Amazon Nova 2 Lite er Amazons model til multimodal forståelse i anden generation til dagligt virksomhedsarbejde og mere krævende agentopgaver. Den accepterer tekst, billeder og video, herunder dokumentindhold, og producerer tekst. Praktisk arbejde omfatter supportsvar forankret i vedlagt materiale, udtrækning af information fra rapporter, analyse af diagrammer eller skærmbilleder, kodegennemgang og opsummering af visuelle begivenheder. Det er en forståelsesmodel: videoinput analyseres frem for at blive regenereret, og det dokumenterede output er tekst frem for indbyggede billeder, video eller tale.
Producentens modelprofil angiver et kontekstvindue på 1 million tokens og et standardmaksimum for output på 64K tokens. Den dokumenterede vidensgrænse er oktober 2025. Denne større arbejdskontekst adskiller Nova 2 Lite fra vinduet på 300K i første generations Nova Lite. Brug pladsen til de faktiske kildedokumenter, relevant samtale, kode og instruktioner, og bed derefter om et afgrænset slutprodukt som en belægstabel, et ændringsforslag eller et resumé organiseret efter kilde. En lang kontekst gør ikke indlært viden til en database i realtid; information, der ændrer sig, bør komme fra vedlagt belæg, informationshentning eller et aktiveret kildeforankringsværktøj.
Udvidet tænkning er valgfri og deaktiveret som standard. Når den aktiveres, tilbyder producenten indsatsen low, medium og high: low til moderat kompleks analyse, medium til omfattende arbejde over flere trin og high til det dybeste ræsonnement. Enkel udtrækning og korte faktasvar kan bruge tænkning slået fra; vanskelig fejlfinding, matematisk ræsonnement og syntese på tværs af dokumenter kan have gavn af yderligere indsats. Ræsonnementsindhold returneres som [REDACTED], så det er ikke et læsbart trinvist spor. Kontrakten for high-indsats kræver udeladelse af temperature, topP, topK og maxTokens; Amazon dokumenterer, at nogle output med high-indsats kan overstige 65K tokens og nå 128K, frem for at definere 128K som en almindelig outputramme.
Nova 2 Lite understøtter funktionskald, streaming af svar og promptcaching i Amazons dokumenterede betjeningsprofil. Eksplicit caching kræver mindst 1K tokens pr. checkpoint og tillader op til fire checkpoints med fem minutters opbevaring. Producenten begrænser promptcaching til 20K tokens, primært til tekstprompts; denne cacheramme er forskellig fra det fulde kontekstvindue. Vedlæg klare værktøjsnavne, beskrivelser og argumentskemaer; modellen vælger et værktøj og anmoder om argumenter, mens applikationen udfører brugerdefinerede værktøjer og returnerer deres resultater. Amazon dokumenterer også valgfri indbygget Web Grounding til aktuel information med kildehenvisninger og en Python Code Interpreter til beregninger. Dette er konfigurerede værktøjer, ikke aktiviteter, der er underforstået i hvert svar. Amazon dokumenterer også superviseret finjustering og forstærkningsfinjustering til at tilpasse Nova 2 Lite til en specialiseret opgave; det er separate modeltilpasningsforløb. Til en talrapport adskiller et nyttigt oplæg kildetallene, den beregning, der skal udføres, og den forklaring, der skal returneres; værktøjsfejl skal forblive synlige i det returnerede resultat frem for at behandles som vellykkede observationer.
