Amazon Nova Premier er den mest kapable forståelsesmodel i Amazons første Nova-generation, designet til komplekst arbejde, der kræver dyb forståelse, kontekst og planlægning over flere trin. Den behandler tekst, billeder og video og producerer tekst. Dens rolle omfatter ræsonnement over lange rapporter, sammenligning af belæg på tværs af dokumenter, forståelse af diagrammer og visuelt materiale samt koordinering af agentopgaver. Premier er adskilt fra de lettere Micro-, Lite- og Pro-modeller og fra Nova-modeller, der genererer billeder, video eller samtaletale.
Producentens præcise modelprofil angiver et kontekstvindue på 1 million tokens og maksimalt output på 25K tokens. Den dokumenterede vidensgrænse er oktober 2024. Det gør Premier nyttig, når en opgave kræver et stort referencemateriale sammen med instruktioner og samtale. Organisér materialet med dokumentnavne, afsnitsmarkører og et specifikt spørgsmål frem for at bede om en retningsløs analyse af alt. Et nyttigt resultat kan være en sammenligningsmatrix, en rapport baseret på belæg eller en foreslået rækkefølge af handlinger. Kontekstrammen dækker det materiale, modellen arbejder med; den er ikke et løfte om, at hver detalje vil optræde i det endelige svar.
Premiers dokumenterede multimodale forløb håndterer PNG-, JPG/JPEG-, GIF- og WebP-billeder og almindelige videobeholdere som MP4, MOV, MKV og WebM. Dokumentforløbet omfatter PDF, DOC/DOCX, CSV, XLS/XLSX, HTML, TXT og Markdown. Tekstorienterede filer leverer tekst; PDF og DOCX kan levere sidetekst med visuel information. Til en rapport med diagrammer skal etiketter forblive læsbare, og modellen skal bedes beskrive relevante observationer, før den fortolker dem. Hvis kun prosaen behøves, undgår udtrukket tekst at gøre visuel udtrækning til en forudsætning for dokumentforståelse. Indlejrede medier deler en payloadramme på 25 MB inklusive base64-overhead. En anmodning indeholder én video, begrænset til 1 GB via S3; samlede S3-medier kan udgøre 2 GB. PDF- og DOCX-input er fortsat begrænset til fem dokumenter med en samlet ramme på 25 MB ved direkte upload eller 2 GB via S3.
Videoforståelsen er baseret på samplede visuelle billeder. Vejledningen til første generation giver specifikt Premier en samplingrate på ét billede pr. sekund op til 3.200 billeder, en anden ramme end strategien med 960 billeder i Nova Lite og Pro. Det er nyttigt til sceneresuméer og spørgsmål om begivenheder over tid, mens korte handlinger mellem samplede billeder kan undgå observation. Vedlæg et relevant klip eller tidsinterval, og angiv de detaljer, der skal følges. Til et langt forløb kan segmenteret analyse efterfulgt af et tekstresumé bevare fokus, selv om opdeling kan miste kontekst over segmentgrænser. De dokumenterede modelmodaliteter omfatter ikke lydinput, så talt information bør vedlægges som tekst.
Premier understøtter streaming af svar, værktøjsorienterede forløb og forløb med supplerende informationshentning samt 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. Giv en agent opgaven, de tilladte værktøjer og beskrivelser af deres argumenter, og lad derefter applikationen udføre de ønskede handlinger og returnere observationer før næste modeltrin. Modellens ræsonnementsrolle indebærer ikke, at den kan køre et eksternt system uden dette udførelseslag. Vejledningen til første generation understøtter forklaring af en løsning i etaper gennem prompts; Nova 2 Lites separate low-, medium- og high-indstillinger til udvidet tænkning er ikke del af denne udgaves dokumenterede grænseflade. Til en rapport eller et værktøjsresultat skal du bede om udtrykkelige felter og eksempler på den ønskede struktur; en ønsket JSON-form er forskellig fra håndhævet struktureret output.
