Trinity-Large-Thinking er den ræsonnementsoptimerede udgivelse i Arcee AI’s Trinity Large-familie. Den er bygget til agenter, der planlægger over flere trin, kalder værktøjer og fastholder en sammenhængende opgave gennem en lang samtale, samtidig med at generelle tekstgenereringsevner bevares. Modellen accepterer tekst og genererer tekst, herunder eksplicit ræsonnement og værktøjsanmodninger. Dens træning udvider Trinity-Large-Base med instruktionstilpasning og forstærkningslæring på ræsonnementskæder, værktøjskaldsforløb og agentopgaver med flere trin.
Modelkortet beskriver en sparsom mixture-of-experts-arkitektur med cirka 398 milliarder parametre i alt og 13 milliarder aktive parametre pr. token. Det angiver 256 eksperter, én delt ekspert, fire aktive eksperter og et kontekstvindue på 512K efter udvidelse fra en fortræningskontekst på 8.192 tokens. Dette er producentens modelegenskaber frem for en forudsigelse af svarhastighed. Thinking-checkpointet er forskelligt fra det let eftertrænede, chatklare Trinity-Large-Preview, som ikke leverer reasoning_content, og fra fortræningscheckpointene Base og TrueBase.
Eksplicit tænkning vises i <think>...</think>-blokke før det endelige svar. I det dokumenterede strukturerede svar indeholder reasoning_content dette ræsonnement separat fra content og tool_calls. Bevarelse af hele assistentturen er en væsentlig del af modellens anvendelse: send ræsonnementet tilbage sammen med svaret og eventuelle værktøjskald før næste trin. Dens chatskabelon gendanner tænkeblokkene, når næste input konstrueres. Hvis historikken skal forkortes, anbefaler Arcee at fjerne ældre ture som helheder frem for at fjerne tænkning fra nyere ture.
Producentens mønster for agentløkken starter med brugeropgaven og værktøjsdefinitionerne, modtager ræsonnement, et svar eller værktøjsanmodninger, udfører de ønskede værktøjer uden for modellen og tilføjer assistentturen samt de faktiske værktøjsresultater, før forløbet fortsætter. Det fortsætter, indtil et endeligt svar returneres uden værktøjskald. For assistenture, der indeholder værktøjskald, men ingen svartekst, kræver vejledningen, at content er en tom streng frem for null. Ræsonnementsfeltet skal også svare til den betjenende grænseflade: Arcees vejledning skelner mellem reasoning_content og integrationer, der forventer reasoning.
Det gør modellen nyttig til et supportforløb, der først slår en post op, anvender den angivne politik og derefter anmoder om den passende næste handling, eller en kodeagent, der efterser filer, foreslår en ændring og fortolker et udførelsesresultat. Giv den det faktiske mål, værktøjsnavne, argumentskemaer, begrænsninger og en betingelse for færdiggørelse. Et eksempeloplæg kan bede den lokalisere en fejl, forklare belægget og foreslå en minimal rettelse, mens observerede værktøjsresultater holdes adskilt fra handlinger, der stadig kun er planlagt. Værktøjskald er anmodninger til et udførelseslag, ikke bevis for, at modellen allerede har ændret en fil eller udført en ekstern handling.
Kortet anbefaler temperature 0.45–0.6, top_p 0.95 og top_k 50 til inferens. Dette er anbefalede indstillinger, ikke faste outputgrænser. Den væsentlige fejltilstand i producentens vejledning er fejlformet værktøjsbrug over flere trin, når en forudgående tur mister ræsonnement eller har en ugyldig beskedform: værktøjskaldsmarkering kan dukke op inde i ræsonnementsfeltet frem for i det strukturerede værktøjskaldsoutput. Bevar hele turen, behold svarindhold forskelligt fra null, og behandl det endelige slutprodukt separat fra den gemte ræsonnementshistorik. Denne udgave passer især til forløb, hvor kontinuitet mellem observationer, ræsonnement og efterfølgende handlinger betyder noget.
