Command A er Coheres tekstmodel fra marts 2025 til virksomhedsagenter, svar understøttet af informationssøgning og flersproget arbejde. Den konkrete udgave har 111 milliarder parametre, accepterer tekst og producerer tekst. Producentens modelkontekst er 256K tokens med et maksimalt output på 8.000 tokens i den offentliggjorte tjenesteprofil. Den er adskilt fra Command A Vision, Command A Reasoning og den senere multimodale A+-udgave.
Producenten beskriver en autoregressiv transformer med lokal opmærksomhed i glidende vinduer og periodisk global opmærksomhed. Tre lokale lag bruger et vindue på 4.096 tokens med roterende positionskodning; et fjerde lag bruger global opmærksomhed uden positionsembeddings. Superviseret finjustering og præferencetræning former hjælpsom samtaleadfærd og opgavefokuseret adfærd. Modellen er trænet på 23 sprog og understøtter opgaver på tværs af sprog, såsom oversættelse eller besvarelse af et spørgsmål om materiale skrevet på et andet sprog.
Angiv svarenes sprog, og bevar den nødvendige terminologi. Til en flersproget vidensassistent skal du give kildepassagerne egne navne og bede om en forklaring, der bevarer produktnavne, kodeidentifikatorer og citerede formuleringer. Et nyttigt endeligt svar identificerer kilden bag en konklusion frem for at oversætte en forskel væk, som er vigtig for opgaven.
Command A er som standard samtalebaseret og tilføjer ofte en indledning, opfølgende spørgsmål og Markdown eller matematisk formatering. Ved udtræk, kategorisering, opsummering eller oversættelse skal du bruge producentens tilgang med systeminstruktioner til kun at bede om det nødvendige svar og angive, om Markdown eller kodeblokke hører til i outputtet. Dermed undgås det, at en venlig samtaleindledning behandles som en del af en efterfølgende datapost.
Modelkortet beskriver kontekstuelle og strenge sikkerhedstilstande med kontekstuel tilstand som producentens standard. Disse er dokumenterede adfærdsindstillinger i producentprofilen og er uafhængige af opgavens ønskede format. Definér den relevante opgavekontekst og det ønskede output tydeligt.
Command A er trænet til svargenereringstrinnet i retrieval-augmented generation. Inputtet kombinerer samtalen med leverede dokumentuddrag, typisk omkring 100–400 ord pr. tekstblok, repræsenteret med korte beskrivende nøgler og tekstlige eller semistrukturerede værdier. Producenten opfordrer også til at sammenligne dette specialiserede format med relevante dokumenter placeret direkte i brugerbeskeden.
Ved sammenligning af regelsæt eller tekniske forhold skal du mærke hvert uddrag og bede om en konklusion understøttet af den relevante passage. I producentens format med kildehenvisninger forbinder outputtet dele af svaret med understøttende kilder. Hold identifikatorerne for de hentede dokumenter tilgængelige, så disse henvisninger fortsat kan fortolkes. En kildehenvisning angiver, hvilket leveret materiale der understøtter den genererede tekstdel; det omgivende system står for selve informationssøgningen.
Producenten træner Command A til samtalebaseret værktøjsbrug med funktionsbeskrivelser i JSON-schema. Modellen kan generere en plan og udvalgte kald, applikationen udfører disse kald, og deres resultater i dictionary-format returneres i samtalen med den tilsvarende værktøjskaldsidentifikator. Modellen bruger derefter disse observationer til at producere et svar, eventuelt med kildespænd knyttet til værktøjsresultater.
Kodeopgaver omfatter SQL-generering, kodeforklaring og oversættelse eller omskrivning af kode. Angiv skemaet eller den relevante implementering og den adfærd, der skal bevares. Producenten anbefaler lav temperatur, herunder greedy decoding, hvor det er relevant, til kodegenereringsinstruktioner. Gennemgå genereret SQL eller kode, før den udføres, og returnér faktiske valideringsobservationer, når resultatet revideres.