Den multimodale vejledning angiver PNG-, JPEG-, GIF- og WebP-billeder; for animeret GIF eller WebP bruges kun det første billede. Videoformater omfatter MP4, MOV, MKV, WebM, FLV, MPEG, MPG, WMV og 3GP. Dokumenter omfatter PDF, DOC/DOCX, TXT, CSV, XLS/XLSX, HTML og Markdown. Tekstbaserede formater læses primært som tekst, mens PDF og DOCX kan kombinere tekst og sidevisualiseringer. Producentens dokumentforløb tillader op til fem dokumenter og begrænser hvert tekstdokument til 4,5 MB. Profilen for indlejrede billeder tillader fem billeder og en payload på 25 MB; S3-billedinput tillader op til 1.000 billeder og 2 GB i alt. Videoinput tillader én fil: 25 MB indlejret eller 1 GB via S3. PDF- og DOCX-filer deler en samlet ramme på 25 MB ved direkte upload eller 2 GB via S3. PDF-filer med CMYK- eller SVG-billeder understøttes ikke. Disse filhåndteringsdetaljer tilhører producentens dokumenterede forløb; vedlæg det faktiske relevante indhold, og bevar side- eller afsnitsbetegnelser til nyttige referencer.
Videoforståelsen bruger visuelle billeder frem for lydsporet. For videoer på 16 minutter eller mindre beskriver vejledningen ét samplet billede pr. sekund; vejledningens tekst beskriver en reduceret samplingrate for længere klip for at bevare 960 billeder. Hurtige handlinger mellem billeder kan derfor overses. Foretræk et relevant klip og et udtrykkeligt spørgsmål om scener eller begivenheder; vedlæg en separat transskription, når talt information betyder noget. Lille eller flersproget tekst og præcise rumlige relationer kan også være vanskelige, så bevar læsbare etiketter og tilstrækkelig omgivende visuel kontekst. Producenten angiver også, at modellen ikke identificerer eller navngiver personer i billeder, dokumenter eller videoer.
Amazon dokumenterer understøttelse af over 200 sprog med optimering til engelsk, tysk, spansk, fransk, italiensk, japansk, koreansk, arabisk, forenklet kinesisk, russisk, hindi, portugisisk, nederlandsk, tyrkisk og hebraisk. Angiv det krævede outputsprog og terminologien, især når kilder bruger flere sprog. Til et dokumentforløb skal du angive spørgsmålene, belægsidentifikatorerne og den endelige struktur og derefter bede modellen skelne mellem angivne fakta og manglende information. Dens nyttige resultat er et kildeforankret svar eller et værktøjsinformeret slutprodukt frem for en antagelse om, at hver detalje i et stort input er opfanget.
", "aboutText": "Amazon Nova 2 Lite er Amazons model til multimodal forståelse i anden generation til dagligt virksomhedsarbejde og mere krævende agentopgaver. Den accepterer tekst, billeder og video, herunder dokumentindhold, og producerer tekst. Praktisk arbejde omfatter supportsvar forankret i vedlagt materiale, udtrækning af information fra rapporter, analyse af diagrammer eller skærmbilleder, kodegennemgang og opsummering af visuelle begivenheder. Det er en forståelsesmodel: videoinput analyseres frem for at blive regenereret, og det dokumenterede output er tekst frem for indbyggede billeder, video eller tale.\n\nProducentens modelprofil angiver et kontekstvindue på 1 million tokens og et standardmaksimum for output på 64K tokens. Den dokumenterede vidensgrænse er oktober 2025. Denne større arbejdskontekst adskiller Nova 2 Lite fra vinduet på 300K i første generations Nova Lite. Brug pladsen til de faktiske kildedokumenter, relevant samtale, kode og instruktioner, og bed derefter om et afgrænset slutprodukt som en belægstabel, et ændringsforslag eller et resumé organiseret efter kilde. En lang kontekst gør ikke indlært viden til en database i realtid; information, der ændrer sig, bør komme fra vedlagt belæg, informationshentning eller et aktiveret kildeforankringsværktøj.\n\nUdvidet tænkning er valgfri og deaktiveret som standard. Når den aktiveres, tilbyder producenten indsatsen low, medium og high: low til moderat kompleks analyse, medium til omfattende arbejde over flere trin og high til det dybeste ræsonnement. Enkel udtrækning og korte faktasvar kan bruge tænkning slået fra; vanskelig fejlfinding, matematisk ræsonnement og syntese på tværs af dokumenter kan have gavn af yderligere indsats. Ræsonnementsindhold returneres som [REDACTED], så det er ikke et læsbart trinvist spor. Kontrakten for high-indsats kræver udeladelse af temperature, topP, topK og maxTokens; Amazon dokumenterer, at nogle output med high-indsats kan overstige 65K tokens og nå 128K, frem for at definere 128K som en almindelig outputramme.