Ember-1 er Fireworks Researchs specialiserede model bygget på Kimi K3. Dens centrale ændring er træning, der forkorter unødvendige ræsonnementer og samtidig bevarer nyttig analyse til kode- og agentopgaver. Producenten positionerer den til gentagne, værktøjsstyrede opgaver, hvor lange ræsonnementsspor kan ophobe sig gennem en samtale. Dens dokumenterede profil understøtter tekstgenerering, billedinput og funktionskald; det resulterende svar, den resulterende kode eller den foreslåede handling er tekst.
Producenten udviklede Ember-1 med opgavefokuseret træning på tværs af et bredt udvalg af opgaver. Det er en forskel, der er indlært i modellen, frem for blot et valg af en lavere indstilling for ræsonnementsindsats i basismodellen. Den skal bevare sin egen identitet, når resultater sammenlignes med Kimi K3: målet er et mere økonomisk ræsonnementsforløb, ikke en antagelse om, at alle oprindelige indstillinger, funktioner eller fremtidige opdateringer er identiske.
Ved en softwareopgave skal du angive den relevante kode, den observerede fejl, den ønskede adfærd og de kontrakter, der skal forblive stabile. Bed om en fokuseret implementering og en forklaring knyttet til den faktiske kildekode. En praktisk opgavebeskrivelse er: ”Følg dette input, der fejler, identificér den første forkerte betingelse, og returnér den rettede funktion med det grundlag, der begrunder ændringen.” Gør den endelige leverance tydelig, også når opgaven kræver flere observationer.
Producentens anvendelsestilfælde omfatter kodeassistenter og agenter, der veksler mellem modelbeslutninger og værktøjsresultater. Angiv funktionsbeskrivelser og argumentskemaer, der passer til opgaven. Modellen kan foreslå at undersøge en fil, udføre en beregning eller foretage en anden tilgængelig handling; applikationen udfører den og returnerer den faktiske observation. Brug dette resultat i næste samtaletur i stedet for at lade en foreslået handling træde i stedet for udførelsen.
Ved en længere opgave skal du bevare de relevante observationer om fejl, rettelse og verifikation i en kortfattet registrering. Bed om den færdige kode eller det analytiske resultat særskilt fra den mellemliggende diskussion. Kortere ræsonnementer er kun nyttige, hvis outputtet stadig opfylder den adfærd, opgaven kræver, og indeholder det grundlag, der er nødvendigt for at gennemgå det.
Producentens katalog for Ember-1 understøtter billedinput. En visuel kodeopgave kan kombinere et skærmbillede med krav og kildekode og bede om en forklaring eller implementering med udgangspunkt i det synlige. Sæt en etiket på hvert billede, og skeln mellem den aktuelle tilstand og det tilsigtede resultat. Gør vigtig tekst læsbar, og bed om, at svaret identificerer den synlige detalje, der underbygger et fund.
Producenten angiver et kontekstvindue i størrelsesordenen én million tokens. Dette er en profil for kildekapacitet, ikke et selvstændigt løfte om så mange svartokens. Prompten, kildematerialet, værktøjshistorikken og de genererede ræsonnementer deler det gældende budget for anmodningen. Organisér et stort kodelager eller en dokumentsamling omkring det faktiske spørgsmål, og reservér plads til resultatet.
En nyttig leverance er en fokuseret patch, en forklaring underbygget af evidens eller en færdig sammenligning ud fra angivne kriterier. Ved en oplysning, der afhænger af aktuelle forhold, skal du angive et autoritativt tekstuddrag eller et passende opslagsværktøj. Modellens fokus på kortere ræsonnementer gør ikke manglende evidens tilgængelig, udfører ikke en funktion og validerer ikke kode selvstændigt. Kontrollér den resulterende leverance i forhold til kravene og de observationer, som den omgivende arbejdsgang har returneret.