Modelkortet bemærker en praktisk kontekstforskel: Modellen understøtter 256K, mens den offentliggjorte Hugging Face-konfiguration er sat til 128K og kan justeres. Bevar den valgte arbejdsgangs faktiske kontekstkonfiguration, og reservér plads til svaret. Et nyttigt resultat er den ønskede tekst- eller kodeleverance med dokumentation, der kan spores til de leverede kilder og værktøjsobservationer.
", "aboutText": "Command A er Coheres tekstmodel fra marts 2025 til virksomhedsagenter, svar understøttet af informationssøgning og flersproget arbejde. Den konkrete udgave har 111 milliarder parametre, accepterer tekst og producerer tekst. Producentens modelkontekst er 256K tokens med et maksimalt output på 8.000 tokens i den offentliggjorte tjenesteprofil. Den er adskilt fra Command A Vision, Command A Reasoning og den senere multimodale A+-udgave.\n\n### Modeldetaljer og sprog\n\nProducenten beskriver en autoregressiv transformer med lokal opmærksomhed i glidende vinduer og periodisk global opmærksomhed. Tre lokale lag bruger et vindue på 4.096 tokens med roterende positionskodning; et fjerde lag bruger global opmærksomhed uden positionsembeddings. Superviseret finjustering og præferencetræning former hjælpsom samtaleadfærd og opgavefokuseret adfærd. Modellen er trænet på 23 sprog og understøtter opgaver på tværs af sprog, såsom oversættelse eller besvarelse af et spørgsmål om materiale skrevet på et andet sprog.\n\nAngiv svarenes sprog, og bevar den nødvendige terminologi. Til en flersproget vidensassistent skal du give kildepassagerne egne navne og bede om en forklaring, der bevarer produktnavne, kodeidentifikatorer og citerede formuleringer. Et nyttigt endeligt svar identificerer kilden bag en konklusion frem for at oversætte en forskel væk, som er vigtig for opgaven.\n\n### Samtale og opgavefokuseret output\n\nCommand A er som standard samtalebaseret og tilføjer ofte en indledning, opfølgende spørgsmål og Markdown eller matematisk formatering. Ved udtræk, kategorisering, opsummering eller oversættelse skal du bruge producentens tilgang med systeminstruktioner til kun at bede om det nødvendige svar og angive, om Markdown eller kodeblokke hører til i outputtet. Dermed undgås det, at en venlig samtaleindledning behandles som en del af en efterfølgende datapost.\n\nModelkortet beskriver kontekstuelle og strenge sikkerhedstilstande med kontekstuel tilstand som producentens standard. Disse er dokumenterede adfærdsindstillinger i producentprofilen og er uafhængige af opgavens ønskede format. Definér den relevante opgavekontekst og det ønskede output tydeligt.\n\n### Generering med kildegrundlag\n\nCommand A er trænet til svargenereringstrinnet i retrieval-augmented generation. Inputtet kombinerer samtalen med leverede dokumentuddrag, typisk omkring 100–400 ord pr. tekstblok, repræsenteret med korte beskrivende nøgler og tekstlige eller semistrukturerede værdier. Producenten opfordrer også til at sammenligne dette specialiserede format med relevante dokumenter placeret direkte i brugerbeskeden.\n\nVed sammenligning af regelsæt eller tekniske forhold skal du mærke hvert uddrag og bede om en konklusion understøttet af den relevante passage. I producentens format med kildehenvisninger forbinder outputtet dele af svaret med understøttende kilder. Hold identifikatorerne for de hentede dokumenter tilgængelige, så disse henvisninger fortsat kan fortolkes. En kildehenvisning angiver, hvilket leveret materiale der understøtter den genererede tekstdel; det omgivende system står for selve informationssøgningen.\n\n### Værktøjer og kode\n\nProducenten træner Command A til samtalebaseret værktøjsbrug med funktionsbeskrivelser i JSON-schema. Modellen kan generere en plan og udvalgte kald, applikationen udfører disse kald, og deres resultater i dictionary-format returneres i samtalen med den tilsvarende værktøjskaldsidentifikator. Modellen bruger derefter disse observationer til at producere et svar, eventuelt med kildespænd knyttet til værktøjsresultater.