\n\nNova 2 Lite understøtter funktionskald, streaming af svar og promptcaching i Amazons dokumenterede betjeningsprofil. Eksplicit caching kræver mindst 1K tokens pr. checkpoint og tillader op til fire checkpoints med fem minutters opbevaring. Producenten begrænser promptcaching til 20K tokens, primært til tekstprompts; denne cacheramme er forskellig fra det fulde kontekstvindue. Vedlæg klare værktøjsnavne, beskrivelser og argumentskemaer; modellen vælger et værktøj og anmoder om argumenter, mens applikationen udfører brugerdefinerede værktøjer og returnerer deres resultater. Amazon dokumenterer også valgfri indbygget Web Grounding til aktuel information med kildehenvisninger og en Python Code Interpreter til beregninger. Dette er konfigurerede værktøjer, ikke aktiviteter, der er underforstået i hvert svar. Amazon dokumenterer også superviseret finjustering og forstærkningsfinjustering til at tilpasse Nova 2 Lite til en specialiseret opgave; det er separate modeltilpasningsforløb. Til en talrapport adskiller et nyttigt oplæg kildetallene, den beregning, der skal udføres, og den forklaring, der skal returneres; værktøjsfejl skal forblive synlige i det returnerede resultat frem for at behandles som vellykkede observationer.\n\nDen multimodale vejledning angiver PNG-, JPEG-, GIF- og WebP-billeder; for animeret GIF eller WebP bruges kun det første billede. Videoformater omfatter MP4, MOV, MKV, WebM, FLV, MPEG, MPG, WMV og 3GP. Dokumenter omfatter PDF, DOC/DOCX, TXT, CSV, XLS/XLSX, HTML og Markdown. Tekstbaserede formater læses primært som tekst, mens PDF og DOCX kan kombinere tekst og sidevisualiseringer. Producentens dokumentforløb tillader op til fem dokumenter og begrænser hvert tekstdokument til 4,5 MB. Profilen for indlejrede billeder tillader fem billeder og en payload på 25 MB; S3-billedinput tillader op til 1.000 billeder og 2 GB i alt. Videoinput tillader én fil: 25 MB indlejret eller 1 GB via S3. PDF- og DOCX-filer deler en samlet ramme på 25 MB ved direkte upload eller 2 GB via S3. PDF-filer med CMYK- eller SVG-billeder understøttes ikke. Disse filhåndteringsdetaljer tilhører producentens dokumenterede forløb; vedlæg det faktiske relevante indhold, og bevar side- eller afsnitsbetegnelser til nyttige referencer.\n\nVideoforståelsen bruger visuelle billeder frem for lydsporet. For videoer på 16 minutter eller mindre beskriver vejledningen ét samplet billede pr. sekund; vejledningens tekst beskriver en reduceret samplingrate for længere klip for at bevare 960 billeder. Hurtige handlinger mellem billeder kan derfor overses. Foretræk et relevant klip og et udtrykkeligt spørgsmål om scener eller begivenheder; vedlæg en separat transskription, når talt information betyder noget. Lille eller flersproget tekst og præcise rumlige relationer kan også være vanskelige, så bevar læsbare etiketter og tilstrækkelig omgivende visuel kontekst. Producenten angiver også, at modellen ikke identificerer eller navngiver personer i billeder, dokumenter eller videoer.\n\nAmazon dokumenterer understøttelse af over 200 sprog med optimering til engelsk, tysk, spansk, fransk, italiensk, japansk, koreansk, arabisk, forenklet kinesisk, russisk, hindi, portugisisk, nederlandsk, tyrkisk og hebraisk. Angiv det krævede outputsprog og terminologien, især når kilder bruger flere sprog. Til et dokumentforløb skal du angive spørgsmålene, belægsidentifikatorerne og den endelige struktur og derefter bede modellen skelne mellem angivne fakta og manglende information. Dens nyttige resultat er et kildeforankret svar eller et værktøjsinformeret slutprodukt frem for en antagelse om, at hver detalje i et stort input er opfanget.