Weaver Alpha er Mancers eksperimentelle system til rollespil og fortællende skrivning. Producenten beskriver en kombination af mindre modeller, der skal producere udførlig prosa, katalogiseret som et LLaMA 2-baseret 13B-system. Det modtager skriftlige sceneinstruktioner og kontekst og genererer tekst. Dets definerende rolle er kreativ, udførlig fortsættelse frem for et løfte om en anden models sammenhængende langtidshukommelse eller brede evner.
Angiv de aktuelle rammer, synsvinklen, karakterernes motivation og den hændelse, der skal ske som det næste. Identificer, hvilke fakta der er etablerede, og hvilke detaljer modellen må opfinde. Ved rollespil skal du angive, hvem der styrer hver karakter, og om svaret skal indeholde fortælling, dialog eller begge dele. En nyttig brief er: »Fortsæt denne scene fra fortællerens synsvinkel, bevar karakterens angivne mål, og stop, når den nye komplikation er afsløret.«
Ved en stemningsfuld passage skal du beskrive den tilsigtede stemning og de detaljer, der skal bære den: omgivelser, tempo, stemme og handlingen i scenens centrum. Bed om den længde og det stoppunkt, du har brug for. En udførlig stil kan tilføje tekstur, men en scene har stadig gavn af et klart dramatisk formål frem for en instruktion om at uddybe uden retning.
Producenten kræver Alpaca-promptformatering til sin dokumenterede fuldførelsesarbejdsgang. Dens offentliggjorte forenklede format skelner mellem systeminstruktion, brugerinstruktion og assistentsvar. Hold disse roller adskilt, og bevar modellens eget format, når du forbereder en fortsættelse. En omgivende chatarbejdsgang kan håndtere formateringen, men det viste modelnavn alene bestemmer ikke applikationens promptkonstruktion.
Producentens foreslåede startindstillinger er temperature 0.9, gentagelsesstraf 1.1, top-p 0.58 og top-k 50. Det er producentanbefalinger til den eksperimentelle profil og ikke indstillinger udledt for alle applikationer. De giver et udgangspunkt for prosastilen; det faktiske resultat kræver stadig gennemgang for gentagelser, stemme og efterlevelse af scenen.
Weavers producent advarer udtrykkeligt om sammenhæng og hukommelse. Bevar den seneste scenetilstand og væsentlige karakterfakta i inputtet, når historien fortsætter. En kort kontinuitetsnote kan identificere, hvad der er sket, hvad karaktererne ved, og hvad der ikke må ændres. Hvis en genereret passage modsiger noten, skal du angive den konkrete afvigelse og bede om en revision knyttet til de etablerede hændelser.
Producentprofilen angiver en kontekst på 8.000 tokens og et maksimalt output på 6.000 tokens. Kildemateriale, instruktioner, samtale og fuldførelse skal være inden for det gældende budget; outputgrænsen er ikke ekstra plads ud over konteksten. Producenten angiver også, at denne profil ikke understøtter multi-swipe-generering. Betragt en genereret fortsættelse som ét resultat, der skal undersøges, frem for at antage samtidige alternativer fra én anmodning.
Resultatet kan være en scenefortsættelse, en beskrivende passage eller en udveksling mellem karakterer. Kontroller, om det bevarer synsvinkel, karakterernes handlefrihed, kronologi og den ønskede afslutning. Ved en redigering skal du identificere den præcise passage, der skal ændres, og den betydning, der skal bevares. Bevar vellykkede historiefakta i næste prompt frem for at forvente, at en lang uset historik fortsat er tilgængelig. Weaver Alphas praktiske værdi er dens kreative prosaprofil med dens eksperimentelle identitet og dokumenterede kontinuitetsgrænser synlige i opgavens forberedelse.
", "aboutText": "Weaver Alpha er Mancers eksperimentelle system til rollespil og fortællende skrivning. Producenten beskriver en kombination af mindre modeller, der skal producere udførlig prosa, katalogiseret som et LLaMA 2-baseret 13B-system. Det modtager skriftlige sceneinstruktioner og kontekst og genererer tekst. Dets definerende rolle er kreativ, udførlig fortsættelse frem for et løfte om en anden models sammenhængende langtidshukommelse eller brede evner.\n\n### Forbered en fortællende scene\n\nAngiv de aktuelle rammer, synsvinklen, karakterernes motivation og den hændelse, der skal ske som det næste. Identificer, hvilke fakta der er etablerede, og hvilke detaljer modellen må opfinde. Ved rollespil skal du angive, hvem der styrer hver karakter, og om svaret skal indeholde fortælling, dialog eller begge dele. En nyttig brief er: »Fortsæt denne scene fra fortællerens synsvinkel, bevar karakterens angivne mål, og stop, når den nye komplikation er afsløret.«\n\nVed en stemningsfuld passage skal du beskrive den tilsigtede stemning og de detaljer, der skal bære den: omgivelser, tempo, stemme og handlingen i scenens centrum. Bed om den længde og det stoppunkt, du har brug for. En udførlig stil kan tilføje tekstur, men en scene har stadig gavn af et klart dramatisk formål frem for en instruktion om at uddybe uden retning.\n\n### Prompt og producentindstillinger\n\nProducenten kræver Alpaca-promptformatering til sin dokumenterede fuldførelsesarbejdsgang. Dens offentliggjorte forenklede format skelner mellem systeminstruktion, brugerinstruktion og assistentsvar. Hold disse roller adskilt, og bevar modellens eget format, når du forbereder en fortsættelse. En omgivende chatarbejdsgang kan håndtere formateringen, men det viste modelnavn alene bestemmer ikke applikationens promptkonstruktion.