", "aboutText": "Ember-1 er Fireworks Researchs specialiserede model bygget på Kimi K3. Dens centrale ændring er træning, der forkorter unødvendige ræsonnementer og samtidig bevarer nyttig analyse til kode- og agentopgaver. Producenten positionerer den til gentagne, værktøjsstyrede opgaver, hvor lange ræsonnementsspor kan ophobe sig gennem en samtale. Dens dokumenterede profil understøtter tekstgenerering, billedinput og funktionskald; det resulterende svar, den resulterende kode eller den foreslåede handling er tekst.\n\n### Hvad træningen ændrer\n\nProducenten udviklede Ember-1 med opgavefokuseret træning på tværs af et bredt udvalg af opgaver. Det er en forskel, der er indlært i modellen, frem for blot et valg af en lavere indstilling for ræsonnementsindsats i basismodellen. Den skal bevare sin egen identitet, når resultater sammenlignes med Kimi K3: målet er et mere økonomisk ræsonnementsforløb, ikke en antagelse om, at alle oprindelige indstillinger, funktioner eller fremtidige opdateringer er identiske.\n\nVed en softwareopgave skal du angive den relevante kode, den observerede fejl, den ønskede adfærd og de kontrakter, der skal forblive stabile. Bed om en fokuseret implementering og en forklaring knyttet til den faktiske kildekode. En praktisk opgavebeskrivelse er: ”Følg dette input, der fejler, identificér den første forkerte betingelse, og returnér den rettede funktion med det grundlag, der begrunder ændringen.” Gør den endelige leverance tydelig, også når opgaven kræver flere observationer.\n\n### Kode- og agentopgaver\n\nProducentens anvendelsestilfælde omfatter kodeassistenter og agenter, der veksler mellem modelbeslutninger og værktøjsresultater. Angiv funktionsbeskrivelser og argumentskemaer, der passer til opgaven. Modellen kan foreslå at undersøge en fil, udføre en beregning eller foretage en anden tilgængelig handling; applikationen udfører den og returnerer den faktiske observation. Brug dette resultat i næste samtaletur i stedet for at lade en foreslået handling træde i stedet for udførelsen.\n\nVed en længere opgave skal du bevare de relevante observationer om fejl, rettelse og verifikation i en kortfattet registrering. Bed om den færdige kode eller det analytiske resultat særskilt fra den mellemliggende diskussion. Kortere ræsonnementer er kun nyttige, hvis outputtet stadig opfylder den adfærd, opgaven kræver, og indeholder det grundlag, der er nødvendigt for at gennemgå det.\n\n### Billeder og omfattende kildemateriale\n\nProducentens katalog for Ember-1 understøtter billedinput. En visuel kodeopgave kan kombinere et skærmbillede med krav og kildekode og bede om en forklaring eller implementering med udgangspunkt i det synlige. Sæt en etiket på hvert billede, og skeln mellem den aktuelle tilstand og det tilsigtede resultat. Gør vigtig tekst læsbar, og bed om, at svaret identificerer den synlige detalje, der underbygger et fund.\n\nProducenten angiver et kontekstvindue i størrelsesordenen én million tokens. Dette er en profil for kildekapacitet, ikke et selvstændigt løfte om så mange svartokens. Prompten, kildematerialet, værktøjshistorikken og de genererede ræsonnementer deler det gældende budget for anmodningen. Organisér et stort kodelager eller en dokumentsamling omkring det faktiske spørgsmål, og reservér plads til resultatet.\n\n### Output, der kan gennemgås\n\nEn nyttig leverance er en fokuseret patch, en forklaring underbygget af evidens eller en færdig sammenligning ud fra angivne kriterier. Ved en oplysning, der afhænger af aktuelle forhold, skal du angive et autoritativt tekstuddrag eller et passende opslagsværktøj. Modellens fokus på kortere ræsonnementer gør ikke manglende evidens tilgængelig, udfører ikke en funktion og validerer ikke kode selvstændigt. Kontrollér den resulterende leverance i forhold til kravene og de observationer, som den omgivende arbejdsgang har returneret.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Fix an inclusive upper-bound error\n\nFind the bug in this Python function: def allowed(age):\n return age > 18 and age < 65\nThe rule permits ages 18 through 65 inclusive. Return the corrected function, explain the boundary error and write tests for ages 17, 18, 65 and 66. Treat the supplied rule as authoritative.A minimal corrected function, a boundary explanation and four executable test cases.Check that both endpoints are accepted and both adjacent out-of-range values are rejected.fireworks/ember-1Ember-1 er Fireworks Researchs model baseret på Kimi K3, trænet til at forkorte unødvendige ræsonnementer i kode- og agentopgaver. Producentens profil understøtter tekst- og billedinput, tekstgenerering og funktionskald, hvilket gør den nyttig til fokuseret udviklingsarbejde og analyse med udgangspunkt i kilder.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Ember-1 er Fireworks Researchs specialiserede model bygget på Kimi K3. Dens centrale ændring er træning, der forkorter unødvendige ræsonnementer og samtidig bevarer nyttig analyse til kode- og agentopgaver. Producenten positionerer den til gentagne, værktøjsstyrede opgaver, hvor lange ræsonnementsspor kan ophobe sig gennem en samtale. Dens dokumenterede profil understøtter tekstgenerering, billedinput og funktionskald; det resulterende svar, den resulterende kode eller den foreslåede handling er tekst.
