dots3-note Preview er Dots Studios letvægtsmedlem af den multimodale dots3-familie. Producenten angiver en mixture-of-experts-model med i alt 280B parametre, 16B aktive parametre og understøttelse af op til 512K tokens i konteksten. Den modtager tekst, billeder, video og lyd og producerer tekst, med almenviden, instruktioner, ræsonnement, kodning og agentorienteret arbejde blandt de angivne opgaver.
Sprogdelen har ét tæt lag og 45 ekspertlag med otte routede eksperter valgt blandt 256 sammen med en fælles ekspert. Dens opmærksomhed kombinerer 13 lag med sparsom opmærksomhed og 33 lag med glidende vinduer. Producenten angiver særskilte billed- og lydencodere samt et fælles forudsigelseslag. Disse komponenter understøtter multimodal forståelse; modellens output forbliver tekst frem for genererede billeder, tale eller video.
Ved visuel analyse skal du levere billedet, siden eller diagrammet og spørge til den egenskab, som påvirker beslutningen. En nyttig dokumentopgave kan sammenligne en synlig tabel med et skriftligt krav og returnere den relevante række, fortolkningen og eventuelle manglende oplysninger. Ved video skal du identificere den begivenhed eller sekvens, der skal undersøges; producentens inputeksempel inkluderer lydsporet, når klippet har et.
Ved lyd skal du angive, om opgaven kræver en transskription eller en forklaring af materialet, og levere eventuelle navne eller fagudtryk, der er nødvendige for fortolkningen. En kombineret opgave kan bruge optagelsen sammen med skriftlig baggrund og bede om fund organiseret efter det spørgsmål, de besvarer. Resultatet er en tekstlig leverance, som applikationen kan præsentere eller behandle.
Producentens samtaleskabelon skelner tænkning fra et direkte svar. Aktivering af tænkning tilføjer et ræsonneringstrin; deaktivering returnerer svaret direkte. Det dokumenterede eksempel bruger temperature 1.0 og top-p 0.95. Vælg opgaven og det ønskede resultat eksplicit, og lad der være tilstrækkelig genereringsplads til svaret frem for at behandle en tokenfordeling i et eksempel som modellens absolutte outputgrænse.
Ved en kodeopgave skal du levere den relevante kildekode, den forventede adfærd og en observeret fejl eller ønsket ændring. Bed om den foreslåede leverance og de kontroller, som vil vurdere den. I en tilsluttet agentarbejdsgang foreslår modellen værktøjsinteraktioner, og applikationen udfører dem og returnerer resultater. Producenten offentliggør en særlig parser til værktøjskald; den omgivende applikation stiller de faktiske værktøjer og deres adgang til rådighed.
Interaktivt arbejde kan kræve udforskning, tilpasning og opdateringer af opgavens arbejdshukommelse. Hold en kompakt registrering af målet, bekræftede fund og den uafklarede betingelse. Bed den næste samtalerunde om at identificere, hvad ny dokumentation ændrer, og hvad der skal forblive i registreringen. Vedvarende lagring af registreringen og udførelse af handlinger hører til applikationen omkring modellen.
Producenten offentliggør særskilte BF16- og FP8-artefakter og lokale opskrifter til serving med forskellige konfigurerede kontekstlængder. En konfigureret servinglængde er adskilt fra modelspecifikationen på 512K. Bevar Preview-udgaven og forskellene i præcision, når modellen identificeres, og bed om et endeligt resultat, der angiver fundet, den foreslåede ændring og den dokumentation, arbejdsgangen faktisk har indsamlet.