En særlig Premier-rolle er at lære mindre Nova-modeller gennem destillation. Amazon beskriver brugen af Premiers svar som træningseksempler til specialiserede Nova Micro-, Lite- og Pro-varianter og derefter sammenligning af den mindre models adfærd på målopgaven. Det er et modeltilpasningsforløb frem for en ændring i identiteten af et normalt Premier-svar. Ved almindelig brug skal du vedlægge autoritative fakta og kræve, at svaret adskiller observationer, antagelser og manglende belæg. Nova kan generere plausible påstande, der modsiger en kilde, og genereret kode omfatter ikke automatisk sikkerhedsscanning, så det nyttige slutprodukt bør indeholde nok belæg og detaljer til at blive kontrolleret mod sine input. Producenten angiver også, at modellen ikke identificerer eller navngiver personer i billeder, dokumenter eller videoer.
", "aboutText": "Amazon Nova Premier er den mest kapable forståelsesmodel i Amazons første Nova-generation, designet til komplekst arbejde, der kræver dyb forståelse, kontekst og planlægning over flere trin. Den behandler tekst, billeder og video og producerer tekst. Dens rolle omfatter ræsonnement over lange rapporter, sammenligning af belæg på tværs af dokumenter, forståelse af diagrammer og visuelt materiale samt koordinering af agentopgaver. Premier er adskilt fra de lettere Micro-, Lite- og Pro-modeller og fra Nova-modeller, der genererer billeder, video eller samtaletale.\n\nProducentens præcise modelprofil angiver et kontekstvindue på 1 million tokens og maksimalt output på 25K tokens. Den dokumenterede vidensgrænse er oktober 2024. Det gør Premier nyttig, når en opgave kræver et stort referencemateriale sammen med instruktioner og samtale. Organisér materialet med dokumentnavne, afsnitsmarkører og et specifikt spørgsmål frem for at bede om en retningsløs analyse af alt. Et nyttigt resultat kan være en sammenligningsmatrix, en rapport baseret på belæg eller en foreslået rækkefølge af handlinger. Kontekstrammen dækker det materiale, modellen arbejder med; den er ikke et løfte om, at hver detalje vil optræde i det endelige svar.\n\nPremiers dokumenterede multimodale forløb håndterer PNG-, JPG/JPEG-, GIF- og WebP-billeder og almindelige videobeholdere som MP4, MOV, MKV og WebM. Dokumentforløbet omfatter PDF, DOC/DOCX, CSV, XLS/XLSX, HTML, TXT og Markdown. Tekstorienterede filer leverer tekst; PDF og DOCX kan levere sidetekst med visuel information. Til en rapport med diagrammer skal etiketter forblive læsbare, og modellen skal bedes beskrive relevante observationer, før den fortolker dem. Hvis kun prosaen behøves, undgår udtrukket tekst at gøre visuel udtrækning til en forudsætning for dokumentforståelse. Indlejrede medier deler en payloadramme på 25 MB inklusive base64-overhead. En anmodning indeholder én video, begrænset til 1 GB via S3; samlede S3-medier kan udgøre 2 GB. PDF- og DOCX-input er fortsat begrænset til fem dokumenter med en samlet ramme på 25 MB ved direkte upload eller 2 GB via S3.\n\nVideoforståelsen er baseret på samplede visuelle billeder. Vejledningen til første generation giver specifikt Premier en samplingrate på ét billede pr. sekund op til 3.200 billeder, en anden ramme end strategien med 960 billeder i Nova Lite og Pro. Det er nyttigt til sceneresuméer og spørgsmål om begivenheder over tid, mens korte handlinger mellem samplede billeder kan undgå observation. Vedlæg et relevant klip eller tidsinterval, og angiv de detaljer, der skal følges. Til et langt forløb kan segmenteret analyse efterfulgt af et tekstresumé bevare fokus, selv om opdeling kan miste kontekst over segmentgrænser. De dokumenterede modelmodaliteter omfatter ikke lydinput, så talt information bør vedlægges som tekst.\n\nPremier understøtter streaming af svar, værktøjsorienterede forløb og forløb med supplerende informationshentning samt 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. Giv en agent opgaven, de tilladte værktøjer og beskrivelser af deres argumenter, og lad derefter applikationen udføre de ønskede handlinger og returnere observationer før næste modeltrin. Modellens ræsonnementsrolle indebærer ikke, at den kan køre et eksternt system uden dette udførelseslag. Vejledningen til første generation understøtter forklaring af en løsning i etaper gennem prompts; Nova 2 Lites separate low-, medium- og high-indstillinger til udvidet tænkning er ikke del af denne udgaves dokumenterede grænseflade. Til en rapport eller et værktøjsresultat skal du bede om udtrykkelige felter og eksempler på den ønskede struktur; en ønsket JSON-form er forskellig fra håndhævet struktureret output.