ERNIE X1 Turbo er Baidus ræsonnementsmodelprofil til spørgsmål, der kræver udvidet analyse, logisk problemløsning og værktøjsforbundet tekstarbejde. Producenten identificerer Turbo som en forbedret version af X1-linjen. Dens dokumenterede 32K-producentprofil er fortsat adskilt fra ERNIE X1.1 Preview og ERNIE 5.0 Thinking, som har andre input- og genereringsbudgetter.
Angiv spørgsmålet, de givne værdier, begrænsningerne og den type resultat, der er nødvendig. En matematisk opgave kan bede om en løsning, hvis afgørende beregning kan kontrolleres; en planlægningsopgave kan sammenligne alternativer ud fra angivne betingelser. Hold antagelser adskilt fra de angivne fakta, og identificér, hvad der fortsat er ukendt. Det giver ræsonnementsprocessen et afgrænset problem frem for tilladelse til at opfinde manglende krav.
Ved et teknisk spørgsmål skal du medtage det relevante kildeuddrag eller kodefragment og den adfærd, der skal undersøges. Bed om et konkret modeksempel eller en forklaring, hvis to implementeringer er forskellige. Den nyttige leverance skal gøre konklusionen og dens styrende betingelser tydelige. Kontrollér vigtige værdier og den foreslåede adfærd i forhold til kilden i stedet for at behandle en lang genereret analyse som bevis på korrekthed.
Producentens AI Studio-modeltabel angiver 32K kontekst, 24K maksimalt input og en indstilling for endeligt output fra 2 til 16.384 tokens med 2K som dokumenteret standard. Den angiver særskilt en tænkelængde på 16K for X1 Turbo. Disse felter har forskellige roller; vælg kildematerialet og den ønskede endelige leverance derefter frem for at fortolke konteksttallet som et løfte om et lige så langt svar.
Hold det endelige svar adskilt fra eventuelt ræsonnementsmateriale, der returneres af producentens forløb. En sammenligning kan placere anbefalingen først og bevare de betingelser, der underbygger den. Et koderelateret svar kan identificere det præcise inputtilfælde og det forventede resultat. Bevar det oprindelige spørgsmål og grundlaget sammen med den færdige leverance, så en opfølgning kan undersøge ét uafklaret trin.
Producentens funktionsoversigt angiver X1 Turbo til funktionskald og søgeunderstøttede opgaver. Definér formålet med og argumenterne til enhver applikationsfunktion, og returnér derefter det faktiske resultat, når modellen anmoder om den. Modellen leverer en struktureret anmodning; den omgivende applikation udfører handlingen. Et foreslået opslag er adskilt fra en hentet registrering, og en ønsket handling er adskilt fra et fuldført resultat.
Ved et kildebaseret spørgsmål skal du bevare det hentede materiale sammen med svaret og kontrollere, om det underbygger påstanden. En dynamisk oplysning skal komme fra aktuelt grundlag frem for et uunderbygget svar baseret på hukommelse. Betragt funktions- og søgeintegrationen som producentens forbundne arbejdsgang, hvor det faktisk returnerede grundlag afgør, hvad svaret forsvarligt kan konkludere.
X1 Turbo-profilen med 32K er en arbejdsgang til ræsonnement over tekst, ikke den bredere specifikation for indbygget multimodal generering i en anden ERNIE-familie. Dens inputbudget, budget for endeligt output og tænkebudget er fortsat dem, der gælder for den valgte producentprofil. En nyttig overdragelse kan indeholde løsningen, sammenligningen eller det værktøjsunderstøttede svar sammen med kildeuddragene og resultaterne af fuldførte handlinger. Det understøtter en fokuseret fortsættelse, samtidig med at den oprindelige opgave og dens usikkerhed bevares.
