Upstage: Solar Mini 4

Solar Mini 4 to model językowy tekstowy od Upstage, wymieniony na api14 pod identyfikatorem modelu upstage/solar-mini4. Upstage opisuje go jako kompaktowy, opłacalny model zbudowany jako 35-miliardowy mixture-of-experts z 3 miliardami aktywnych parametrów. Data wydania przez dostawcę to 2026-09-23. Celem projektowym podanym przez dostawcę są przypadki użycia agentowego, w których oczekuje się, że model będzie działał na instrukcjach i wywoływał narzędzia, a nie tylko produkował prozę.

Model przyjmuje dane wejściowe tekstowe i zwraca dane wyjściowe tekstowe, więc jest to czysty system tekst-na-tekst bez obsługi obrazu ani dźwięku. Jego okno kontekstu wynosi 524 288 tokenów, co jest wystarczająco duże, aby pomieścić długie dokumenty, rozszerzone historie rozmów lub spore wyniki narzędzi w jednym żądaniu. Maksymalna długość danych wyjściowych to 131 072 tokeny. Ponieważ jest to model mixture-of-experts z 3 miliardami aktywnych parametrów, tylko ułamek z 35 miliardów wszystkich parametrów jest angażowany na token, co jest mechanizmem stojącym za twierdzeniem dostawcy o opłacalności.

Te możliwości wskazują na kilka praktycznych wzorców. Długi kontekst pasuje do zadań w stylu wyszukiwania, w których wklejasz wiele dokumentów źródłowych i prosisz o syntezę, a także pasuje do pętli agentowych, które gromadzą wyniki narzędzi przez wiele tur bez potrzeby przycinania historii. Wywoływanie narzędzi i ustrukturyzowane dane wyjściowe czynią go rozsądnym wyborem dla potoków wymagających odpowiedzi czytelnych maszynowo, takich jak wyodrębnianie pól do schematu lub kierowanie żądania do funkcji podrzędnej. Kontrolki rozumowania pozwalają wymieniać opóźnienie i rozwlekłość na jakość odpowiedzi w trudniejszych zadaniach, podczas gdy kompaktowa liczba aktywnych parametrów utrzymuje go opłacalnym dla zadań o dużym wolumenie i niższej złożoności.

Wywołujesz go przez kompatybilne z OpenAI API api14, używając identyfikatora modelu upstage/solar-mini4. Obsługiwane parametry żądania to frequency_penalty, include_reasoning, max_tokens, parallel_tool_calls, presence_penalty, reasoning, reasoning_effort, response_format, structured_outputs, temperature, tool_choice, tools i top_p. W praktyce oznacza to, że możesz ustawić zachowanie próbkowania za pomocą temperature i top_p, zniechęcić do powtórzeń za pomocą dwóch parametrów kary, ograniczyć odpowiedź za pomocą max_tokens, zażądać JSON lub schematu przez response_format i structured_outputs oraz podłączyć wywoływanie funkcji za pomocą tools, tool_choice i parallel_tool_calls. Parametry reasoning, reasoning_effort i include_reasoning kontrolują, czy i ile pośredniego rozumowania jest tworzone lub zwracane.

Podane fakty nie obejmują wyników benchmarków, danych o opóźnieniach ani porównań jakości, więc nie ma tu podstaw do twierdzenia, że przewyższa lub ustępuje innym modelom. Najjaśniejszą granicą jest modalność: obsługuje tylko tekst, więc zadanie wymagające czytania obrazów lub dźwięku potrzebuje innego modelu. Jeśli potrzebujesz największych możliwych danych wyjściowych dla jednego bardzo długiego generowania, pamiętaj, że dane wyjściowe są ograniczone do 131 072 tokenów, mimo że okno kontekstu wynosi 524 288 tokenów. W pracy z tekstem połączenie dużego kontekstu, wywoływania narzędzi i ustrukturyzowanych danych wyjściowych sprawia, że warto go wypróbować w pierwszej kolejności dla potoków agentowych i ekstrakcyjnych.