\n\nEn særlig Premier-rolle er at lære mindre Nova-modeller gennem destillation. Amazon beskriver brugen af Premiers svar som træningseksempler til specialiserede Nova Micro-, Lite- og Pro-varianter og derefter sammenligning af den mindre models adfærd på målopgaven. Det er et modeltilpasningsforløb frem for en ændring i identiteten af et normalt Premier-svar. Ved almindelig brug skal du vedlægge autoritative fakta og kræve, at svaret adskiller observationer, antagelser og manglende belæg. Nova kan generere plausible påstande, der modsiger en kilde, og genereret kode omfatter ikke automatisk sikkerhedsscanning, så det nyttige slutprodukt bør indeholde nok belæg og detaljer til at blive kontrolleret mod sine input. Producenten angiver også, at modellen ikke identificerer eller navngiver personer i billeder, dokumenter eller videoer.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Compare two rollout proposals\n\nCompare these rollout notes for a support team. Plan A: train all 40 agents on Monday, migrate Tuesday, no rollback rehearsal. Plan B: train 10 agents, pilot for two days, rehearse rollback, then migrate the rest. Prepare a decision memo with evidence, trade-offs and one question the notes cannot answer.A short recommendation, a two-plan comparison table and one explicitly unanswered question.Check every stated advantage against the notes; do not invent costs, outage rates or pilot results.amazon/nova-premier-v1Amazon Nova Premier er Nova-modellen i første generation til komplekst multimodalt ræsonnement, analyse af lange dokumenter og agenter. Den accepterer tekst, billeder og video, returnerer tekst og fungerer også som lærer ved destillation af specialiserede Nova-modeller.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Amazon Nova Premier er den mest kapable forståelsesmodel i Amazons første Nova-generation, designet til komplekst arbejde, der kræver dyb forståelse, kontekst og planlægning over flere trin. Den behandler tekst, billeder og video og producerer tekst. Dens rolle omfatter ræsonnement over lange rapporter, sammenligning af belæg på tværs af dokumenter, forståelse af diagrammer og visuelt materiale samt koordinering af agentopgaver. Premier er adskilt fra de lettere Micro-, Lite- og Pro-modeller og fra Nova-modeller, der genererer billeder, video eller samtaletale.
Producentens præcise modelprofil angiver et kontekstvindue på 1 million tokens og maksimalt output på 25K tokens. Den dokumenterede vidensgrænse er oktober 2024. Det gør Premier nyttig, når en opgave kræver et stort referencemateriale sammen med instruktioner og samtale. Organisér materialet med dokumentnavne, afsnitsmarkører og et specifikt spørgsmål frem for at bede om en retningsløs analyse af alt. Et nyttigt resultat kan være en sammenligningsmatrix, en rapport baseret på belæg eller en foreslået rækkefølge af handlinger. Kontekstrammen dækker det materiale, modellen arbejder med; den er ikke et løfte om, at hver detalje vil optræde i det endelige svar.
Premiers dokumenterede multimodale forløb håndterer PNG-, JPG/JPEG-, GIF- og WebP-billeder og almindelige videobeholdere som MP4, MOV, MKV og WebM. Dokumentforløbet omfatter PDF, DOC/DOCX, CSV, XLS/XLSX, HTML, TXT og Markdown. Tekstorienterede filer leverer tekst; PDF og DOCX kan levere sidetekst med visuel information. Til en rapport med diagrammer skal etiketter forblive læsbare, og modellen skal bedes beskrive relevante observationer, før den fortolker dem. Hvis kun prosaen behøves, undgår udtrukket tekst at gøre visuel udtrækning til en forudsætning for dokumentforståelse. Indlejrede medier deler en payloadramme på 25 MB inklusive base64-overhead. En anmodning indeholder én video, begrænset til 1 GB via S3; samlede S3-medier kan udgøre 2 GB. PDF- og DOCX-input er fortsat begrænset til fem dokumenter med en samlet ramme på 25 MB ved direkte upload eller 2 GB via S3.