", "aboutText": "dots3-note Preview er Dots Studios letvægtsmedlem af den multimodale dots3-familie. Producenten angiver en mixture-of-experts-model med i alt 280B parametre, 16B aktive parametre og understøttelse af op til 512K tokens i konteksten. Den modtager tekst, billeder, video og lyd og producerer tekst, med almenviden, instruktioner, ræsonnement, kodning og agentorienteret arbejde blandt de angivne opgaver.\n\nSprogdelen har ét tæt lag og 45 ekspertlag med otte routede eksperter valgt blandt 256 sammen med en fælles ekspert. Dens opmærksomhed kombinerer 13 lag med sparsom opmærksomhed og 33 lag med glidende vinduer. Producenten angiver særskilte billed- og lydencodere samt et fælles forudsigelseslag. Disse komponenter understøtter multimodal forståelse; modellens output forbliver tekst frem for genererede billeder, tale eller video.\n\nVed visuel analyse skal du levere billedet, siden eller diagrammet og spørge til den egenskab, som påvirker beslutningen. En nyttig dokumentopgave kan sammenligne en synlig tabel med et skriftligt krav og returnere den relevante række, fortolkningen og eventuelle manglende oplysninger. Ved video skal du identificere den begivenhed eller sekvens, der skal undersøges; producentens inputeksempel inkluderer lydsporet, når klippet har et.\n\nVed lyd skal du angive, om opgaven kræver en transskription eller en forklaring af materialet, og levere eventuelle navne eller fagudtryk, der er nødvendige for fortolkningen. En kombineret opgave kan bruge optagelsen sammen med skriftlig baggrund og bede om fund organiseret efter det spørgsmål, de besvarer. Resultatet er en tekstlig leverance, som applikationen kan præsentere eller behandle.\n\nProducentens samtaleskabelon skelner tænkning fra et direkte svar. Aktivering af tænkning tilføjer et ræsonneringstrin; deaktivering returnerer svaret direkte. Det dokumenterede eksempel bruger temperature 1.0 og top-p 0.95. Vælg opgaven og det ønskede resultat eksplicit, og lad der være tilstrækkelig genereringsplads til svaret frem for at behandle en tokenfordeling i et eksempel som modellens absolutte outputgrænse.\n\nVed en kodeopgave skal du levere den relevante kildekode, den forventede adfærd og en observeret fejl eller ønsket ændring. Bed om den foreslåede leverance og de kontroller, som vil vurdere den. I en tilsluttet agentarbejdsgang foreslår modellen værktøjsinteraktioner, og applikationen udfører dem og returnerer resultater. Producenten offentliggør en særlig parser til værktøjskald; den omgivende applikation stiller de faktiske værktøjer og deres adgang til rådighed.\n\nInteraktivt arbejde kan kræve udforskning, tilpasning og opdateringer af opgavens arbejdshukommelse. Hold en kompakt registrering af målet, bekræftede fund og den uafklarede betingelse. Bed den næste samtalerunde om at identificere, hvad ny dokumentation ændrer, og hvad der skal forblive i registreringen. Vedvarende lagring af registreringen og udførelse af handlinger hører til applikationen omkring modellen.\n\nProducenten offentliggør særskilte BF16- og FP8-artefakter og lokale opskrifter til serving med forskellige konfigurerede kontekstlængder. En konfigureret servinglængde er adskilt fra modelspecifikationen på 512K. Bevar Preview-udgaven og forskellene i præcision, når modellen identificeres, og bed om et endeligt resultat, der angiver fundet, den foreslåede ændring og den dokumentation, arbejdsgangen faktisk har indsamlet.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "f19cadba4e9b640e3960bf263dc355e8ffd72d1c46bff72360ede62e5cb5f716", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "da", "methods": [ { "html": "dots-studio/dots-3-note-preview:freeDots Studios dots3-note Preview er en multimodal MoE-model til ræsonnement, kodning og agentarbejdsgange. Producenten angiver 280B parametre i alt og 16B aktive, en 512K-kontekst, tekst-, billed-, video- og lydinput samt tekstoutput.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
dots3-note Preview er Dots Studios letvægtsmedlem af den multimodale dots3-familie. Producenten angiver en mixture-of-experts-model med i alt 280B parametre, 16B aktive parametre og understøttelse af op til 512K tokens i konteksten. Den modtager tekst, billeder, video og lyd og producerer tekst, med almenviden, instruktioner, ræsonnement, kodning og agentorienteret arbejde blandt de angivne opgaver.