Producenten udviklede Ember-1 med opgavefokuseret træning på tværs af et bredt udvalg af opgaver. Det er en forskel, der er indlært i modellen, frem for blot et valg af en lavere indstilling for ræsonnementsindsats i basismodellen. Den skal bevare sin egen identitet, når resultater sammenlignes med Kimi K3: målet er et mere økonomisk ræsonnementsforløb, ikke en antagelse om, at alle oprindelige indstillinger, funktioner eller fremtidige opdateringer er identiske.
Ved en softwareopgave skal du angive den relevante kode, den observerede fejl, den ønskede adfærd og de kontrakter, der skal forblive stabile. Bed om en fokuseret implementering og en forklaring knyttet til den faktiske kildekode. En praktisk opgavebeskrivelse er: ”Følg dette input, der fejler, identificér den første forkerte betingelse, og returnér den rettede funktion med det grundlag, der begrunder ændringen.” Gør den endelige leverance tydelig, også når opgaven kræver flere observationer.
Producentens anvendelsestilfælde omfatter kodeassistenter og agenter, der veksler mellem modelbeslutninger og værktøjsresultater. Angiv funktionsbeskrivelser og argumentskemaer, der passer til opgaven. Modellen kan foreslå at undersøge en fil, udføre en beregning eller foretage en anden tilgængelig handling; applikationen udfører den og returnerer den faktiske observation. Brug dette resultat i næste samtaletur i stedet for at lade en foreslået handling træde i stedet for udførelsen.
Ved en længere opgave skal du bevare de relevante observationer om fejl, rettelse og verifikation i en kortfattet registrering. Bed om den færdige kode eller det analytiske resultat særskilt fra den mellemliggende diskussion. Kortere ræsonnementer er kun nyttige, hvis outputtet stadig opfylder den adfærd, opgaven kræver, og indeholder det grundlag, der er nødvendigt for at gennemgå det.
Producentens katalog for Ember-1 understøtter billedinput. En visuel kodeopgave kan kombinere et skærmbillede med krav og kildekode og bede om en forklaring eller implementering med udgangspunkt i det synlige. Sæt en etiket på hvert billede, og skeln mellem den aktuelle tilstand og det tilsigtede resultat. Gør vigtig tekst læsbar, og bed om, at svaret identificerer den synlige detalje, der underbygger et fund.
Producenten angiver et kontekstvindue i størrelsesordenen én million tokens. Dette er en profil for kildekapacitet, ikke et selvstændigt løfte om så mange svartokens. Prompten, kildematerialet, værktøjshistorikken og de genererede ræsonnementer deler det gældende budget for anmodningen. Organisér et stort kodelager eller en dokumentsamling omkring det faktiske spørgsmål, og reservér plads til resultatet.
En nyttig leverance er en fokuseret patch, en forklaring underbygget af evidens eller en færdig sammenligning ud fra angivne kriterier. Ved en oplysning, der afhænger af aktuelle forhold, skal du angive et autoritativt tekstuddrag eller et passende opslagsværktøj. Modellens fokus på kortere ræsonnementer gør ikke manglende evidens tilgængelig, udfører ikke en funktion og validerer ikke kode selvstændigt. Kontrollér den resulterende leverance i forhold til kravene og de observationer, som den omgivende arbejdsgang har returneret.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser fireworks/ember-1 | 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 $0.006 / 1K tokens Output · Outputtokens $0.03 / 1K tokens Input · Cachelæsning $0.0006 / 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 $0.006 / 1K tokens Output · Outputtokens $0.03 / 1K tokens Input · Cachelæsning $0.0006 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "fireworks/ember-1", "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='fireworks/ember-1',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='fireworks/ember-1',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 fireworks/ember-1
Brug metodestierne vist ovenfor.
fireworks/ember-1Ember-1 er Fireworks Researchs model baseret på Kimi K3, trænet til at forkorte unødvendige ræsonnementer i kode- og agentopgaver. Producentens profil understøtter tekst- og billedinput, tekstgenerering og funktionskald, hvilket gør den nyttig til fokuseret udviklingsarbejde og analyse med udgangspunkt i kilder.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Ember-1 er Fireworks Researchs specialiserede model bygget på Kimi K3. Dens centrale ændring er træning, der forkorter unødvendige ræsonnementer og samtidig bevarer nyttig analyse til kode- og agentopgaver. Producenten positionerer den til gentagne, værktøjsstyrede opgaver, hvor lange ræsonnementsspor kan ophobe sig gennem en samtale. Dens dokumenterede profil understøtter tekstgenerering, billedinput og funktionskald; det resulterende svar, den resulterende kode eller den foreslåede handling er tekst.