Videoforståelsen er baseret på samplede visuelle billeder. Vejledningen til første generation giver specifikt Premier en samplingrate på ét billede pr. sekund op til 3.200 billeder, en anden ramme end strategien med 960 billeder i Nova Lite og Pro. Det er nyttigt til sceneresuméer og spørgsmål om begivenheder over tid, mens korte handlinger mellem samplede billeder kan undgå observation. Vedlæg et relevant klip eller tidsinterval, og angiv de detaljer, der skal følges. Til et langt forløb kan segmenteret analyse efterfulgt af et tekstresumé bevare fokus, selv om opdeling kan miste kontekst over segmentgrænser. De dokumenterede modelmodaliteter omfatter ikke lydinput, så talt information bør vedlægges som tekst.
Premier understøtter streaming af svar, værktøjsorienterede forløb og forløb med supplerende informationshentning samt 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. Giv en agent opgaven, de tilladte værktøjer og beskrivelser af deres argumenter, og lad derefter applikationen udføre de ønskede handlinger og returnere observationer før næste modeltrin. Modellens ræsonnementsrolle indebærer ikke, at den kan køre et eksternt system uden dette udførelseslag. Vejledningen til første generation understøtter forklaring af en løsning i etaper gennem prompts; Nova 2 Lites separate low-, medium- og high-indstillinger til udvidet tænkning er ikke del af denne udgaves dokumenterede grænseflade. Til en rapport eller et værktøjsresultat skal du bede om udtrykkelige felter og eksempler på den ønskede struktur; en ønsket JSON-form er forskellig fra håndhævet struktureret output.
En særlig Premier-rolle er at lære mindre Nova-modeller gennem destillation. Amazon beskriver brugen af Premiers svar som træningseksempler til specialiserede Nova Micro-, Lite- og Pro-varianter og derefter sammenligning af den mindre models adfærd på målopgaven. Det er et modeltilpasningsforløb frem for en ændring i identiteten af et normalt Premier-svar. Ved almindelig brug skal du vedlægge autoritative fakta og kræve, at svaret adskiller observationer, antagelser og manglende belæg. Nova kan generere plausible påstande, der modsiger en kilde, og genereret kode omfatter ikke automatisk sikkerhedsscanning, så det nyttige slutprodukt bør indeholde nok belæg og detaljer til at blive kontrolleret mod sine input. Producenten angiver også, at modellen ikke identificerer eller navngiver personer i billeder, dokumenter eller videoer.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser amazon/nova-premier-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 $0.005 / 1K tokens Output · Outputtokens $0.025 / 1K tokens Input · Cachelæsning $0.00125 / 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 $0.005 / 1K tokens Output · Outputtokens $0.025 / 1K tokens Input · Cachelæsning $0.00125 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "amazon/nova-premier-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-premier-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-premier-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-premier-v1
Brug metodestierne vist ovenfor.
amazon/nova-premier-v1Amazon Nova Premier er Nova-modellen i første generation til komplekst multimodalt ræsonnement, analyse af lange dokumenter og agenter. Den accepterer tekst, billeder og video, returnerer tekst og fungerer også som lærer ved destillation af specialiserede Nova-modeller.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Amazon Nova Premier er den mest kapable forståelsesmodel i Amazons første Nova-generation, designet til komplekst arbejde, der kræver dyb forståelse, kontekst og planlægning over flere trin. Den behandler tekst, billeder og video og producerer tekst. Dens rolle omfatter ræsonnement over lange rapporter, sammenligning af belæg på tværs af dokumenter, forståelse af diagrammer og visuelt materiale samt koordinering af agentopgaver. Premier er adskilt fra de lettere Micro-, Lite- og Pro-modeller og fra Nova-modeller, der genererer billeder, video eller samtaletale.
Producentens præcise modelprofil angiver et kontekstvindue på 1 million tokens og maksimalt output på 25K tokens. Den dokumenterede vidensgrænse er oktober 2024. Det gør Premier nyttig, når en opgave kræver et stort referencemateriale sammen med instruktioner og samtale. Organisér materialet med dokumentnavne, afsnitsmarkører og et specifikt spørgsmål frem for at bede om en retningsløs analyse af alt. Et nyttigt resultat kan være en sammenligningsmatrix, en rapport baseret på belæg eller en foreslået rækkefølge af handlinger. Kontekstrammen dækker det materiale, modellen arbejder med; den er ikke et løfte om, at hver detalje vil optræde i det endelige svar.