", "aboutText": "ERNIE X1 Turbo er Baidus ræsonnementsmodelprofil til spørgsmål, der kræver udvidet analyse, logisk problemløsning og værktøjsforbundet tekstarbejde. Producenten identificerer Turbo som en forbedret version af X1-linjen. Dens dokumenterede 32K-producentprofil er fortsat adskilt fra ERNIE X1.1 Preview og ERNIE 5.0 Thinking, som har andre input- og genereringsbudgetter.\n\n### Forbered et komplet ræsonnementsproblem\n\nAngiv spørgsmålet, de givne værdier, begrænsningerne og den type resultat, der er nødvendig. En matematisk opgave kan bede om en løsning, hvis afgørende beregning kan kontrolleres; en planlægningsopgave kan sammenligne alternativer ud fra angivne betingelser. Hold antagelser adskilt fra de angivne fakta, og identificér, hvad der fortsat er ukendt. Det giver ræsonnementsprocessen et afgrænset problem frem for tilladelse til at opfinde manglende krav.\n\nVed et teknisk spørgsmål skal du medtage det relevante kildeuddrag eller kodefragment og den adfærd, der skal undersøges. Bed om et konkret modeksempel eller en forklaring, hvis to implementeringer er forskellige. Den nyttige leverance skal gøre konklusionen og dens styrende betingelser tydelige. Kontrollér vigtige værdier og den foreslåede adfærd i forhold til kilden i stedet for at behandle en lang genereret analyse som bevis på korrekthed.\n\n### Budgetter for kontekst, endeligt output og tænkning\n\nProducentens AI Studio-modeltabel angiver 32K kontekst, 24K maksimalt input og en indstilling for endeligt output fra 2 til 16.384 tokens med 2K som dokumenteret standard. Den angiver særskilt en tænkelængde på 16K for X1 Turbo. Disse felter har forskellige roller; vælg kildematerialet og den ønskede endelige leverance derefter frem for at fortolke konteksttallet som et løfte om et lige så langt svar.\n\nHold det endelige svar adskilt fra eventuelt ræsonnementsmateriale, der returneres af producentens forløb. En sammenligning kan placere anbefalingen først og bevare de betingelser, der underbygger den. Et koderelateret svar kan identificere det præcise inputtilfælde og det forventede resultat. Bevar det oprindelige spørgsmål og grundlaget sammen med den færdige leverance, så en opfølgning kan undersøge ét uafklaret trin.\n\n### Funktioner og aktuelle oplysninger\n\nProducentens funktionsoversigt angiver X1 Turbo til funktionskald og søgeunderstøttede opgaver. Definér formålet med og argumenterne til enhver applikationsfunktion, og returnér derefter det faktiske resultat, når modellen anmoder om den. Modellen leverer en struktureret anmodning; den omgivende applikation udfører handlingen. Et foreslået opslag er adskilt fra en hentet registrering, og en ønsket handling er adskilt fra et fuldført resultat.\n\nVed et kildebaseret spørgsmål skal du bevare det hentede materiale sammen med svaret og kontrollere, om det underbygger påstanden. En dynamisk oplysning skal komme fra aktuelt grundlag frem for et uunderbygget svar baseret på hukommelse. Betragt funktions- og søgeintegrationen som producentens forbundne arbejdsgang, hvor det faktisk returnerede grundlag afgør, hvad svaret forsvarligt kan konkludere.\n\n### Bevar X1 Turbo-udgaven sammen med resultatet\n\nX1 Turbo-profilen med 32K er en arbejdsgang til ræsonnement over tekst, ikke den bredere specifikation for indbygget multimodal generering i en anden ERNIE-familie. Dens inputbudget, budget for endeligt output og tænkebudget er fortsat dem, der gælder for den valgte producentprofil. En nyttig overdragelse kan indeholde løsningen, sammenligningen eller det værktøjsunderstøttede svar sammen med kildeuddragene og resultaterne af fuldførte handlinger. Det understøtter en fokuseret fortsættelse, samtidig med at den oprindelige opgave og dens usikkerhed bevares.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "69baf4822523f9268a3dc023337461f496fcc0f8df682832b579e5c1d4ced4a3", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "da", "methods": [ { "html": "ernie-x1-turbo-32kERNIE X1 Turbo er Baidus ræsonnementsprofil til matematiske, logiske og værktøjsforbundne tekstopgaver. Dens AI Studio-specifikation skelner mellem 32K kontekst, 24K maksimalt input, indstillinger for endeligt output på op til 16.384 tokens og en særskilt tænkelængde på 16K.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
ERNIE X1 Turbo er Baidus ræsonnementsmodelprofil til spørgsmål, der kræver udvidet analyse, logisk problemløsning og værktøjsforbundet tekstarbejde. Producenten identificerer Turbo som en forbedret version af X1-linjen. Dens dokumenterede 32K-producentprofil er fortsat adskilt fra ERNIE X1.1 Preview og ERNIE 5.0 Thinking, som har andre input- og genereringsbudgetter.
