Mercury 2.5 er Inceptions diffusionsbaserede ræsonneringssprogmodel. Den efterfølger Mercury 2 med opdateret træning formet af feedback fra produktion og fejltilfælde, samtidig med at familiens fokus på hurtig tekstgenerering med lav svartid bevares. Dens offentliggjorte profil omfatter en kontekst på 260K, justerbar ræsonnering, parallelle værktøjskald og skematilpasset JSON. Inputtet er en skriftlig opgave og relevant tekstkontekst; outputtet er tekst, kode, en struktureret post eller foreslået indhold til værktøjskald.
Mercury-familien genererer sprog gennem parallel forfinelse frem for udelukkende at forudsige ét token efter det andet fra venstre mod højre. Denne arkitektoniske retning har til formål at få gentagne modeltrin til at passe ind i en interaktiv arbejdsgang. Justerbar ræsonnering lader producentprofilen tilpasse analysens dybde til opgaven. Angiv det krævede slutresultat udtrykkeligt: svaret kan skulle være kort, selv når en mellemliggende proces er mere omfattende.
Ved en sammenligning skal du levere kriterierne og navngivne kildepassager. Ved udtræk skal du definere felterne og deres betydning. En nyttig opgaveinstruktion er: »Omsæt disse kildepassager til en post med de krævede specifikationer, bevar enhederne, og identificer den passage, der understøtter hver værdi.« Skematilpasset output giver applikationen et organiseret resultat; overensstemmelse med kilden kræver stadig gennemgang.
Producenten beskriver Mercury-anvendelse til søgeplanlægning, omskrivning af søgeforespørgsler, strukturering af fakta, kildesammendrag og svarkontrol. En applikation kan give hvert trin et specifikt formål og sende den relevante dokumentation videre til det næste. Bed om, at en omskrevet søgeforespørgsel bevarer brugerens faktiske begrænsninger, og at et kildesammendrag bevarer de fakta, det endelige svar kræver, frem for blot at forkorte hver passage.
Mercury 2.5s evne til parallelle værktøjskald er nyttig, når uafhængige handlinger kan indhente forskellige observationer til en opgave. Lever tydelige funktionsdefinitioner og parameterskemaer. Applikationen udfører de valgte kald og returnerer deres resultater. Hold kaldidentifikatorer og kildebetegnelser samlet, så det endelige svar bruger observerede oplysninger frem for en antagelse om, at et værktøj blev udført.
Producenten beskriver også programmeringshjælp og understøttende handlinger som at komprimere en lang session eller finde et passende værktøj. Ved komprimering skal du identificere, hvad næste opgave kræver: accepterede krav, aktuelle fejl, beslutninger og dokumentationen bag dem. Bed modellen bevare disse punkter og skelne mellem ufærdigt arbejde og et fuldført resultat.
Ved en softwareændring skal du levere relevant kode, forventet adfærd og et fejlende input eller en observeret fejl. Bed om en afgrænset implementering og dens forklaring. Hvis en visuel applikation eller taleapplikation bruger Mercury som sit sprogtrin, skal du levere den tekst eller værktøjsobservation, modellen faktisk modtager; talegenkendelse, talesyntese og medierendering forbliver separate komponenter.
Konteksten på 260K er den dokumenterede 2.5-profil, adskilt fra Mercury 2s lanceringskontekst på 128K og de specialiserede Mercury Voice- og Router-modeller. Budgetter kildemateriale, historik, ræsonnering og slutresultat samlet. Vælg outputformen, før opgaven starter, og bevar plads til et svar, der indeholder de obligatoriske detaljer.
Et nyttigt slutresultat er et struktureret udtræk, en kildebaseret forklaring, et kodeforslag eller et kort sammendrag af opgavens tilstand. Kontroller fakta mod det leverede materiale og kode i det tilsigtede miljø. Diffusionsarkitekturen og rollen i opgaver med krav om hurtig respons fastslår ikke i sig selv korrekthed, adgang til en ekstern kilde eller udførelse af en foreslået handling.
