to 131,072 tokenów. To połączenie bardzo dużego okna wejściowego i dużego limitu wyjścia oznacza, że możesz wysłać długie dokumenty, duże bazy kodu lub rozszerzone historie rozmów w jednym żądaniu i nadal pozostawić znaczne miejsce na odpowiedź. Ponieważ obrazy są akceptowane jako dane wejściowe, model może pracować z materiałem łączącym prozę, kod i treści wizualne, choć wszystko, co produkuje, jest tekstem.

Wskazane skupienie na badaniach, kodowaniu i przepływach pracy agentowych sugeruje, gdzie model pasuje najlepiej. Praca badawcza korzysta z długiego kontekstu, ponieważ artykuły, raporty i materiał źródłowy można dostarczyć bez intensywnego dzielenia na fragmenty. Zadania kodowania mogą obejmować duże pliki lub całe repozytoria wraz z instrukcjami. Przepływy pracy agentowych mogą przenosić długie historie działania i definicje narzędzi w tym samym oknie. Ogólne zadania tekstowe, takie jak streszczanie, redagowanie i odpowiadanie na pytania na podstawie długich danych wejściowych, są również objęte opisem dostawcy, a wejście obrazowe rozszerza je na przypadki, w których zrzut ekranu, diagram lub zeskanowana strona wymaga odczytania i opisania w tekście.

Model wywołujesz przez API zgodne z OpenAI w api14, używając identyfikatora modelu "unbiased/pareto-26.10". Obsługiwane parametry żądania to max_tokens, temperature, top_p, tools i tool_choice. Obecność tools i tool_choice oznacza, że żądania w stylu wywoływania funkcji są częścią interfejsu, co pasuje do przypadków użycia agentowego, które dostawca wyróżnia. Ustaw max_tokens, mając na uwadze limit wyjścia 131,072, i używaj temperature oraz top_p do kontroli próbkowania tak, jak w przypadku innych punktów końcowych zgodnych z OpenAI.

Podane tutaj fakty nie obejmują benchmarków, obsługi modalności wykraczającej poza wejście tekstowe i obrazowe ani żadnych określonych ograniczeń użycia, więc traktuj opis dostawcy jako główny przewodnik dopasowania. Jeśli twoje zadanie jest czysto tekstowe i nie potrzebuje bardzo dużego okna kontekstowego ani wejścia obrazowego, mniejszy model może być prostszy w obsłudze, ale nic w dostępnych informacjach nie wyklucza Pareto 26.10 dla zwykłej pracy tekstowej.