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Draft a grounded support reply\n\nWrite a customer reply using only this help article: A replacement may be requested within 14 days of delivery for a damaged item; include the order number and a photo in the support ticket. Customer: My parcel arrived broken yesterday. Can you send another? Explain the next step without claiming a replacement has already been approved.A customer-ready reply of 60–90 words covering eligibility, required ticket information and the next action.Check that the reply requests the order number and photo without asserting that a ticket or replacement was created.amazon/nova-2-lite-v1Amazon Nova 2 Lite kombinerer tekst-, billed-, dokument- og videoforståelse med valgfri udvidet tænkning og værktøjsbrug. Konteksten på en million tokens understøtter dokumentforløb, kodning og agenter, der skal ræsonnere over flere trin.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Amazon Nova 2 Lite er Amazons model til multimodal forståelse i anden generation til dagligt virksomhedsarbejde og mere krævende agentopgaver. Den accepterer tekst, billeder og video, herunder dokumentindhold, og producerer tekst. Praktisk arbejde omfatter supportsvar forankret i vedlagt materiale, udtrækning af information fra rapporter, analyse af diagrammer eller skærmbilleder, kodegennemgang og opsummering af visuelle begivenheder. Det er en forståelsesmodel: videoinput analyseres frem for at blive regenereret, og det dokumenterede output er tekst frem for indbyggede billeder, video eller tale.
Producentens modelprofil angiver et kontekstvindue på 1 million tokens og et standardmaksimum for output på 64K tokens. Den dokumenterede vidensgrænse er oktober 2025. Denne større arbejdskontekst adskiller Nova 2 Lite fra vinduet på 300K i første generations Nova Lite. Brug pladsen til de faktiske kildedokumenter, relevant samtale, kode og instruktioner, og bed derefter om et afgrænset slutprodukt som en belægstabel, et ændringsforslag eller et resumé organiseret efter kilde. En lang kontekst gør ikke indlært viden til en database i realtid; information, der ændrer sig, bør komme fra vedlagt belæg, informationshentning eller et aktiveret kildeforankringsværktøj.
Udvidet tænkning er valgfri og deaktiveret som standard. Når den aktiveres, tilbyder producenten indsatsen low, medium og high: low til moderat kompleks analyse, medium til omfattende arbejde over flere trin og high til det dybeste ræsonnement. Enkel udtrækning og korte faktasvar kan bruge tænkning slået fra; vanskelig fejlfinding, matematisk ræsonnement og syntese på tværs af dokumenter kan have gavn af yderligere indsats. Ræsonnementsindhold returneres som [REDACTED], så det er ikke et læsbart trinvist spor. Kontrakten for high-indsats kræver udeladelse af temperature, topP, topK og maxTokens; Amazon dokumenterer, at nogle output med high-indsats kan overstige 65K tokens og nå 128K, frem for at definere 128K som en almindelig outputramme.
Nova 2 Lite understøtter funktionskald, streaming af svar og promptcaching i Amazons dokumenterede betjeningsprofil. Eksplicit caching kræver mindst 1K tokens pr. checkpoint og tillader op til fire checkpoints med fem minutters opbevaring. Producenten begrænser promptcaching til 20K tokens, primært til tekstprompts; denne cacheramme er forskellig fra det fulde kontekstvindue. Vedlæg klare værktøjsnavne, beskrivelser og argumentskemaer; modellen vælger et værktøj og anmoder om argumenter, mens applikationen udfører brugerdefinerede værktøjer og returnerer deres resultater. Amazon dokumenterer også valgfri indbygget Web Grounding til aktuel information med kildehenvisninger og en Python Code Interpreter til beregninger. Dette er konfigurerede værktøjer, ikke aktiviteter, der er underforstået i hvert svar. Amazon dokumenterer også superviseret finjustering og forstærkningsfinjustering til at tilpasse Nova 2 Lite til en specialiseret opgave; det er separate modeltilpasningsforløb. Til en talrapport adskiller et nyttigt oplæg kildetallene, den beregning, der skal udføres, og den forklaring, der skal returneres; værktøjsfejl skal forblive synlige i det returnerede resultat frem for at behandles som vellykkede observationer.