", "aboutText": "Trinity-Large-Thinking er den ræsonnementsoptimerede udgivelse i Arcee AI’s Trinity Large-familie. Den er bygget til agenter, der planlægger over flere trin, kalder værktøjer og fastholder en sammenhængende opgave gennem en lang samtale, samtidig med at generelle tekstgenereringsevner bevares. Modellen accepterer tekst og genererer tekst, herunder eksplicit ræsonnement og værktøjsanmodninger. Dens træning udvider Trinity-Large-Base med instruktionstilpasning og forstærkningslæring på ræsonnementskæder, værktøjskaldsforløb og agentopgaver med flere trin.\n\nModelkortet beskriver en sparsom mixture-of-experts-arkitektur med cirka 398 milliarder parametre i alt og 13 milliarder aktive parametre pr. token. Det angiver 256 eksperter, én delt ekspert, fire aktive eksperter og et kontekstvindue på 512K efter udvidelse fra en fortræningskontekst på 8.192 tokens. Dette er producentens modelegenskaber frem for en forudsigelse af svarhastighed. Thinking-checkpointet er forskelligt fra det let eftertrænede, chatklare Trinity-Large-Preview, som ikke leverer reasoning_content, og fra fortræningscheckpointene Base og TrueBase.\n\nEksplicit tænkning vises iTeknisk eksempel på engelsk
Apply a support policy to a record\n\nUse this supplied lookup result: order C17 arrived 12 days ago, packaging intact, customer requests a return. Policy: unopened items may be returned within 14 days; opened items need review. Decide the next support step and draft a request for the one missing fact. Do not claim any external action occurred.A policy-based decision, the missing fact and a customer-facing clarification message.Check that unopened status remains unknown and that no return is described as already created.arcee-ai/trinity-large-thinkingTrinity-Large-Thinking er Arcee AI’s ræsonnementsmodel til agenter med flere trin og værktøjskald. Den genererer eksplicit tænkning før svaret og kræver, at dette ræsonnement bevares på tværs af samtaleture og værktøjsstyrede forløb.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Trinity-Large-Thinking er den ræsonnementsoptimerede udgivelse i Arcee AI’s Trinity Large-familie. Den er bygget til agenter, der planlægger over flere trin, kalder værktøjer og fastholder en sammenhængende opgave gennem en lang samtale, samtidig med at generelle tekstgenereringsevner bevares. Modellen accepterer tekst og genererer tekst, herunder eksplicit ræsonnement og værktøjsanmodninger. Dens træning udvider Trinity-Large-Base med instruktionstilpasning og forstærkningslæring på ræsonnementskæder, værktøjskaldsforløb og agentopgaver med flere trin.
Modelkortet beskriver en sparsom mixture-of-experts-arkitektur med cirka 398 milliarder parametre i alt og 13 milliarder aktive parametre pr. token. Det angiver 256 eksperter, én delt ekspert, fire aktive eksperter og et kontekstvindue på 512K efter udvidelse fra en fortræningskontekst på 8.192 tokens. Dette er producentens modelegenskaber frem for en forudsigelse af svarhastighed. Thinking-checkpointet er forskelligt fra det let eftertrænede, chatklare Trinity-Large-Preview, som ikke leverer reasoning_content, og fra fortræningscheckpointene Base og TrueBase.
Eksplicit tænkning vises i <think>...</think>-blokke før det endelige svar. I det dokumenterede strukturerede svar indeholder reasoning_content dette ræsonnement separat fra content og tool_calls. Bevarelse af hele assistentturen er en væsentlig del af modellens anvendelse: send ræsonnementet tilbage sammen med svaret og eventuelle værktøjskald før næste trin. Dens chatskabelon gendanner tænkeblokkene, når næste input konstrueres. Hvis historikken skal forkortes, anbefaler Arcee at fjerne ældre ture som helheder frem for at fjerne tænkning fra nyere ture.
