Magnum v4 72B er Anthracites prosafokuserede finjustering af Qwen2.5-72B-Instruct. Producenten beskriver den som den eksperimentelle instruct-baserede model, der indledte v4-familien. Den arbejder med skriftlige prompts og samtaler for at producere tekst med særlig opmærksomhed på fortællerstemme og figurinteraktion. Denne udgave er forskellig fra de andre størrelser i Magnum v4-serien.
Det offentliggjorte checkpoint bruger en kausal sprogmodelarkitektur og en konfiguration med 80 lag, 64 query-attentionhoveder og otte key/value-hoveder. Dets maksimale antal positioner er 32.768, og træningsopskriften bruger også en sekvenslængde på 32.768. Dette er selve Magnum-udgivelsens konfiguration; den arver ikke en større udvidet kontekstindstilling, blot fordi grundmodellen understøtter en.
Anthracites oprindelige prompt-eksempler bruger ChatML med separate system-, bruger- og assistenture. Systemdelen kan angive figurens beskrivelse, personlighed og scenarie, mens brugerturen leverer næste bidrag til udvekslingen. Producentens fortælleskabelon beder assistenten fastholde rollen og samtidig lade den udvikle sig, indføre begivenheder og bipersoner samt medtage dialog, handling og tanker, hvor det passer.
Samme skabelon overlader brugerens figur og valg til brugeren. Den fraråder også gentagende output og overdreven pyntet prosa, medmindre rollen kræver denne stil. En anmodning uden for rollen skifter svaret til neutral almindelig tekst. Dette er konkrete promptvalg til en interaktiv skriveopgave frem for separate automatiske modeltilstande.
Til en figurscene skal du forberede figurens mål, miljøet, relationen til den anden taler og den seneste udveksling. Bed om én fortsættelse med et klart stoppunkt, så brugeren har plads til at svare. Til en prosarevision skal du vedlægge et afsnit og angive ændringen i tone eller tempo og derefter bede om den reviderede passage med bevarelse af begivenheder og talerens hensigt. En opfølgning kan angive en ny figurbeslutning eller redaktionel note uden at erstatte den etablerede scene.
Producenten offentliggør en finjusteringsopskrift for alle parametre og en blanding af samtale- og skrivedata. Brug det færdige output som scene, dialogtur eller revisionsudkast, og gem en kompakt oversigt over de historiefakta, næste tur skal bevare. Skaberens fokus er prosa og fortællende interaktion; grundmodellens navn dokumenterer ikke i sig selv yderligere visuelle egenskaber, ræsonnementsindstillinger eller værktøjsudførelse for denne finjusterede udgave.
", "aboutText": "Magnum v4 72B er Anthracites prosafokuserede finjustering af Qwen2.5-72B-Instruct. Producenten beskriver den som den eksperimentelle instruct-baserede model, der indledte v4-familien. Den arbejder med skriftlige prompts og samtaler for at producere tekst med særlig opmærksomhed på fortællerstemme og figurinteraktion. Denne udgave er forskellig fra de andre størrelser i Magnum v4-serien.\n\nDet offentliggjorte checkpoint bruger en kausal sprogmodelarkitektur og en konfiguration med 80 lag, 64 query-attentionhoveder og otte key/value-hoveder. Dets maksimale antal positioner er 32.768, og træningsopskriften bruger også en sekvenslængde på 32.768. Dette er selve Magnum-udgivelsens konfiguration; den arver ikke en større udvidet kontekstindstilling, blot fordi grundmodellen understøtter en.\n\nAnthracites oprindelige prompt-eksempler bruger ChatML med separate system-, bruger- og assistenture. Systemdelen kan angive figurens beskrivelse, personlighed og scenarie, mens brugerturen leverer næste bidrag til udvekslingen. Producentens fortælleskabelon beder assistenten fastholde rollen og samtidig lade den udvikle sig, indføre begivenheder og bipersoner samt medtage dialog, handling og tanker, hvor det passer.\n\nSamme skabelon overlader brugerens figur og valg til brugeren. Den fraråder også gentagende output og overdreven pyntet prosa, medmindre rollen kræver denne stil. En anmodning uden for rollen skifter svaret til neutral almindelig tekst. Dette er konkrete promptvalg til en interaktiv skriveopgave frem for separate automatiske modeltilstande.