Sprogdelen har ét tæt lag og 45 ekspertlag med otte routede eksperter valgt blandt 256 sammen med en fælles ekspert. Dens opmærksomhed kombinerer 13 lag med sparsom opmærksomhed og 33 lag med glidende vinduer. Producenten angiver særskilte billed- og lydencodere samt et fælles forudsigelseslag. Disse komponenter understøtter multimodal forståelse; modellens output forbliver tekst frem for genererede billeder, tale eller video.
Ved visuel analyse skal du levere billedet, siden eller diagrammet og spørge til den egenskab, som påvirker beslutningen. En nyttig dokumentopgave kan sammenligne en synlig tabel med et skriftligt krav og returnere den relevante række, fortolkningen og eventuelle manglende oplysninger. Ved video skal du identificere den begivenhed eller sekvens, der skal undersøges; producentens inputeksempel inkluderer lydsporet, når klippet har et.
Ved lyd skal du angive, om opgaven kræver en transskription eller en forklaring af materialet, og levere eventuelle navne eller fagudtryk, der er nødvendige for fortolkningen. En kombineret opgave kan bruge optagelsen sammen med skriftlig baggrund og bede om fund organiseret efter det spørgsmål, de besvarer. Resultatet er en tekstlig leverance, som applikationen kan præsentere eller behandle.
Producentens samtaleskabelon skelner tænkning fra et direkte svar. Aktivering af tænkning tilføjer et ræsonneringstrin; deaktivering returnerer svaret direkte. Det dokumenterede eksempel bruger temperature 1.0 og top-p 0.95. Vælg opgaven og det ønskede resultat eksplicit, og lad der være tilstrækkelig genereringsplads til svaret frem for at behandle en tokenfordeling i et eksempel som modellens absolutte outputgrænse.
Ved en kodeopgave skal du levere den relevante kildekode, den forventede adfærd og en observeret fejl eller ønsket ændring. Bed om den foreslåede leverance og de kontroller, som vil vurdere den. I en tilsluttet agentarbejdsgang foreslår modellen værktøjsinteraktioner, og applikationen udfører dem og returnerer resultater. Producenten offentliggør en særlig parser til værktøjskald; den omgivende applikation stiller de faktiske værktøjer og deres adgang til rådighed.
Interaktivt arbejde kan kræve udforskning, tilpasning og opdateringer af opgavens arbejdshukommelse. Hold en kompakt registrering af målet, bekræftede fund og den uafklarede betingelse. Bed den næste samtalerunde om at identificere, hvad ny dokumentation ændrer, og hvad der skal forblive i registreringen. Vedvarende lagring af registreringen og udførelse af handlinger hører til applikationen omkring modellen.