Angiv spørgsmålet, de givne værdier, begrænsningerne og den type resultat, der er nødvendig. En matematisk opgave kan bede om en løsning, hvis afgørende beregning kan kontrolleres; en planlægningsopgave kan sammenligne alternativer ud fra angivne betingelser. Hold antagelser adskilt fra de angivne fakta, og identificér, hvad der fortsat er ukendt. Det giver ræsonnementsprocessen et afgrænset problem frem for tilladelse til at opfinde manglende krav.
Ved et teknisk spørgsmål skal du medtage det relevante kildeuddrag eller kodefragment og den adfærd, der skal undersøges. Bed om et konkret modeksempel eller en forklaring, hvis to implementeringer er forskellige. Den nyttige leverance skal gøre konklusionen og dens styrende betingelser tydelige. Kontrollér vigtige værdier og den foreslåede adfærd i forhold til kilden i stedet for at behandle en lang genereret analyse som bevis på korrekthed.
Producentens AI Studio-modeltabel angiver 32K kontekst, 24K maksimalt input og en indstilling for endeligt output fra 2 til 16.384 tokens med 2K som dokumenteret standard. Den angiver særskilt en tænkelængde på 16K for X1 Turbo. Disse felter har forskellige roller; vælg kildematerialet og den ønskede endelige leverance derefter frem for at fortolke konteksttallet som et løfte om et lige så langt svar.
Hold det endelige svar adskilt fra eventuelt ræsonnementsmateriale, der returneres af producentens forløb. En sammenligning kan placere anbefalingen først og bevare de betingelser, der underbygger den. Et koderelateret svar kan identificere det præcise inputtilfælde og det forventede resultat. Bevar det oprindelige spørgsmål og grundlaget sammen med den færdige leverance, så en opfølgning kan undersøge ét uafklaret trin.
Producentens funktionsoversigt angiver X1 Turbo til funktionskald og søgeunderstøttede opgaver. Definér formålet med og argumenterne til enhver applikationsfunktion, og returnér derefter det faktiske resultat, når modellen anmoder om den. Modellen leverer en struktureret anmodning; den omgivende applikation udfører handlingen. Et foreslået opslag er adskilt fra en hentet registrering, og en ønsket handling er adskilt fra et fuldført resultat.
Ved et kildebaseret spørgsmål skal du bevare det hentede materiale sammen med svaret og kontrollere, om det underbygger påstanden. En dynamisk oplysning skal komme fra aktuelt grundlag frem for et uunderbygget svar baseret på hukommelse. Betragt funktions- og søgeintegrationen som producentens forbundne arbejdsgang, hvor det faktisk returnerede grundlag afgør, hvad svaret forsvarligt kan konkludere.
X1 Turbo-profilen med 32K er en arbejdsgang til ræsonnement over tekst, ikke den bredere specifikation for indbygget multimodal generering i en anden ERNIE-familie. Dens inputbudget, budget for endeligt output og tænkebudget er fortsat dem, der gælder for den valgte producentprofil. En nyttig overdragelse kan indeholde løsningen, sammenligningen eller det værktøjsunderstøttede svar sammen med kildeuddragene og resultaterne af fuldførte handlinger. Det understøtter en fokuseret fortsættelse, samtidig med at den oprindelige opgave og dens usikkerhed bevares.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser ernie-x1-turbo-32k | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser Minimumsantal elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser Afhænger af modellen | Standard— |
Feltmessages[].content | Typestring | KravValgfrit | Værdier og grænser Gælder når: Tekstsamtale | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
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 |
Parametercontrol_scope | KontraktTekstsamtale; stream er en boolesk værdi og er som standard false. |
Parameteroutput_modalities | Kontrakttext |
Parameterhosted_operations | Kontraktfalse |
Parametermultimodal_input_binding | Kontraktnull |
Metodealiaser: /chat/completions
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.