", "aboutText": "Mercury 2.5 er Inceptions diffusionsbaserede ræsonneringssprogmodel. Den efterfølger Mercury 2 med opdateret træning formet af feedback fra produktion og fejltilfælde, samtidig med at familiens fokus på hurtig tekstgenerering med lav svartid bevares. Dens offentliggjorte profil omfatter en kontekst på 260K, justerbar ræsonnering, parallelle værktøjskald og skematilpasset JSON. Inputtet er en skriftlig opgave og relevant tekstkontekst; outputtet er tekst, kode, en struktureret post eller foreslået indhold til værktøjskald.\n\n### Diffusion og ræsonnering\n\nMercury-familien genererer sprog gennem parallel forfinelse frem for udelukkende at forudsige ét token efter det andet fra venstre mod højre. Denne arkitektoniske retning har til formål at få gentagne modeltrin til at passe ind i en interaktiv arbejdsgang. Justerbar ræsonnering lader producentprofilen tilpasse analysens dybde til opgaven. Angiv det krævede slutresultat udtrykkeligt: svaret kan skulle være kort, selv når en mellemliggende proces er mere omfattende.\n\nVed en sammenligning skal du levere kriterierne og navngivne kildepassager. Ved udtræk skal du definere felterne og deres betydning. En nyttig opgaveinstruktion er: »Omsæt disse kildepassager til en post med de krævede specifikationer, bevar enhederne, og identificer den passage, der understøtter hver værdi.« Skematilpasset output giver applikationen et organiseret resultat; overensstemmelse med kilden kræver stadig gennemgang.\n\n### Arbejdsgange til søgning og informationshentning\n\nProducenten beskriver Mercury-anvendelse til søgeplanlægning, omskrivning af søgeforespørgsler, strukturering af fakta, kildesammendrag og svarkontrol. En applikation kan give hvert trin et specifikt formål og sende den relevante dokumentation videre til det næste. Bed om, at en omskrevet søgeforespørgsel bevarer brugerens faktiske begrænsninger, og at et kildesammendrag bevarer de fakta, det endelige svar kræver, frem for blot at forkorte hver passage.\n\nMercury 2.5s evne til parallelle værktøjskald er nyttig, når uafhængige handlinger kan indhente forskellige observationer til en opgave. Lever tydelige funktionsdefinitioner og parameterskemaer. Applikationen udfører de valgte kald og returnerer deres resultater. Hold kaldidentifikatorer og kildebetegnelser samlet, så det endelige svar bruger observerede oplysninger frem for en antagelse om, at et værktøj blev udført.\n\n### Programmering og kontekstarbejde\n\nProducenten beskriver også programmeringshjælp og understøttende handlinger som at komprimere en lang session eller finde et passende værktøj. Ved komprimering skal du identificere, hvad næste opgave kræver: accepterede krav, aktuelle fejl, beslutninger og dokumentationen bag dem. Bed modellen bevare disse punkter og skelne mellem ufærdigt arbejde og et fuldført resultat.\n\nVed en softwareændring skal du levere relevant kode, forventet adfærd og et fejlende input eller en observeret fejl. Bed om en afgrænset implementering og dens forklaring. Hvis en visuel applikation eller taleapplikation bruger Mercury som sit sprogtrin, skal du levere den tekst eller værktøjsobservation, modellen faktisk modtager; talegenkendelse, talesyntese og medierendering forbliver separate komponenter.\n\n### Grænser og gennemgang af output\n\nKonteksten på 260K er den dokumenterede 2.5-profil, adskilt fra Mercury 2s lanceringskontekst på 128K og de specialiserede Mercury Voice- og Router-modeller. Budgetter kildemateriale, historik, ræsonnering og slutresultat samlet. Vælg outputformen, før opgaven starter, og bevar plads til et svar, der indeholder de obligatoriske detaljer.\n\nEt nyttigt slutresultat er et struktureret udtræk, en kildebaseret forklaring, et kodeforslag eller et kort sammendrag af opgavens tilstand. Kontroller fakta mod det leverede materiale og kode i det tilsigtede miljø. Diffusionsarkitekturen og rollen i opgaver med krav om hurtig respons fastslår ikke i sig selv korrekthed, adgang til en ekstern kilde eller udførelse af en foreslået handling.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Rewrite a constrained retrieval query\n\nRewrite this request into two concise search queries for an application's document retriever: 'Find the approved procedure for recovering failed nightly exports without rerunning completed pages, for the warehouse service, excluding the retired batch runner.' Preserve the service, recovery objective and exclusion. Explain briefly what each query emphasizes; do not perform a search.Two query rewrites with short purpose notes, retaining all mandatory constraints.Neither rewrite drops the warehouse-service scope, completed-page protection or retired-runner exclusion.inception/mercury-2.5Mercury 2.5 er Inceptions diffusionsbaserede ræsonneringstekstmodel med en kontekst på 260K. Justerbar ræsonnering, parallelle værktøjskald og skematilpasset JSON understøtter søgning, udtræk, programmeringshjælp og gentagne agenttrin, der kræver et klart, struktureret resultat.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Mercury 2.5 er Inceptions diffusionsbaserede ræsonneringssprogmodel. Den efterfølger Mercury 2 med opdateret træning formet af feedback fra produktion og fejltilfælde, samtidig med at familiens fokus på hurtig tekstgenerering med lav svartid bevares. Dens offentliggjorte profil omfatter en kontekst på 260K, justerbar ræsonnering, parallelle værktøjskald og skematilpasset JSON. Inputtet er en skriftlig opgave og relevant tekstkontekst; outputtet er tekst, kode, en struktureret post eller foreslået indhold til værktøjskald.