Producenten offentliggør særskilte BF16- og FP8-artefakter og lokale opskrifter til serving med forskellige konfigurerede kontekstlængder. En konfigureret servinglængde er adskilt fra modelspecifikationen på 512K. Bevar Preview-udgaven og forskellene i præcision, når modellen identificeres, og bed om et endeligt resultat, der angiver fundet, den foreslåede ændring og den dokumentation, arbejdsgangen faktisk har indsamlet.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser dots-studio/dots-3-note-preview:free | Standard— |
Feltmessages | Typearray | KravPåkrævet | Værdier og grænser | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser false | Standardfalse |
Feltmax_tokens | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 Maksimum: 460.800 | Standard— |
Feltmax_completion_tokens | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 Maksimum: 460.800 | Standard— |
Feltn | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 Maksimum: 128 | Standard— |
Felttemperature | Typenumber | KravValgfrit | Værdier og grænser | Standard— |
Felttop_p | Typenumber | KravValgfrit | Værdier og grænser | Standard— |
Feltseed | Typeinteger | KravValgfrit | Værdier og grænser | Standard— |
Feltstop | Type | KravValgfrit | Værdier og grænser | Standard— |
Feltfrequency_penalty | Typenumber | KravValgfrit | Værdier og grænser | Standard— |
Feltpresence_penalty | Typenumber | KravValgfrit | Værdier og grænser | Standard— |
Feltuser | Typestring | KravValgfrit | Værdier og grænser | Standard— |
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, messages |
Parameteroptional | Kontraktstream, max_tokens, max_completion_tokens, n, temperature, top_p, seed, stop, frequency_penalty, presence_penalty, user |
Parametermaterial_types | Kontrakttext |
Parameterconditions | KontraktUse literal text messages only. Cache controls, tools, image/audio/video content and streamed responses are unavailable for this method., The complete encoded JSON request must not exceed 512000 bytes. |
Livscyklus: synchronous_json
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
| Konfiguration | Takstplan | Beløb |
|---|---|---|
| KonfigurationGrundpriser for tokens | TakstplanGrundtakst | Beløb Input · Inputtokens $0 / 1K tokens Output · Outputtokens $0 / 1K tokens Input · Cachelæsning — / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nexport AILOOT_API_KEY\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "dots-studio/dots-3-note-preview:free", "messages": [{"role": "user", "content": "Summarize the supplied text in three concise points."}], "stream": false}')\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\n# Submit once. Retain the complete result, original identifiers and every response header.\nJSON
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Retain the complete response, all actual results, original identifiers, usage and response headers.
Preserve the original response, headers and X-Client-Request-ID. An uncertain outcome does not authorize another creation.
Ailoot Ultra dots-studio/dots-3-note-preview:free
Brug metodestierne vist ovenfor.
dots-studio/dots-3-note-preview:freeDots Studios dots3-note Preview er en multimodal MoE-model til ræsonnement, kodning og agentarbejdsgange. Producenten angiver 280B parametre i alt og 16B aktive, en 512K-kontekst, tekst-, billed-, video- og lydinput samt tekstoutput.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
dots3-note Preview er Dots Studios letvægtsmedlem af den multimodale dots3-familie. Producenten angiver en mixture-of-experts-model med i alt 280B parametre, 16B aktive parametre og understøttelse af op til 512K tokens i konteksten. Den modtager tekst, billeder, video og lyd og producerer tekst, med almenviden, instruktioner, ræsonnement, kodning og agentorienteret arbejde blandt de angivne opgaver.
Sprogdelen har ét tæt lag og 45 ekspertlag med otte routede eksperter valgt blandt 256 sammen med en fælles ekspert. Dens opmærksomhed kombinerer 13 lag med sparsom opmærksomhed og 33 lag med glidende vinduer. Producenten angiver særskilte billed- og lydencodere samt et fælles forudsigelseslag. Disse komponenter understøtter multimodal forståelse; modellens output forbliver tekst frem for genererede billeder, tale eller video.
Ved visuel analyse skal du levere billedet, siden eller diagrammet og spørge til den egenskab, som påvirker beslutningen. En nyttig dokumentopgave kan sammenligne en synlig tabel med et skriftligt krav og returnere den relevante række, fortolkningen og eventuelle manglende oplysninger. Ved video skal du identificere den begivenhed eller sekvens, der skal undersøges; producentens inputeksempel inkluderer lydsporet, når klippet har et.
Ved lyd skal du angive, om opgaven kræver en transskription eller en forklaring af materialet, og levere eventuelle navne eller fagudtryk, der er nødvendige for fortolkningen. En kombineret opgave kan bruge optagelsen sammen med skriftlig baggrund og bede om fund organiseret efter det spørgsmål, de besvarer. Resultatet er en tekstlig leverance, som applikationen kan præsentere eller behandle.