\n\nKodeopgaver omfatter SQL-generering, kodeforklaring og oversættelse eller omskrivning af kode. Angiv skemaet eller den relevante implementering og den adfærd, der skal bevares. Producenten anbefaler lav temperatur, herunder greedy decoding, hvor det er relevant, til kodegenereringsinstruktioner. Gennemgå genereret SQL eller kode, før den udføres, og returnér faktiske valideringsobservationer, når resultatet revideres.\n\nModelkortet bemærker en praktisk kontekstforskel: Modellen understøtter 256K, mens den offentliggjorte Hugging Face-konfiguration er sat til 128K og kan justeres. Bevar den valgte arbejdsgangs faktiske kontekstkonfiguration, og reservér plads til svaret. Et nyttigt resultat er den ønskede tekst- eller kodeleverance med dokumentation, der kan spores til de leverede kilder og værktøjsobservationer.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
A multilingual answer grounded in snippets\n\nAnswer in English using only these snippets. FR-1: 'Les retours sont acceptés sous 30 jours pour les articles non utilisés.' EN-2: 'Return shipping is paid by the customer unless the item is defective.' A customer asks whether an unused item can be returned after 20 days and who pays postage. Cite snippet IDs.A short English answer with FR-1 and EN-2 attached to the conclusions they support.The answer preserves the unused-item condition and defective-item exception without inventing a refund timeline.cohere/command-aCommand A er Coheres tekstmodel med 111B parametre til flersprogede virksomhedsagenter, dokumentbaserede svar og værktøjsstyret arbejde. Den kombinerer en 256K-kontekst med kildehenvisninger, kodehjælp og træning på 23 sprog og producerer tekst ud fra skriftlige instruktioner og den leverede dokumentation.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Command A er Coheres tekstmodel fra marts 2025 til virksomhedsagenter, svar understøttet af informationssøgning og flersproget arbejde. Den konkrete udgave har 111 milliarder parametre, accepterer tekst og producerer tekst. Producentens modelkontekst er 256K tokens med et maksimalt output på 8.000 tokens i den offentliggjorte tjenesteprofil. Den er adskilt fra Command A Vision, Command A Reasoning og den senere multimodale A+-udgave.
Producenten beskriver en autoregressiv transformer med lokal opmærksomhed i glidende vinduer og periodisk global opmærksomhed. Tre lokale lag bruger et vindue på 4.096 tokens med roterende positionskodning; et fjerde lag bruger global opmærksomhed uden positionsembeddings. Superviseret finjustering og præferencetræning former hjælpsom samtaleadfærd og opgavefokuseret adfærd. Modellen er trænet på 23 sprog og understøtter opgaver på tværs af sprog, såsom oversættelse eller besvarelse af et spørgsmål om materiale skrevet på et andet sprog.
Angiv svarenes sprog, og bevar den nødvendige terminologi. Til en flersproget vidensassistent skal du give kildepassagerne egne navne og bede om en forklaring, der bevarer produktnavne, kodeidentifikatorer og citerede formuleringer. Et nyttigt endeligt svar identificerer kilden bag en konklusion frem for at oversætte en forskel væk, som er vigtig for opgaven.
Command A er som standard samtalebaseret og tilføjer ofte en indledning, opfølgende spørgsmål og Markdown eller matematisk formatering. Ved udtræk, kategorisering, opsummering eller oversættelse skal du bruge producentens tilgang med systeminstruktioner til kun at bede om det nødvendige svar og angive, om Markdown eller kodeblokke hører til i outputtet. Dermed undgås det, at en venlig samtaleindledning behandles som en del af en efterfølgende datapost.
Modelkortet beskriver kontekstuelle og strenge sikkerhedstilstande med kontekstuel tilstand som producentens standard. Disse er dokumenterede adfærdsindstillinger i producentprofilen og er uafhængige af opgavens ønskede format. Definér den relevante opgavekontekst og det ønskede output tydeligt.