Producentens mønster for agentløkken starter med brugeropgaven og værktøjsdefinitionerne, modtager ræsonnement, et svar eller værktøjsanmodninger, udfører de ønskede værktøjer uden for modellen og tilføjer assistentturen samt de faktiske værktøjsresultater, før forløbet fortsætter. Det fortsætter, indtil et endeligt svar returneres uden værktøjskald. For assistenture, der indeholder værktøjskald, men ingen svartekst, kræver vejledningen, at content er en tom streng frem for null. Ræsonnementsfeltet skal også svare til den betjenende grænseflade: Arcees vejledning skelner mellem reasoning_content og integrationer, der forventer reasoning.
Det gør modellen nyttig til et supportforløb, der først slår en post op, anvender den angivne politik og derefter anmoder om den passende næste handling, eller en kodeagent, der efterser filer, foreslår en ændring og fortolker et udførelsesresultat. Giv den det faktiske mål, værktøjsnavne, argumentskemaer, begrænsninger og en betingelse for færdiggørelse. Et eksempeloplæg kan bede den lokalisere en fejl, forklare belægget og foreslå en minimal rettelse, mens observerede værktøjsresultater holdes adskilt fra handlinger, der stadig kun er planlagt. Værktøjskald er anmodninger til et udførelseslag, ikke bevis for, at modellen allerede har ændret en fil eller udført en ekstern handling.
Kortet anbefaler temperature 0.45–0.6, top_p 0.95 og top_k 50 til inferens. Dette er anbefalede indstillinger, ikke faste outputgrænser. Den væsentlige fejltilstand i producentens vejledning er fejlformet værktøjsbrug over flere trin, når en forudgående tur mister ræsonnement eller har en ugyldig beskedform: værktøjskaldsmarkering kan dukke op inde i ræsonnementsfeltet frem for i det strukturerede værktøjskaldsoutput. Bevar hele turen, behold svarindhold forskelligt fra null, og behandl det endelige slutprodukt separat fra den gemte ræsonnementshistorik. Denne udgave passer især til forløb, hvor kontinuitet mellem observationer, ræsonnement og efterfølgende handlinger betyder noget.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser arcee-ai/trinity-large-thinking | 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 $0.0005 / 1K tokens Output · Outputtokens $0.0016 / 1K tokens Input · Cachelæsning $0.00012 / 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 $0.0005 / 1K tokens Output · Outputtokens $0.0016 / 1K tokens Input · Cachelæsning $0.00012 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "arcee-ai/trinity-large-thinking", "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='arcee-ai/trinity-large-thinking',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='arcee-ai/trinity-large-thinking',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 arcee-ai/trinity-large-thinking
Brug metodestierne vist ovenfor.
arcee-ai/trinity-large-thinkingTrinity-Large-Thinking er Arcee AI’s ræsonnementsmodel til agenter med flere trin og værktøjskald. Den genererer eksplicit tænkning før svaret og kræver, at dette ræsonnement bevares på tværs af samtaleture og værktøjsstyrede forløb.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Trinity-Large-Thinking er den ræsonnementsoptimerede udgivelse i Arcee AI’s Trinity Large-familie. Den er bygget til agenter, der planlægger over flere trin, kalder værktøjer og fastholder en sammenhængende opgave gennem en lang samtale, samtidig med at generelle tekstgenereringsevner bevares. Modellen accepterer tekst og genererer tekst, herunder eksplicit ræsonnement og værktøjsanmodninger. Dens træning udvider Trinity-Large-Base med instruktionstilpasning og forstærkningslæring på ræsonnementskæder, værktøjskaldsforløb og agentopgaver med flere trin.
Modelkortet beskriver en sparsom mixture-of-experts-arkitektur med cirka 398 milliarder parametre i alt og 13 milliarder aktive parametre pr. token. Det angiver 256 eksperter, én delt ekspert, fire aktive eksperter og et kontekstvindue på 512K efter udvidelse fra en fortræningskontekst på 8.192 tokens. Dette er producentens modelegenskaber frem for en forudsigelse af svarhastighed. Thinking-checkpointet er forskelligt fra det let eftertrænede, chatklare Trinity-Large-Preview, som ikke leverer reasoning_content, og fra fortræningscheckpointene Base og TrueBase.
