Pareto 26.10

Pareto 26.10 är en textmodell från Unbiased, listad på api14 under huvudkategorin text. Unbiased beskriver Pareto som en multimodell sammansatt modell byggd för forskning, kodning och agentiska arbetsflöden, och positionerar den som att leverera prestanda på frontlinjenivå över ett brett spektrum av allmänna uppgifter. Den släpptes av leverantören 2026-10-15.

Modellen tar emot text och bild som indata och returnerar text. Dess kontextfönster är 1 048 576 tokens, och maximal utdata är 131 072 tokens. Den kombinationen av ett mycket stort indatafönster och en stor utdatamängd innebär att du kan skicka långa dokument, stora kodbaser eller utökade konversationshistoriker i en enda begäran och fortfarande lämna betydande utrymme för svaret. Eftersom bilder accepteras som indata kan modellen arbeta med material som blandar prosa, kod och visuellt innehåll, även om allt den producerar är text.

Det angivna fokuset på forskning, kodning och agentiska arbetsflöden antyder var modellen passar bäst. Forskningsarbete drar nytta av den långa kontexten, eftersom artiklar, rapporter och källmaterial kan tillhandahållas utan tung chunkning. Kodningsuppgifter kan inkludera stora filer eller hela arkiv tillsammans med instruktioner. Agentiska arbetsflöden kan bära långa körande historiker och verktygsdefinitioner inom samma fönster. Allmänna textuppgifter som sammanfattning, utkast och frågebesvarande över långa indata täcks också av leverantörens beskrivning, och bildindata utökar dessa till fall där en skärmbild, ett diagram eller en skannad sida behöver läsas och beskrivas i text.

Du anropar modellen via api14:s OpenAI-kompatibla API med modell-id:t "unbiased/pareto-26.10". De stödda begärandeparametrarna är max_tokens, temperature, top_p, tools och tool_choice. Närvaron av tools och tool_choice innebär att begäranden i stil med funktionsanrop är en del av gränssnittet, vilket passar de agentiska användningsfallen som leverantören lyfter fram. Ställ in max_tokens med tanke på utdatataket på 131 072, och använd temperature och top_p för att styra samplingen som du skulle göra med andra OpenAI-kompatibla slutpunkter.

Fakta som ges här inkluderar inte benchmarkresultat, modalitetsstöd utöver text- och bildindata, eller några angivna begränsningar för användning, så betrakta leverantörens beskrivning som den främsta vägledningen för passform. Om din uppgift är helt och hållet text och inte behöver det mycket stora kontextfönstret eller bildindata kan en mindre modell vara enklare att arbeta med, men inget i den tillgängliga informationen utesluter Pareto 26.10 för vanligt textarbete.