\n\nTil en figurscene skal du forberede figurens mål, miljøet, relationen til den anden taler og den seneste udveksling. Bed om én fortsættelse med et klart stoppunkt, så brugeren har plads til at svare. Til en prosarevision skal du vedlægge et afsnit og angive ændringen i tone eller tempo og derefter bede om den reviderede passage med bevarelse af begivenheder og talerens hensigt. En opfølgning kan angive en ny figurbeslutning eller redaktionel note uden at erstatte den etablerede scene.\n\nProducenten offentliggør en finjusteringsopskrift for alle parametre og en blanding af samtale- og skrivedata. Brug det færdige output som scene, dialogtur eller revisionsudkast, og gem en kompakt oversigt over de historiefakta, næste tur skal bevare. Skaberens fokus er prosa og fortællende interaktion; grundmodellens navn dokumenterer ikke i sig selv yderligere visuelle egenskaber, ræsonnementsindstillinger eller værktøjsudførelse for denne finjusterede udgave.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
A restrained character voice\n\nPlay archivist Nera in a quiet fantasy scene. She values precision and hides concern behind dry humour. I control her former apprentice, who asks to borrow a forbidden map. Write Nera's next two replies with a small physical action between them; end with a question and leave my character's reactions to me.Two replies in Nera's voice and a brief action beat, ending at a point where the player can respond.The replies retain dry humour and do not invent the apprentice's answer or actions.anthracite-org/magnum-v4-72bAnthracites Magnum v4 72B er en Qwen2.5-baseret tekstmodel tilpasset udtryksfuld prosa og samtaler mellem figurer. Dens offentliggjorte ChatML-skabeloner guider fortællende udvekslinger, dialog og svar uden for rollen med en konfiguration på 32.768 positioner.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Magnum v4 72B er Anthracites prosafokuserede finjustering af Qwen2.5-72B-Instruct. Producenten beskriver den som den eksperimentelle instruct-baserede model, der indledte v4-familien. Den arbejder med skriftlige prompts og samtaler for at producere tekst med særlig opmærksomhed på fortællerstemme og figurinteraktion. Denne udgave er forskellig fra de andre størrelser i Magnum v4-serien.
Det offentliggjorte checkpoint bruger en kausal sprogmodelarkitektur og en konfiguration med 80 lag, 64 query-attentionhoveder og otte key/value-hoveder. Dets maksimale antal positioner er 32.768, og træningsopskriften bruger også en sekvenslængde på 32.768. Dette er selve Magnum-udgivelsens konfiguration; den arver ikke en større udvidet kontekstindstilling, blot fordi grundmodellen understøtter en.
Anthracites oprindelige prompt-eksempler bruger ChatML med separate system-, bruger- og assistenture. Systemdelen kan angive figurens beskrivelse, personlighed og scenarie, mens brugerturen leverer næste bidrag til udvekslingen. Producentens fortælleskabelon beder assistenten fastholde rollen og samtidig lade den udvikle sig, indføre begivenheder og bipersoner samt medtage dialog, handling og tanker, hvor det passer.
Samme skabelon overlader brugerens figur og valg til brugeren. Den fraråder også gentagende output og overdreven pyntet prosa, medmindre rollen kræver denne stil. En anmodning uden for rollen skifter svaret til neutral almindelig tekst. Dette er konkrete promptvalg til en interaktiv skriveopgave frem for separate automatiske modeltilstande.
Til en figurscene skal du forberede figurens mål, miljøet, relationen til den anden taler og den seneste udveksling. Bed om én fortsættelse med et klart stoppunkt, så brugeren har plads til at svare. Til en prosarevision skal du vedlægge et afsnit og angive ændringen i tone eller tempo og derefter bede om den reviderede passage med bevarelse af begivenheder og talerens hensigt. En opfølgning kan angive en ny figurbeslutning eller redaktionel note uden at erstatte den etablerede scene.