Den multimodale vejledning angiver PNG-, JPEG-, GIF- og WebP-billeder; for animeret GIF eller WebP bruges kun det første billede. Videoformater omfatter MP4, MOV, MKV, WebM, FLV, MPEG, MPG, WMV og 3GP. Dokumenter omfatter PDF, DOC/DOCX, TXT, CSV, XLS/XLSX, HTML og Markdown. Tekstbaserede formater læses primært som tekst, mens PDF og DOCX kan kombinere tekst og sidevisualiseringer. Producentens dokumentforløb tillader op til fem dokumenter og begrænser hvert tekstdokument til 4,5 MB. Profilen for indlejrede billeder tillader fem billeder og en payload på 25 MB; S3-billedinput tillader op til 1.000 billeder og 2 GB i alt. Videoinput tillader én fil: 25 MB indlejret eller 1 GB via S3. PDF- og DOCX-filer deler en samlet ramme på 25 MB ved direkte upload eller 2 GB via S3. PDF-filer med CMYK- eller SVG-billeder understøttes ikke. Disse filhåndteringsdetaljer tilhører producentens dokumenterede forløb; vedlæg det faktiske relevante indhold, og bevar side- eller afsnitsbetegnelser til nyttige referencer.
Videoforståelsen bruger visuelle billeder frem for lydsporet. For videoer på 16 minutter eller mindre beskriver vejledningen ét samplet billede pr. sekund; vejledningens tekst beskriver en reduceret samplingrate for længere klip for at bevare 960 billeder. Hurtige handlinger mellem billeder kan derfor overses. Foretræk et relevant klip og et udtrykkeligt spørgsmål om scener eller begivenheder; vedlæg en separat transskription, når talt information betyder noget. Lille eller flersproget tekst og præcise rumlige relationer kan også være vanskelige, så bevar læsbare etiketter og tilstrækkelig omgivende visuel kontekst. Producenten angiver også, at modellen ikke identificerer eller navngiver personer i billeder, dokumenter eller videoer.
Amazon dokumenterer understøttelse af over 200 sprog med optimering til engelsk, tysk, spansk, fransk, italiensk, japansk, koreansk, arabisk, forenklet kinesisk, russisk, hindi, portugisisk, nederlandsk, tyrkisk og hebraisk. Angiv det krævede outputsprog og terminologien, især når kilder bruger flere sprog. Til et dokumentforløb skal du angive spørgsmålene, belægsidentifikatorerne og den endelige struktur og derefter bede modellen skelne mellem angivne fakta og manglende information. Dens nyttige resultat er et kildeforankret svar eller et værktøjsinformeret slutprodukt frem for en antagelse om, at hver detalje i et stort input er opfanget.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser amazon/nova-2-lite-v1 | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser Minimumsantal elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser Eksempler: system, user, assistant, tool, function Betingelser: Disse roller er eksplicit repræsenteret i kildekodens kompatibilitetstyper; modellens præcise rollesæt er fortsat modelspecifikt. Afhænger af modellen | Standard— |
Feltmessages[].content | Typestring|content_part[]|null | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].tool_calls | Typetool_call[] | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].tool_call_id | Typestring | KravValgfrit | Værdier og grænser Gælder når: role=tool; brug det faktisk returnerede ID | Standard— |
Feltmessages[].name | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].reasoning_content | Typestring | KravValgfrit | Værdier og grænser Gælder når: Send det faktisk returnerede ræsonnement tilbage, når modellen bruger det | Standard— |
Feltmessages[].reasoning_details | Typeobject|array | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltmax_tokens | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 Afhænger af modellen | Standard— |
Feltmax_completion_tokens | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 Afhænger af modellen | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Feltstream_options.include_usage | Typeboolean | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttemperature | Typenumber | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttop_p | Typenumber | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltstop | Typestring|string[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttools | Typefunction_tool[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttools[].type | Typestring | KravValgfrit | Værdier og grænser function Afhænger af modellen | Standard— |
Felttools[].function.name | Typestring | KravPåkrævet | Værdier og grænser Gælder når: funktionsværktøj angivet | Standard— |
Felttools[].function.description | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Felttools[].function.parameters | TypeJSON_schema | KravValgfrit | Værdier og grænser | Standard— |