Mercury-familien genererer sprog gennem parallel forfinelse frem for udelukkende at forudsige ét token efter det andet fra venstre mod højre. Denne arkitektoniske retning har til formål at få gentagne modeltrin til at passe ind i en interaktiv arbejdsgang. Justerbar ræsonnering lader producentprofilen tilpasse analysens dybde til opgaven. Angiv det krævede slutresultat udtrykkeligt: svaret kan skulle være kort, selv når en mellemliggende proces er mere omfattende.
Ved en sammenligning skal du levere kriterierne og navngivne kildepassager. Ved udtræk skal du definere felterne og deres betydning. En nyttig opgaveinstruktion er: »Omsæt disse kildepassager til en post med de krævede specifikationer, bevar enhederne, og identificer den passage, der understøtter hver værdi.« Skematilpasset output giver applikationen et organiseret resultat; overensstemmelse med kilden kræver stadig gennemgang.
Producenten beskriver Mercury-anvendelse til søgeplanlægning, omskrivning af søgeforespørgsler, strukturering af fakta, kildesammendrag og svarkontrol. En applikation kan give hvert trin et specifikt formål og sende den relevante dokumentation videre til det næste. Bed om, at en omskrevet søgeforespørgsel bevarer brugerens faktiske begrænsninger, og at et kildesammendrag bevarer de fakta, det endelige svar kræver, frem for blot at forkorte hver passage.
Mercury 2.5s evne til parallelle værktøjskald er nyttig, når uafhængige handlinger kan indhente forskellige observationer til en opgave. Lever tydelige funktionsdefinitioner og parameterskemaer. Applikationen udfører de valgte kald og returnerer deres resultater. Hold kaldidentifikatorer og kildebetegnelser samlet, så det endelige svar bruger observerede oplysninger frem for en antagelse om, at et værktøj blev udført.
Producenten beskriver også programmeringshjælp og understøttende handlinger som at komprimere en lang session eller finde et passende værktøj. Ved komprimering skal du identificere, hvad næste opgave kræver: accepterede krav, aktuelle fejl, beslutninger og dokumentationen bag dem. Bed modellen bevare disse punkter og skelne mellem ufærdigt arbejde og et fuldført resultat.
Ved en softwareændring skal du levere relevant kode, forventet adfærd og et fejlende input eller en observeret fejl. Bed om en afgrænset implementering og dens forklaring. Hvis en visuel applikation eller taleapplikation bruger Mercury som sit sprogtrin, skal du levere den tekst eller værktøjsobservation, modellen faktisk modtager; talegenkendelse, talesyntese og medierendering forbliver separate komponenter.
Konteksten på 260K er den dokumenterede 2.5-profil, adskilt fra Mercury 2s lanceringskontekst på 128K og de specialiserede Mercury Voice- og Router-modeller. Budgetter kildemateriale, historik, ræsonnering og slutresultat samlet. Vælg outputformen, før opgaven starter, og bevar plads til et svar, der indeholder de obligatoriske detaljer.
Et nyttigt slutresultat er et struktureret udtræk, en kildebaseret forklaring, et kodeforslag eller et kort sammendrag af opgavens tilstand. Kontroller fakta mod det leverede materiale og kode i det tilsigtede miljø. Diffusionsarkitekturen og rollen i opgaver med krav om hurtig respons fastslår ikke i sig selv korrekthed, adgang til en ekstern kilde eller udførelse af en foreslået handling.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser inception/mercury-2.5 | 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 $0.0004 / 1K tokens Output · Outputtokens $0.0015 / 1K tokens Input · Cachelæsning $0.00004 / 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 $0.0004 / 1K tokens Output · Outputtokens $0.0015 / 1K tokens Input · Cachelæsning $0.00004 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "inception/mercury-2.5", "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='inception/mercury-2.5',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='inception/mercury-2.5',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 inception/mercury-2.5
Brug metodestierne vist ovenfor.
inception/mercury-2.5Mercury 2.5 er Inceptions diffusionsbaserede ræsonneringstekstmodel med en kontekst på 260K. Justerbar ræsonnering, parallelle værktøjskald og skematilpasset JSON understøtter søgning, udtræk, programmeringshjælp og gentagne agenttrin, der kræver et klart, struktureret resultat.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Mercury 2.5 er Inceptions diffusionsbaserede ræsonneringssprogmodel. Den efterfølger Mercury 2 med opdateret træning formet af feedback fra produktion og fejltilfælde, samtidig med at familiens fokus på hurtig tekstgenerering med lav svartid bevares. Dens offentliggjorte profil omfatter en kontekst på 260K, justerbar ræsonnering, parallelle værktøjskald og skematilpasset JSON. Inputtet er en skriftlig opgave og relevant tekstkontekst; outputtet er tekst, kode, en struktureret post eller foreslået indhold til værktøjskald.