Eksplicit tænkning vises i <think>...</think>-blokke før det endelige svar. I det dokumenterede strukturerede svar indeholder reasoning_content dette ræsonnement separat fra content og tool_calls. Bevarelse af hele assistentturen er en væsentlig del af modellens anvendelse: send ræsonnementet tilbage sammen med svaret og eventuelle værktøjskald før næste trin. Dens chatskabelon gendanner tænkeblokkene, når næste input konstrueres. Hvis historikken skal forkortes, anbefaler Arcee at fjerne ældre ture som helheder frem for at fjerne tænkning fra nyere ture.
Producentens mønster for agentløkken starter med brugeropgaven og værktøjsdefinitionerne, modtager ræsonnement, et svar eller værktøjsanmodninger, udfører de ønskede værktøjer uden for modellen og tilføjer assistentturen samt de faktiske værktøjsresultater, før forløbet fortsætter. Det fortsætter, indtil et endeligt svar returneres uden værktøjskald. For assistenture, der indeholder værktøjskald, men ingen svartekst, kræver vejledningen, at content er en tom streng frem for null. Ræsonnementsfeltet skal også svare til den betjenende grænseflade: Arcees vejledning skelner mellem reasoning_content og integrationer, der forventer reasoning.
Det gør modellen nyttig til et supportforløb, der først slår en post op, anvender den angivne politik og derefter anmoder om den passende næste handling, eller en kodeagent, der efterser filer, foreslår en ændring og fortolker et udførelsesresultat. Giv den det faktiske mål, værktøjsnavne, argumentskemaer, begrænsninger og en betingelse for færdiggørelse. Et eksempeloplæg kan bede den lokalisere en fejl, forklare belægget og foreslå en minimal rettelse, mens observerede værktøjsresultater holdes adskilt fra handlinger, der stadig kun er planlagt. Værktøjskald er anmodninger til et udførelseslag, ikke bevis for, at modellen allerede har ændret en fil eller udført en ekstern handling.
Kortet anbefaler temperature 0.45–0.6, top_p 0.95 og top_k 50 til inferens. Dette er anbefalede indstillinger, ikke faste outputgrænser. Den væsentlige fejltilstand i producentens vejledning er fejlformet værktøjsbrug over flere trin, når en forudgående tur mister ræsonnement eller har en ugyldig beskedform: værktøjskaldsmarkering kan dukke op inde i ræsonnementsfeltet frem for i det strukturerede værktøjskaldsoutput. Bevar hele turen, behold svarindhold forskelligt fra null, og behandl det endelige slutprodukt separat fra den gemte ræsonnementshistorik. Denne udgave passer især til forløb, hvor kontinuitet mellem observationer, ræsonnement og efterfølgende handlinger betyder noget.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser arcee-ai/trinity-large-thinking | 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 $0.0005 / 1K tokens Output · Outputtokens $0.0016 / 1K tokens Input · Cachelæsning $0.00012 / 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 $0.0005 / 1K tokens Output · Outputtokens $0.0016 / 1K tokens Input · Cachelæsning $0.00012 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "arcee-ai/trinity-large-thinking",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'arcee-ai/trinity-large-thinking', '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': 'arcee-ai/trinity-large-thinking', '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 arcee-ai/trinity-large-thinking
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Apply a support policy to a record\n\nUse this supplied lookup result: order C17 arrived 12 days ago, packaging intact, customer requests a return. Policy: unopened items may be returned within 14 days; opened items need review. Decide the next support step and draft a request for the one missing fact. Do not claim any external action occurred.A policy-based decision, the missing fact and a customer-facing clarification message.Check that unopened status remains unknown and that no return is described as already created.