Felttool_choice | Typestring|object | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltparallel_tool_calls | Typeboolean | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltresponse_format | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltreasoning_effort | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltreasoning | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltservice_tier | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltinstructions | Typestring | KravValgfrit | Værdier og grænser Kompatibilitetsfelt | Standard— |
Feltfunctions | Typefunction[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltfunction_call | Typestring|object | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltprompt_cache_options | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltmodalities | Typestring[] | KravValgfrit | Værdier og grænser text | Standard— |
Feltprovider | Typeobject | KravValgfrit | Værdier og grænser Betingelser: provider.options afvises på denne Ultra-tekstrute | Standard— |
Feltcache_control.ttl | Typestring | KravValgfrit | Værdier og grænser Betingelser: 1h afvises på de faktiske placeringer for promptcaching | Standard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, messages |
Parametermaterial_types | Kontrakttext |
Parametermessages | Kontraktbeskedarray med strukturen role/content |
Parameterfile_material | Kontraktfaktisk UTF-8-dokument indsat som bogstavelig tekst; intet fil-ID udledes |
Parameteroptional_controls | Kontraktstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Kontraktmodelspecifikt; brugerens funktionsværktøjer er forskellige fra hostede værktøjer |
Parameteroutput_modalities | Kontrakttext |
Parameterhosted_operations | Kontraktfalse |
Parametermultimodal_input_binding | Kontraktnull |
Livscyklus: synchronous_or_streamed
Send det præcise model-ID med messages.
Kontekstlængde er ikke et outputloft.
En tekstfil kan levere bogstavelig tekst; billed-, lyd- og filobjektinput kræver en præcis binding.
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.
| Konfiguration | Takstplan | Konteksttokens, mere end | Konteksttokens, op til og med | Beløb |
|---|---|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Konteksttokens, mere end— | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0006 / 1K tokens Output · Outputtokens $0.005 / 1K tokens Input · Cachelæsning — / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0006 / 1K tokens Output · Outputtokens $0.005 / 1K tokens Input · Cachelæsning — / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "amazon/nova-2-lite-v1", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='amazon/nova-2-lite-v1',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='amazon/nova-2-lite-v1',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson eller SSE
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Bevar hvert valg og dets indhold, værktøjskald og ræsonnement. Saml i SSE deltaer efter valg-/værktøjsindeks, og bevar den endelige afslutningsårsag og forbrugsoplysningerne.
Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.
| Felt | Type |
|---|---|
Feltchoices[].index | Typeinteger |
Feltchoices[].message.content | Typestring|null |
Feltchoices[].message.tool_calls | Typetool_call[] |
Feltchoices[].message.reasoning_content | Typestring |
Feltchoices[].message.reasoning_details | Typeobject|array |
Feltchoices[].finish_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot Ultra amazon/nova-2-lite-v1
Brug metodestierne vist ovenfor.
amazon/nova-2-lite-v1Amazon Nova 2 Lite kombinerer tekst-, billed-, dokument- og videoforståelse med valgfri udvidet tænkning og værktøjsbrug. Konteksten på en million tokens understøtter dokumentforløb, kodning og agenter, der skal ræsonnere over flere trin.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Amazon Nova 2 Lite er Amazons model til multimodal forståelse i anden generation til dagligt virksomhedsarbejde og mere krævende agentopgaver. Den accepterer tekst, billeder og video, herunder dokumentindhold, og producerer tekst. Praktisk arbejde omfatter supportsvar forankret i vedlagt materiale, udtrækning af information fra rapporter, analyse af diagrammer eller skærmbilleder, kodegennemgang og opsummering af visuelle begivenheder. Det er en forståelsesmodel: videoinput analyseres frem for at blive regenereret, og det dokumenterede output er tekst frem for indbyggede billeder, video eller tale.