Mercury-familien genererer sprog gennem parallel forfinelse frem for udelukkende at forudsige ét token efter det andet fra venstre mod højre. Denne arkitektoniske retning har til formål at få gentagne modeltrin til at passe ind i en interaktiv arbejdsgang. Justerbar ræsonnering lader producentprofilen tilpasse analysens dybde til opgaven. Angiv det krævede slutresultat udtrykkeligt: svaret kan skulle være kort, selv når en mellemliggende proces er mere omfattende.
Ved en sammenligning skal du levere kriterierne og navngivne kildepassager. Ved udtræk skal du definere felterne og deres betydning. En nyttig opgaveinstruktion er: »Omsæt disse kildepassager til en post med de krævede specifikationer, bevar enhederne, og identificer den passage, der understøtter hver værdi.« Skematilpasset output giver applikationen et organiseret resultat; overensstemmelse med kilden kræver stadig gennemgang.
Producenten beskriver Mercury-anvendelse til søgeplanlægning, omskrivning af søgeforespørgsler, strukturering af fakta, kildesammendrag og svarkontrol. En applikation kan give hvert trin et specifikt formål og sende den relevante dokumentation videre til det næste. Bed om, at en omskrevet søgeforespørgsel bevarer brugerens faktiske begrænsninger, og at et kildesammendrag bevarer de fakta, det endelige svar kræver, frem for blot at forkorte hver passage.
Mercury 2.5s evne til parallelle værktøjskald er nyttig, når uafhængige handlinger kan indhente forskellige observationer til en opgave. Lever tydelige funktionsdefinitioner og parameterskemaer. Applikationen udfører de valgte kald og returnerer deres resultater. Hold kaldidentifikatorer og kildebetegnelser samlet, så det endelige svar bruger observerede oplysninger frem for en antagelse om, at et værktøj blev udført.
Producenten beskriver også programmeringshjælp og understøttende handlinger som at komprimere en lang session eller finde et passende værktøj. Ved komprimering skal du identificere, hvad næste opgave kræver: accepterede krav, aktuelle fejl, beslutninger og dokumentationen bag dem. Bed modellen bevare disse punkter og skelne mellem ufærdigt arbejde og et fuldført resultat.
Ved en softwareændring skal du levere relevant kode, forventet adfærd og et fejlende input eller en observeret fejl. Bed om en afgrænset implementering og dens forklaring. Hvis en visuel applikation eller taleapplikation bruger Mercury som sit sprogtrin, skal du levere den tekst eller værktøjsobservation, modellen faktisk modtager; talegenkendelse, talesyntese og medierendering forbliver separate komponenter.
Konteksten på 260K er den dokumenterede 2.5-profil, adskilt fra Mercury 2s lanceringskontekst på 128K og de specialiserede Mercury Voice- og Router-modeller. Budgetter kildemateriale, historik, ræsonnering og slutresultat samlet. Vælg outputformen, før opgaven starter, og bevar plads til et svar, der indeholder de obligatoriske detaljer.
Et nyttigt slutresultat er et struktureret udtræk, en kildebaseret forklaring, et kodeforslag eller et kort sammendrag af opgavens tilstand. Kontroller fakta mod det leverede materiale og kode i det tilsigtede miljø. Diffusionsarkitekturen og rollen i opgaver med krav om hurtig respons fastslår ikke i sig selv korrekthed, adgang til en ekstern kilde eller udførelse af en foreslået handling.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser inception/mercury-2.5 | 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 $0.0004 / 1K tokens Output · Outputtokens $0.0015 / 1K tokens Input · Cachelæsning $0.00004 / 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 $0.0004 / 1K tokens Output · Outputtokens $0.0015 / 1K tokens Input · Cachelæsning $0.00004 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "inception/mercury-2.5",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'inception/mercury-2.5', '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': 'inception/mercury-2.5', '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 inception/mercury-2.5
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Rewrite a constrained retrieval query\n\nRewrite this request into two concise search queries for an application's document retriever: 'Find the approved procedure for recovering failed nightly exports without rerunning completed pages, for the warehouse service, excluding the retired batch runner.' Preserve the service, recovery objective and exclusion. Explain briefly what each query emphasizes; do not perform a search.Two query rewrites with short purpose notes, retaining all mandatory constraints.Neither rewrite drops the warehouse-service scope, completed-page protection or retired-runner exclusion.