Producenten offentliggør en finjusteringsopskrift for alle parametre og en blanding af samtale- og skrivedata. Brug det færdige output som scene, dialogtur eller revisionsudkast, og gem en kompakt oversigt over de historiefakta, næste tur skal bevare. Skaberens fokus er prosa og fortællende interaktion; grundmodellens navn dokumenterer ikke i sig selv yderligere visuelle egenskaber, ræsonnementsindstillinger eller værktøjsudførelse for denne finjusterede udgave.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser anthracite-org/magnum-v4-72b | 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 $0.01 / 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 $0.005 / 1K tokens Output · Outputtokens $0.01 / 1K tokens Input · Cachelæsning — / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "anthracite-org/magnum-v4-72b", "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='anthracite-org/magnum-v4-72b',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='anthracite-org/magnum-v4-72b',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 anthracite-org/magnum-v4-72b
Brug metodestierne vist ovenfor.
anthracite-org/magnum-v4-72bAnthracites Magnum v4 72B er en Qwen2.5-baseret tekstmodel tilpasset udtryksfuld prosa og samtaler mellem figurer. Dens offentliggjorte ChatML-skabeloner guider fortællende udvekslinger, dialog og svar uden for rollen med en konfiguration på 32.768 positioner.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Magnum v4 72B er Anthracites prosafokuserede finjustering af Qwen2.5-72B-Instruct. Producenten beskriver den som den eksperimentelle instruct-baserede model, der indledte v4-familien. Den arbejder med skriftlige prompts og samtaler for at producere tekst med særlig opmærksomhed på fortællerstemme og figurinteraktion. Denne udgave er forskellig fra de andre størrelser i Magnum v4-serien.
Det offentliggjorte checkpoint bruger en kausal sprogmodelarkitektur og en konfiguration med 80 lag, 64 query-attentionhoveder og otte key/value-hoveder. Dets maksimale antal positioner er 32.768, og træningsopskriften bruger også en sekvenslængde på 32.768. Dette er selve Magnum-udgivelsens konfiguration; den arver ikke en større udvidet kontekstindstilling, blot fordi grundmodellen understøtter en.
Anthracites oprindelige prompt-eksempler bruger ChatML med separate system-, bruger- og assistenture. Systemdelen kan angive figurens beskrivelse, personlighed og scenarie, mens brugerturen leverer næste bidrag til udvekslingen. Producentens fortælleskabelon beder assistenten fastholde rollen og samtidig lade den udvikle sig, indføre begivenheder og bipersoner samt medtage dialog, handling og tanker, hvor det passer.
Samme skabelon overlader brugerens figur og valg til brugeren. Den fraråder også gentagende output og overdreven pyntet prosa, medmindre rollen kræver denne stil. En anmodning uden for rollen skifter svaret til neutral almindelig tekst. Dette er konkrete promptvalg til en interaktiv skriveopgave frem for separate automatiske modeltilstande.
Til en figurscene skal du forberede figurens mål, miljøet, relationen til den anden taler og den seneste udveksling. Bed om én fortsættelse med et klart stoppunkt, så brugeren har plads til at svare. Til en prosarevision skal du vedlægge et afsnit og angive ændringen i tone eller tempo og derefter bede om den reviderede passage med bevarelse af begivenheder og talerens hensigt. En opfølgning kan angive en ny figurbeslutning eller redaktionel note uden at erstatte den etablerede scene.
Producenten offentliggør en finjusteringsopskrift for alle parametre og en blanding af samtale- og skrivedata. Brug det færdige output som scene, dialogtur eller revisionsudkast, og gem en kompakt oversigt over de historiefakta, næste tur skal bevare. Skaberens fokus er prosa og fortællende interaktion; grundmodellens navn dokumenterer ikke i sig selv yderligere visuelle egenskaber, ræsonnementsindstillinger eller værktøjsudførelse for denne finjusterede udgave.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser anthracite-org/magnum-v4-72b | 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 $0.01 / 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 $0.005 / 1K tokens Output · Outputtokens $0.01 / 1K tokens Input · Cachelæsning — / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "anthracite-org/magnum-v4-72b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'anthracite-org/magnum-v4-72b', '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': 'anthracite-org/magnum-v4-72b', '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 anthracite-org/magnum-v4-72b
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
A restrained character voice\n\nPlay archivist Nera in a quiet fantasy scene. She values precision and hides concern behind dry humour. I control her former apprentice, who asks to borrow a forbidden map. Write Nera's next two replies with a small physical action between them; end with a question and leave my character's reactions to me.Two replies in Nera's voice and a brief action beat, ending at a point where the player can respond.The replies retain dry humour and do not invent the apprentice's answer or actions.