Command A er trænet til svargenereringstrinnet i retrieval-augmented generation. Inputtet kombinerer samtalen med leverede dokumentuddrag, typisk omkring 100–400 ord pr. tekstblok, repræsenteret med korte beskrivende nøgler og tekstlige eller semistrukturerede værdier. Producenten opfordrer også til at sammenligne dette specialiserede format med relevante dokumenter placeret direkte i brugerbeskeden.
Ved sammenligning af regelsæt eller tekniske forhold skal du mærke hvert uddrag og bede om en konklusion understøttet af den relevante passage. I producentens format med kildehenvisninger forbinder outputtet dele af svaret med understøttende kilder. Hold identifikatorerne for de hentede dokumenter tilgængelige, så disse henvisninger fortsat kan fortolkes. En kildehenvisning angiver, hvilket leveret materiale der understøtter den genererede tekstdel; det omgivende system står for selve informationssøgningen.
Producenten træner Command A til samtalebaseret værktøjsbrug med funktionsbeskrivelser i JSON-schema. Modellen kan generere en plan og udvalgte kald, applikationen udfører disse kald, og deres resultater i dictionary-format returneres i samtalen med den tilsvarende værktøjskaldsidentifikator. Modellen bruger derefter disse observationer til at producere et svar, eventuelt med kildespænd knyttet til værktøjsresultater.
Kodeopgaver omfatter SQL-generering, kodeforklaring og oversættelse eller omskrivning af kode. Angiv skemaet eller den relevante implementering og den adfærd, der skal bevares. Producenten anbefaler lav temperatur, herunder greedy decoding, hvor det er relevant, til kodegenereringsinstruktioner. Gennemgå genereret SQL eller kode, før den udføres, og returnér faktiske valideringsobservationer, når resultatet revideres.
Modelkortet bemærker en praktisk kontekstforskel: Modellen understøtter 256K, mens den offentliggjorte Hugging Face-konfiguration er sat til 128K og kan justeres. Bevar den valgte arbejdsgangs faktiske kontekstkonfiguration, og reservér plads til svaret. Et nyttigt resultat er den ønskede tekst- eller kodeleverance med dokumentation, der kan spores til de leverede kilder og værktøjsobservationer.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser cohere/command-a | 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 $0.02 / 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 $0.02 / 1K tokens Input · Cachelæsning — / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "cohere/command-a", "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='cohere/command-a',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='cohere/command-a',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 cohere/command-a
Brug metodestierne vist ovenfor.
cohere/command-aCommand A er Coheres tekstmodel med 111B parametre til flersprogede virksomhedsagenter, dokumentbaserede svar og værktøjsstyret arbejde. Den kombinerer en 256K-kontekst med kildehenvisninger, kodehjælp og træning på 23 sprog og producerer tekst ud fra skriftlige instruktioner og den leverede dokumentation.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Command A er Coheres tekstmodel fra marts 2025 til virksomhedsagenter, svar understøttet af informationssøgning og flersproget arbejde. Den konkrete udgave har 111 milliarder parametre, accepterer tekst og producerer tekst. Producentens modelkontekst er 256K tokens med et maksimalt output på 8.000 tokens i den offentliggjorte tjenesteprofil. Den er adskilt fra Command A Vision, Command A Reasoning og den senere multimodale A+-udgave.
Producenten beskriver en autoregressiv transformer med lokal opmærksomhed i glidende vinduer og periodisk global opmærksomhed. Tre lokale lag bruger et vindue på 4.096 tokens med roterende positionskodning; et fjerde lag bruger global opmærksomhed uden positionsembeddings. Superviseret finjustering og præferencetræning former hjælpsom samtaleadfærd og opgavefokuseret adfærd. Modellen er trænet på 23 sprog og understøtter opgaver på tværs af sprog, såsom oversættelse eller besvarelse af et spørgsmål om materiale skrevet på et andet sprog.
