PrismML: Ternary Bonsai 2 27B

PrismML: Ternary Bonsai 2 27B är en textfokuserad modell från PrismML, släppt av leverantören den 18 september 2026. Det är en resonemangsmodell med 27B parametrar som härstammar från Qwen3.8-27B, och den tillhör textkategorin på api14. Om du väljer en modell för en textpipeline är det viktiga sammanhanget att denna är byggd för resonemangsarbete snarare än enbart allmän chatt.

Modellen tar emot text och bilder som indata och returnerar text. Dess kontextfönster är 262 144 tokens, och maximal utdata är 32 768 tokens. Enligt leverantörens beskrivning stöder den kodning, matematik, verktygsanrop och bildförståelse. Ternary-komprimering är en del av hur modellen är byggd, vilket är värt att notera om modellstorlek eller driftsättningsegenskaper spelar roll för dig. Resonemangsbeteendet exponeras via begärandeparametrar i stället för att vara fast, så du kan styra hur mycket resonemang modellen utför.

Dessa funktioner pekar mot några praktiska användningsområden. Eftersom den hanterar kod och matematik passar den för uppgifter som kodgenerering, kodförklaring och stegvis problemlösning där resonemangsspåret spelar roll. Bildförståelse innebär att den också kan ta emot skärmbilder, diagram eller andra bilder tillsammans med en textprompt, vilket är användbart för uppgifter som att läsa ett diagram eller tolka en skärmbild av ett gränssnitt. Verktygsanrop och strukturerade utdata gör den till en kandidat för agenter och pipelines som behöver att modellen anropar funktioner eller returnerar data i en definierad form snarare än fri text.

Du anropar den via api14:s OpenAI-kompatibla API med modell-id:t "prism-ml/ternary-bonsai-2-27b". Begärandeparametrarna den stöder är 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 och top_p. Om du redan använder en klient i OpenAI-stil är den största förändringen modell-id:t och parametrarna du ställer in. Använd max_tokens för att begränsa utdata, eftersom maximal utdata är 32 768 tokens även om kontextfönstret är mycket större.

Det finns gränser värda att planera kring. Indata är text och bild, men utdata är endast text, så den producerar inte bilder eller ljud. Om din arbetsbelastning är helt konversationell och inte behöver resonemang, verktygsanrop eller bildindata kan en enklare textmodell vara ett bättre val. För långa dokument är kontextfönstret på 262K tokens generöst, men kom ihåg att gränsen på 32 768 tokens för utdata gäller separat. Leverantörens beskrivning är källan för påståendena om kodning, matematik, verktygsanrop och bildförståelse, så betrakta dessa som det angivna omfånget snarare än uppmätt prestanda.