Producentens samtaleskabelon skelner tænkning fra et direkte svar. Aktivering af tænkning tilføjer et ræsonneringstrin; deaktivering returnerer svaret direkte. Det dokumenterede eksempel bruger temperature 1.0 og top-p 0.95. Vælg opgaven og det ønskede resultat eksplicit, og lad der være tilstrækkelig genereringsplads til svaret frem for at behandle en tokenfordeling i et eksempel som modellens absolutte outputgrænse.
Ved en kodeopgave skal du levere den relevante kildekode, den forventede adfærd og en observeret fejl eller ønsket ændring. Bed om den foreslåede leverance og de kontroller, som vil vurdere den. I en tilsluttet agentarbejdsgang foreslår modellen værktøjsinteraktioner, og applikationen udfører dem og returnerer resultater. Producenten offentliggør en særlig parser til værktøjskald; den omgivende applikation stiller de faktiske værktøjer og deres adgang til rådighed.
Interaktivt arbejde kan kræve udforskning, tilpasning og opdateringer af opgavens arbejdshukommelse. Hold en kompakt registrering af målet, bekræftede fund og den uafklarede betingelse. Bed den næste samtalerunde om at identificere, hvad ny dokumentation ændrer, og hvad der skal forblive i registreringen. Vedvarende lagring af registreringen og udførelse af handlinger hører til applikationen omkring modellen.
Producenten offentliggør særskilte BF16- og FP8-artefakter og lokale opskrifter til serving med forskellige konfigurerede kontekstlængder. En konfigureret servinglængde er adskilt fra modelspecifikationen på 512K. Bevar Preview-udgaven og forskellene i præcision, når modellen identificeres, og bed om et endeligt resultat, der angiver fundet, den foreslåede ændring og den dokumentation, arbejdsgangen faktisk har indsamlet.
POST /v1/messagestexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser dots-studio/dots-3-note-preview:free | Standard— |
Feltmessages | Typearray | KravPåkrævet | Værdier og grænser | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser false | Standardfalse |
Feltsystem | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrævet | Værdier og grænser Minimum: 1 Maksimum: 460.800 | Standard— |
Felttemperature | Typenumber | KravValgfrit | Værdier og grænser | Standard— |
Felttop_p | Typenumber | KravValgfrit | Værdier og grænser | Standard— |
Felttop_k | Typeinteger | KravValgfrit | Værdier og grænser | Standard— |
Feltstop_sequences | Typearray | KravValgfrit | Værdier og grænser | Standard— |
Feltmetadata | Typeobject | KravValgfrit | Værdier og grænser | Standard— |
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, messages, max_tokens |
Parameteroptional | Kontraktstream, system, temperature, top_p, top_k, stop_sequences, metadata |
Parametermaterial_types | Kontrakttext |
Parameterconditions | KontraktUse literal text messages only. Cache controls, tools, image/audio/video content and streamed responses are unavailable for this method., The complete encoded JSON request must not exceed 512000 bytes. |
Livscyklus: synchronous_json
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
| Konfiguration | Takstplan | Beløb |
|---|---|---|
| KonfigurationGrundpriser for tokens | TakstplanGrundtakst | Beløb Input · Inputtokens $0 / 1K tokens Output · Outputtokens $0 / 1K tokens Input · Cachelæsning — / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nexport AILOOT_API_KEY\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "dots-studio/dots-3-note-preview:free", "messages": [{"role": "user", "content": "Summarize the supplied text in three concise points."}], "stream": false, "max_tokens": 256}')\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/messages \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\n# Submit once. Retain the complete result, original identifiers and every response header.\nJSON
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Retain the complete response, all actual results, original identifiers, usage and response headers.
Preserve the original response, headers and X-Client-Request-ID. An uncertain outcome does not authorize another creation.
Ailoot Ultra dots-studio/dots-3-note-preview:free
Brug metodestierne vist ovenfor.