Angiv svarenes sprog, og bevar den nødvendige terminologi. Til en flersproget vidensassistent skal du give kildepassagerne egne navne og bede om en forklaring, der bevarer produktnavne, kodeidentifikatorer og citerede formuleringer. Et nyttigt endeligt svar identificerer kilden bag en konklusion frem for at oversætte en forskel væk, som er vigtig for opgaven.
Command A er som standard samtalebaseret og tilføjer ofte en indledning, opfølgende spørgsmål og Markdown eller matematisk formatering. Ved udtræk, kategorisering, opsummering eller oversættelse skal du bruge producentens tilgang med systeminstruktioner til kun at bede om det nødvendige svar og angive, om Markdown eller kodeblokke hører til i outputtet. Dermed undgås det, at en venlig samtaleindledning behandles som en del af en efterfølgende datapost.
Modelkortet beskriver kontekstuelle og strenge sikkerhedstilstande med kontekstuel tilstand som producentens standard. Disse er dokumenterede adfærdsindstillinger i producentprofilen og er uafhængige af opgavens ønskede format. Definér den relevante opgavekontekst og det ønskede output tydeligt.
Command A er trænet til svargenereringstrinnet i retrieval-augmented generation. Inputtet kombinerer samtalen med leverede dokumentuddrag, typisk omkring 100–400 ord pr. tekstblok, repræsenteret med korte beskrivende nøgler og tekstlige eller semistrukturerede værdier. Producenten opfordrer også til at sammenligne dette specialiserede format med relevante dokumenter placeret direkte i brugerbeskeden.
Ved sammenligning af regelsæt eller tekniske forhold skal du mærke hvert uddrag og bede om en konklusion understøttet af den relevante passage. I producentens format med kildehenvisninger forbinder outputtet dele af svaret med understøttende kilder. Hold identifikatorerne for de hentede dokumenter tilgængelige, så disse henvisninger fortsat kan fortolkes. En kildehenvisning angiver, hvilket leveret materiale der understøtter den genererede tekstdel; det omgivende system står for selve informationssøgningen.
Producenten træner Command A til samtalebaseret værktøjsbrug med funktionsbeskrivelser i JSON-schema. Modellen kan generere en plan og udvalgte kald, applikationen udfører disse kald, og deres resultater i dictionary-format returneres i samtalen med den tilsvarende værktøjskaldsidentifikator. Modellen bruger derefter disse observationer til at producere et svar, eventuelt med kildespænd knyttet til værktøjsresultater.
Kodeopgaver omfatter SQL-generering, kodeforklaring og oversættelse eller omskrivning af kode. Angiv skemaet eller den relevante implementering og den adfærd, der skal bevares. Producenten anbefaler lav temperatur, herunder greedy decoding, hvor det er relevant, til kodegenereringsinstruktioner. Gennemgå genereret SQL eller kode, før den udføres, og returnér faktiske valideringsobservationer, når resultatet revideres.
Modelkortet bemærker en praktisk kontekstforskel: Modellen understøtter 256K, mens den offentliggjorte Hugging Face-konfiguration er sat til 128K og kan justeres. Bevar den valgte arbejdsgangs faktiske kontekstkonfiguration, og reservér plads til svaret. Et nyttigt resultat er den ønskede tekst- eller kodeleverance med dokumentation, der kan spores til de leverede kilder og værktøjsobservationer.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser cohere/command-a | 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 $0.02 / 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 $0.02 / 1K tokens Input · Cachelæsning — / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "cohere/command-a",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'cohere/command-a', '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': 'cohere/command-a', '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 cohere/command-a
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
A multilingual answer grounded in snippets\n\nAnswer in English using only these snippets. FR-1: 'Les retours sont acceptés sous 30 jours pour les articles non utilisés.' EN-2: 'Return shipping is paid by the customer unless the item is defective.' A customer asks whether an unused item can be returned after 20 days and who pays postage. Cite snippet IDs.A short English answer with FR-1 and EN-2 attached to the conclusions they support.The answer preserves the unused-item condition and defective-item exception without inventing a refund timeline.