Producenten udviklede Ember-1 med opgavefokuseret træning på tværs af et bredt udvalg af opgaver. Det er en forskel, der er indlært i modellen, frem for blot et valg af en lavere indstilling for ræsonnementsindsats i basismodellen. Den skal bevare sin egen identitet, når resultater sammenlignes med Kimi K3: målet er et mere økonomisk ræsonnementsforløb, ikke en antagelse om, at alle oprindelige indstillinger, funktioner eller fremtidige opdateringer er identiske.
Ved en softwareopgave skal du angive den relevante kode, den observerede fejl, den ønskede adfærd og de kontrakter, der skal forblive stabile. Bed om en fokuseret implementering og en forklaring knyttet til den faktiske kildekode. En praktisk opgavebeskrivelse er: ”Følg dette input, der fejler, identificér den første forkerte betingelse, og returnér den rettede funktion med det grundlag, der begrunder ændringen.” Gør den endelige leverance tydelig, også når opgaven kræver flere observationer.
Producentens anvendelsestilfælde omfatter kodeassistenter og agenter, der veksler mellem modelbeslutninger og værktøjsresultater. Angiv funktionsbeskrivelser og argumentskemaer, der passer til opgaven. Modellen kan foreslå at undersøge en fil, udføre en beregning eller foretage en anden tilgængelig handling; applikationen udfører den og returnerer den faktiske observation. Brug dette resultat i næste samtaletur i stedet for at lade en foreslået handling træde i stedet for udførelsen.
Ved en længere opgave skal du bevare de relevante observationer om fejl, rettelse og verifikation i en kortfattet registrering. Bed om den færdige kode eller det analytiske resultat særskilt fra den mellemliggende diskussion. Kortere ræsonnementer er kun nyttige, hvis outputtet stadig opfylder den adfærd, opgaven kræver, og indeholder det grundlag, der er nødvendigt for at gennemgå det.
Producentens katalog for Ember-1 understøtter billedinput. En visuel kodeopgave kan kombinere et skærmbillede med krav og kildekode og bede om en forklaring eller implementering med udgangspunkt i det synlige. Sæt en etiket på hvert billede, og skeln mellem den aktuelle tilstand og det tilsigtede resultat. Gør vigtig tekst læsbar, og bed om, at svaret identificerer den synlige detalje, der underbygger et fund.
Producenten angiver et kontekstvindue i størrelsesordenen én million tokens. Dette er en profil for kildekapacitet, ikke et selvstændigt løfte om så mange svartokens. Prompten, kildematerialet, værktøjshistorikken og de genererede ræsonnementer deler det gældende budget for anmodningen. Organisér et stort kodelager eller en dokumentsamling omkring det faktiske spørgsmål, og reservér plads til resultatet.
En nyttig leverance er en fokuseret patch, en forklaring underbygget af evidens eller en færdig sammenligning ud fra angivne kriterier. Ved en oplysning, der afhænger af aktuelle forhold, skal du angive et autoritativt tekstuddrag eller et passende opslagsværktøj. Modellens fokus på kortere ræsonnementer gør ikke manglende evidens tilgængelig, udfører ikke en funktion og validerer ikke kode selvstændigt. Kontrollér den resulterende leverance i forhold til kravene og de observationer, som den omgivende arbejdsgang har returneret.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser fireworks/ember-1 | 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 $0.006 / 1K tokens Output · Outputtokens $0.03 / 1K tokens Input · Cachelæsning $0.0006 / 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 $0.006 / 1K tokens Output · Outputtokens $0.03 / 1K tokens Input · Cachelæsning $0.0006 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "fireworks/ember-1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'fireworks/ember-1', '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': 'fireworks/ember-1', '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 fireworks/ember-1
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Fix an inclusive upper-bound error\n\nFind the bug in this Python function: def allowed(age):\n return age > 18 and age < 65\nThe rule permits ages 18 through 65 inclusive. Return the corrected function, explain the boundary error and write tests for ages 17, 18, 65 and 66. Treat the supplied rule as authoritative.A minimal corrected function, a boundary explanation and four executable test cases.Check that both endpoints are accepted and both adjacent out-of-range values are rejected.