| Konfiguration | Takstplan | Beløb |
|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Beløb Input · Inputtokens $0.00033 / 1K tokens Output · Outputtokens $0.00132 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"ernie-x1-turbo-32k","messages":[{"role":"user","content":"hello"}],"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\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="ernie-x1-turbo-32k", messages=[{"role":"user","content":"hello"}], stream=False)\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"))\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 ernie-x1-turbo-32k
/chat/completions
ernie-x1-turbo-32kERNIE X1 Turbo er Baidus ræsonnementsprofil til matematiske, logiske og værktøjsforbundne tekstopgaver. Dens AI Studio-specifikation skelner mellem 32K kontekst, 24K maksimalt input, indstillinger for endeligt output på op til 16.384 tokens og en særskilt tænkelængde på 16K.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
ERNIE X1 Turbo er Baidus ræsonnementsmodelprofil til spørgsmål, der kræver udvidet analyse, logisk problemløsning og værktøjsforbundet tekstarbejde. Producenten identificerer Turbo som en forbedret version af X1-linjen. Dens dokumenterede 32K-producentprofil er fortsat adskilt fra ERNIE X1.1 Preview og ERNIE 5.0 Thinking, som har andre input- og genereringsbudgetter.
Angiv spørgsmålet, de givne værdier, begrænsningerne og den type resultat, der er nødvendig. En matematisk opgave kan bede om en løsning, hvis afgørende beregning kan kontrolleres; en planlægningsopgave kan sammenligne alternativer ud fra angivne betingelser. Hold antagelser adskilt fra de angivne fakta, og identificér, hvad der fortsat er ukendt. Det giver ræsonnementsprocessen et afgrænset problem frem for tilladelse til at opfinde manglende krav.
Ved et teknisk spørgsmål skal du medtage det relevante kildeuddrag eller kodefragment og den adfærd, der skal undersøges. Bed om et konkret modeksempel eller en forklaring, hvis to implementeringer er forskellige. Den nyttige leverance skal gøre konklusionen og dens styrende betingelser tydelige. Kontrollér vigtige værdier og den foreslåede adfærd i forhold til kilden i stedet for at behandle en lang genereret analyse som bevis på korrekthed.
Producentens AI Studio-modeltabel angiver 32K kontekst, 24K maksimalt input og en indstilling for endeligt output fra 2 til 16.384 tokens med 2K som dokumenteret standard. Den angiver særskilt en tænkelængde på 16K for X1 Turbo. Disse felter har forskellige roller; vælg kildematerialet og den ønskede endelige leverance derefter frem for at fortolke konteksttallet som et løfte om et lige så langt svar.
Hold det endelige svar adskilt fra eventuelt ræsonnementsmateriale, der returneres af producentens forløb. En sammenligning kan placere anbefalingen først og bevare de betingelser, der underbygger den. Et koderelateret svar kan identificere det præcise inputtilfælde og det forventede resultat. Bevar det oprindelige spørgsmål og grundlaget sammen med den færdige leverance, så en opfølgning kan undersøge ét uafklaret trin.
Producentens funktionsoversigt angiver X1 Turbo til funktionskald og søgeunderstøttede opgaver. Definér formålet med og argumenterne til enhver applikationsfunktion, og returnér derefter det faktiske resultat, når modellen anmoder om den. Modellen leverer en struktureret anmodning; den omgivende applikation udfører handlingen. Et foreslået opslag er adskilt fra en hentet registrering, og en ønsket handling er adskilt fra et fuldført resultat.
Ved et kildebaseret spørgsmål skal du bevare det hentede materiale sammen med svaret og kontrollere, om det underbygger påstanden. En dynamisk oplysning skal komme fra aktuelt grundlag frem for et uunderbygget svar baseret på hukommelse. Betragt funktions- og søgeintegrationen som producentens forbundne arbejdsgang, hvor det faktisk returnerede grundlag afgør, hvad svaret forsvarligt kan konkludere.
X1 Turbo-profilen med 32K er en arbejdsgang til ræsonnement over tekst, ikke den bredere specifikation for indbygget multimodal generering i en anden ERNIE-familie. Dens inputbudget, budget for endeligt output og tænkebudget er fortsat dem, der gælder for den valgte producentprofil. En nyttig overdragelse kan indeholde løsningen, sammenligningen eller det værktøjsunderstøttede svar sammen med kildeuddragene og resultaterne af fuldførte handlinger. Det understøtter en fokuseret fortsættelse, samtidig med at den oprindelige opgave og dens usikkerhed bevares.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser ernie-x1-turbo-32k | 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.
| Konfiguration | Takstplan | Beløb |
|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Beløb Input · Inputtokens $0.00033 / 1K tokens Output · Outputtokens $0.00132 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "ernie-x1-turbo-32k",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'ernie-x1-turbo-32k', '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': 'ernie-x1-turbo-32k', '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 ernie-x1-turbo-32k
/chat/completions