Upstage: Solar Mini 4

Solar Mini 4 är en textmodell från Upstage, listad på api14 under modell-id upstage/solar-mini4. Upstage beskriver den som en kompakt, kostnadseffektiv modell byggd som en mixture-of-experts med 35B parametrar och 3B aktiva parametrar. Leverantörens releasedatum är 2026-09-23. Designmålet som anges av leverantören är agentiska användningsfall, där modellen förväntas agera på instruktioner och anropa verktyg snarare än att bara producera prosa.

Modellen tar emot textindata och returnerar textutdata, så det är ett rent text-till-text-system utan hantering av bild eller ljud. Dess kontextfönster är 524 288 tokens, vilket är tillräckligt stort för att rymma långa dokument, utökade konversationshistoriker eller omfattande verktygsutdata i en enda förfrågan. Den maximala utdatalängden är 131 072 tokens. Eftersom det är en mixture-of-experts-modell med 3B aktiva parametrar aktiveras bara en del av de totalt 35B parametrarna per token, vilket är mekanismen bakom leverantörens påstående om kostnadseffektivitet.

Dessa förmågor pekar mot några praktiska mönster. Den långa kontexten passar återhämtningsliknande arbetsbelastningar där du klistrar in många källdokument och begär en syntes, och den passar också agentloopar som ackumulerar verktygsresultat över många turer utan att behöva trimma historiken. Verktygsanrop och strukturerade utdata gör den till en rimlig passform för pipelines som behöver maskinläsbara svar, till exempel att extrahera fält till ett schema eller dirigera en förfrågan till en nedströmsfunktion. Resonemangskontroller låter dig byta latens och utförlighet mot svarskvalitet på svårare uppgifter, medan det kompakta antalet aktiva parametrar håller den gångbar för högvolymsjobb med lägre komplexitet.

Du anropar den via api14:s OpenAI-kompatibla API med modell-id upstage/solar-mini4. De stödda förfrågningsparametrarna är frequency_penalty, include_reasoning, max_tokens, parallel_tool_calls, presence_penalty, reasoning, reasoning_effort, response_format, structured_outputs, temperature, tool_choice, tools och top_p. I praktiken innebär det att du kan ställa in samplingsbeteende med temperature och top_p, motverka upprepning med de två straffparametrarna, begränsa svaret med max_tokens, begära JSON eller ett schema via response_format och structured_outputs, samt koppla upp funktionsanrop med tools, tool_choice och parallel_tool_calls. Parametrarna reasoning, reasoning_effort och include_reasoning styr huruvida och hur mycket mellanliggande resonemang som produceras eller returneras.

De angivna fakta innehåller inte benchmarkresultat, latenssiffror eller kvalitetsjämförelser, så det finns ingen grund här för att hävda att den överträffar eller underpresterar andra modeller. Den tydligaste gränsen är modalitet: den hanterar endast text, så en uppgift som kräver läsning av bilder eller ljud behöver en annan modell. Om du behöver största möjliga utdata för en enda mycket lång generering, notera att utdata är begränsad till 131 072 tokens även om kontextfönstret är 524 288 tokens. Inom textarbete är kombinationen av en stor kontext, verktygsanrop och strukturerade utdata det som gör den värd att prova först för agentiska pipelines och extraktionspipelines.