Premiers dokumenterede multimodale forløb håndterer PNG-, JPG/JPEG-, GIF- og WebP-billeder og almindelige videobeholdere som MP4, MOV, MKV og WebM. Dokumentforløbet omfatter PDF, DOC/DOCX, CSV, XLS/XLSX, HTML, TXT og Markdown. Tekstorienterede filer leverer tekst; PDF og DOCX kan levere sidetekst med visuel information. Til en rapport med diagrammer skal etiketter forblive læsbare, og modellen skal bedes beskrive relevante observationer, før den fortolker dem. Hvis kun prosaen behøves, undgår udtrukket tekst at gøre visuel udtrækning til en forudsætning for dokumentforståelse. Indlejrede medier deler en payloadramme på 25 MB inklusive base64-overhead. En anmodning indeholder én video, begrænset til 1 GB via S3; samlede S3-medier kan udgøre 2 GB. PDF- og DOCX-input er fortsat begrænset til fem dokumenter med en samlet ramme på 25 MB ved direkte upload eller 2 GB via S3.
Videoforståelsen er baseret på samplede visuelle billeder. Vejledningen til første generation giver specifikt Premier en samplingrate på ét billede pr. sekund op til 3.200 billeder, en anden ramme end strategien med 960 billeder i Nova Lite og Pro. Det er nyttigt til sceneresuméer og spørgsmål om begivenheder over tid, mens korte handlinger mellem samplede billeder kan undgå observation. Vedlæg et relevant klip eller tidsinterval, og angiv de detaljer, der skal følges. Til et langt forløb kan segmenteret analyse efterfulgt af et tekstresumé bevare fokus, selv om opdeling kan miste kontekst over segmentgrænser. De dokumenterede modelmodaliteter omfatter ikke lydinput, så talt information bør vedlægges som tekst.
Premier understøtter streaming af svar, værktøjsorienterede forløb og forløb med supplerende informationshentning samt 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. Giv en agent opgaven, de tilladte værktøjer og beskrivelser af deres argumenter, og lad derefter applikationen udføre de ønskede handlinger og returnere observationer før næste modeltrin. Modellens ræsonnementsrolle indebærer ikke, at den kan køre et eksternt system uden dette udførelseslag. Vejledningen til første generation understøtter forklaring af en løsning i etaper gennem prompts; Nova 2 Lites separate low-, medium- og high-indstillinger til udvidet tænkning er ikke del af denne udgaves dokumenterede grænseflade. Til en rapport eller et værktøjsresultat skal du bede om udtrykkelige felter og eksempler på den ønskede struktur; en ønsket JSON-form er forskellig fra håndhævet struktureret output.
En særlig Premier-rolle er at lære mindre Nova-modeller gennem destillation. Amazon beskriver brugen af Premiers svar som træningseksempler til specialiserede Nova Micro-, Lite- og Pro-varianter og derefter sammenligning af den mindre models adfærd på målopgaven. Det er et modeltilpasningsforløb frem for en ændring i identiteten af et normalt Premier-svar. Ved almindelig brug skal du vedlægge autoritative fakta og kræve, at svaret adskiller observationer, antagelser og manglende belæg. Nova kan generere plausible påstande, der modsiger en kilde, og genereret kode omfatter ikke automatisk sikkerhedsscanning, så det nyttige slutprodukt bør indeholde nok belæg og detaljer til at blive kontrolleret mod sine input. Producenten angiver også, at modellen ikke identificerer eller navngiver personer i billeder, dokumenter eller videoer.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser amazon/nova-premier-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 $0.005 / 1K tokens Output · Outputtokens $0.025 / 1K tokens Input · Cachelæsning $0.00125 / 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 $0.005 / 1K tokens Output · Outputtokens $0.025 / 1K tokens Input · Cachelæsning $0.00125 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "amazon/nova-premier-v1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-premier-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-premier-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-premier-v1
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Compare two rollout proposals\n\nCompare these rollout notes for a support team. Plan A: train all 40 agents on Monday, migrate Tuesday, no rollback rehearsal. Plan B: train 10 agents, pilot for two days, rehearse rollback, then migrate the rest. Prepare a decision memo with evidence, trade-offs and one question the notes cannot answer.A short recommendation, a two-plan comparison table and one explicitly unanswered question.Check every stated advantage against the notes; do not invent costs, outage rates or pilot results.