Producentens modelprofil angiver et kontekstvindue på 1 million tokens og et standardmaksimum for output på 64K tokens. Den dokumenterede vidensgrænse er oktober 2025. Denne større arbejdskontekst adskiller Nova 2 Lite fra vinduet på 300K i første generations Nova Lite. Brug pladsen til de faktiske kildedokumenter, relevant samtale, kode og instruktioner, og bed derefter om et afgrænset slutprodukt som en belægstabel, et ændringsforslag eller et resumé organiseret efter kilde. En lang kontekst gør ikke indlært viden til en database i realtid; information, der ændrer sig, bør komme fra vedlagt belæg, informationshentning eller et aktiveret kildeforankringsværktøj.
Udvidet tænkning er valgfri og deaktiveret som standard. Når den aktiveres, tilbyder producenten indsatsen low, medium og high: low til moderat kompleks analyse, medium til omfattende arbejde over flere trin og high til det dybeste ræsonnement. Enkel udtrækning og korte faktasvar kan bruge tænkning slået fra; vanskelig fejlfinding, matematisk ræsonnement og syntese på tværs af dokumenter kan have gavn af yderligere indsats. Ræsonnementsindhold returneres som [REDACTED], så det er ikke et læsbart trinvist spor. Kontrakten for high-indsats kræver udeladelse af temperature, topP, topK og maxTokens; Amazon dokumenterer, at nogle output med high-indsats kan overstige 65K tokens og nå 128K, frem for at definere 128K som en almindelig outputramme.
Nova 2 Lite understøtter funktionskald, streaming af svar og promptcaching i Amazons dokumenterede betjeningsprofil. Eksplicit caching kræver mindst 1K tokens pr. checkpoint og tillader op til fire checkpoints med fem minutters opbevaring. Producenten begrænser promptcaching til 20K tokens, primært til tekstprompts; denne cacheramme er forskellig fra det fulde kontekstvindue. Vedlæg klare værktøjsnavne, beskrivelser og argumentskemaer; modellen vælger et værktøj og anmoder om argumenter, mens applikationen udfører brugerdefinerede værktøjer og returnerer deres resultater. Amazon dokumenterer også valgfri indbygget Web Grounding til aktuel information med kildehenvisninger og en Python Code Interpreter til beregninger. Dette er konfigurerede værktøjer, ikke aktiviteter, der er underforstået i hvert svar. Amazon dokumenterer også superviseret finjustering og forstærkningsfinjustering til at tilpasse Nova 2 Lite til en specialiseret opgave; det er separate modeltilpasningsforløb. Til en talrapport adskiller et nyttigt oplæg kildetallene, den beregning, der skal udføres, og den forklaring, der skal returneres; værktøjsfejl skal forblive synlige i det returnerede resultat frem for at behandles som vellykkede observationer.
Den multimodale vejledning angiver PNG-, JPEG-, GIF- og WebP-billeder; for animeret GIF eller WebP bruges kun det første billede. Videoformater omfatter MP4, MOV, MKV, WebM, FLV, MPEG, MPG, WMV og 3GP. Dokumenter omfatter PDF, DOC/DOCX, TXT, CSV, XLS/XLSX, HTML og Markdown. Tekstbaserede formater læses primært som tekst, mens PDF og DOCX kan kombinere tekst og sidevisualiseringer. Producentens dokumentforløb tillader op til fem dokumenter og begrænser hvert tekstdokument til 4,5 MB. Profilen for indlejrede billeder tillader fem billeder og en payload på 25 MB; S3-billedinput tillader op til 1.000 billeder og 2 GB i alt. Videoinput tillader én fil: 25 MB indlejret eller 1 GB via S3. PDF- og DOCX-filer deler en samlet ramme på 25 MB ved direkte upload eller 2 GB via S3. PDF-filer med CMYK- eller SVG-billeder understøttes ikke. Disse filhåndteringsdetaljer tilhører producentens dokumenterede forløb; vedlæg det faktiske relevante indhold, og bevar side- eller afsnitsbetegnelser til nyttige referencer.
Videoforståelsen bruger visuelle billeder frem for lydsporet. For videoer på 16 minutter eller mindre beskriver vejledningen ét samplet billede pr. sekund; vejledningens tekst beskriver en reduceret samplingrate for længere klip for at bevare 960 billeder. Hurtige handlinger mellem billeder kan derfor overses. Foretræk et relevant klip og et udtrykkeligt spørgsmål om scener eller begivenheder; vedlæg en separat transskription, når talt information betyder noget. Lille eller flersproget tekst og præcise rumlige relationer kan også være vanskelige, så bevar læsbare etiketter og tilstrækkelig omgivende visuel kontekst. Producenten angiver også, at modellen ikke identificerer eller navngiver personer i billeder, dokumenter eller videoer.
Amazon dokumenterer understøttelse af over 200 sprog med optimering til engelsk, tysk, spansk, fransk, italiensk, japansk, koreansk, arabisk, forenklet kinesisk, russisk, hindi, portugisisk, nederlandsk, tyrkisk og hebraisk. Angiv det krævede outputsprog og terminologien, især når kilder bruger flere sprog. Til et dokumentforløb skal du angive spørgsmålene, belægsidentifikatorerne og den endelige struktur og derefter bede modellen skelne mellem angivne fakta og manglende information. Dens nyttige resultat er et kildeforankret svar eller et værktøjsinformeret slutprodukt frem for en antagelse om, at hver detalje i et stort input er opfanget.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser amazon/nova-2-lite-v1 | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser user, assistant | Standard— |
Feltmessages[].content | Typestring | KravPåkrævet | Værdier og grænser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrævet | Værdier og grænser | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Tekst · UTF-8-tekst
messages[].content som streng
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, messages, max_tokens |
Parameteroptional_controls | Kontraktstream |
Parametermaterial_types | Kontrakttext |
Parametertext_file_material | KontraktLæs det faktiske UTF-8-dokument, og indsæt teksten i det angivne input eller beskedens indholdsstreng. |
Livscyklus: synchronous_or_streamed
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.
| Konfiguration | Takstplan | Konteksttokens, mere end | Konteksttokens, op til og med | Beløb |
|---|---|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Konteksttokens, mere end— | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0006 / 1K tokens Output · Outputtokens $0.005 / 1K tokens Input · Cachelæsning — / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0006 / 1K tokens Output · Outputtokens $0.005 / 1K tokens Input · Cachelæsning — / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "amazon/nova-2-lite-v1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'amazon/nova-2-lite-v1', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'amazon/nova-2-lite-v1', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON eller SSE
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Bevar alle indholdsblokke, ræsonnementssignaturer og faktiske værktøjsbrugs-ID’er. Saml alle SSE-blokdeltaer; den første tekstblok er ikke hele outputtet.
Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltmodel | Typestring |
Feltcontent[] | Typetext|thinking|tool_use|other content block |
Feltstop_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot Ultra amazon/nova-2-lite-v1
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Draft a grounded support reply\n\nWrite a customer reply using only this help article: A replacement may be requested within 14 days of delivery for a damaged item; include the order number and a photo in the support ticket. Customer: My parcel arrived broken yesterday. Can you send another? Explain the next step without claiming a replacement has already been approved.A customer-ready reply of 60–90 words covering eligibility, required ticket information and the next action.Check that the reply requests the order number and photo without asserting that a ticket or replacement was created.