\n\nProducentens foreslåede startindstillinger er temperature 0.9, gentagelsesstraf 1.1, top-p 0.58 og top-k 50. Det er producentanbefalinger til den eksperimentelle profil og ikke indstillinger udledt for alle applikationer. De giver et udgangspunkt for prosastilen; det faktiske resultat kræver stadig gennemgang for gentagelser, stemme og efterlevelse af scenen.\n\n### Kontinuitet og grænser\n\nWeavers producent advarer udtrykkeligt om sammenhæng og hukommelse. Bevar den seneste scenetilstand og væsentlige karakterfakta i inputtet, når historien fortsætter. En kort kontinuitetsnote kan identificere, hvad der er sket, hvad karaktererne ved, og hvad der ikke må ændres. Hvis en genereret passage modsiger noten, skal du angive den konkrete afvigelse og bede om en revision knyttet til de etablerede hændelser.\n\nProducentprofilen angiver en kontekst på 8.000 tokens og et maksimalt output på 6.000 tokens. Kildemateriale, instruktioner, samtale og fuldførelse skal være inden for det gældende budget; outputgrænsen er ikke ekstra plads ud over konteksten. Producenten angiver også, at denne profil ikke understøtter multi-swipe-generering. Betragt en genereret fortsættelse som ét resultat, der skal undersøges, frem for at antage samtidige alternativer fra én anmodning.\n\n### Et nyttigt skriveresultat\n\nResultatet kan være en scenefortsættelse, en beskrivende passage eller en udveksling mellem karakterer. Kontroller, om det bevarer synsvinkel, karakterernes handlefrihed, kronologi og den ønskede afslutning. Ved en redigering skal du identificere den præcise passage, der skal ændres, og den betydning, der skal bevares. Bevar vellykkede historiefakta i næste prompt frem for at forvente, at en lang uset historik fortsat er tilgængelig. Weaver Alphas praktiske værdi er dens kreative prosaprofil med dens eksperimentelle identitet og dokumenterede kontinuitetsgrænser synlige i opgavens forberedelse.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Reveal a scene complication\n\nContinue in close third person through cartographer Nera. She has reached an abandoned observatory to recover her stolen atlas; her companion believes it burned. Write 200 words of atmospheric prose with one brief exchange. Preserve those facts, then stop when Nera finds a freshly drawn map of their route inside the supposedly empty dome.An atmospheric scene continuation around 200 words, ending on the discovery rather than resolving it.Check viewpoint, the companion's belief and the requested stopping event remain consistent.mancer/weaverWeaver Alpha er Mancers eksperimentelle tekstgenereringssystem til rollespil og fortællende prosa. Dens udførlige kreative stil fungerer bedst med en udtrykkelig scene, en karakterbrief og nyere kontinuitetsnoter; producentprofilen angiver en kontekst på 8.000 tokens og en outputgrænse på 6.000 tokens.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Weaver Alpha er Mancers eksperimentelle system til rollespil og fortællende skrivning. Producenten beskriver en kombination af mindre modeller, der skal producere udførlig prosa, katalogiseret som et LLaMA 2-baseret 13B-system. Det modtager skriftlige sceneinstruktioner og kontekst og genererer tekst. Dets definerende rolle er kreativ, udførlig fortsættelse frem for et løfte om en anden models sammenhængende langtidshukommelse eller brede evner.
Angiv de aktuelle rammer, synsvinklen, karakterernes motivation og den hændelse, der skal ske som det næste. Identificer, hvilke fakta der er etablerede, og hvilke detaljer modellen må opfinde. Ved rollespil skal du angive, hvem der styrer hver karakter, og om svaret skal indeholde fortælling, dialog eller begge dele. En nyttig brief er: »Fortsæt denne scene fra fortællerens synsvinkel, bevar karakterens angivne mål, og stop, når den nye komplikation er afsløret.«
Ved en stemningsfuld passage skal du beskrive den tilsigtede stemning og de detaljer, der skal bære den: omgivelser, tempo, stemme og handlingen i scenens centrum. Bed om den længde og det stoppunkt, du har brug for. En udførlig stil kan tilføje tekstur, men en scene har stadig gavn af et klart dramatisk formål frem for en instruktion om at uddybe uden retning.
Producenten kræver Alpaca-promptformatering til sin dokumenterede fuldførelsesarbejdsgang. Dens offentliggjorte forenklede format skelner mellem systeminstruktion, brugerinstruktion og assistentsvar. Hold disse roller adskilt, og bevar modellens eget format, når du forbereder en fortsættelse. En omgivende chatarbejdsgang kan håndtere formateringen, men det viste modelnavn alene bestemmer ikke applikationens promptkonstruktion.
Producentens foreslåede startindstillinger er temperature 0.9, gentagelsesstraf 1.1, top-p 0.58 og top-k 50. Det er producentanbefalinger til den eksperimentelle profil og ikke indstillinger udledt for alle applikationer. De giver et udgangspunkt for prosastilen; det faktiske resultat kræver stadig gennemgang for gentagelser, stemme og efterlevelse af scenen.
Weavers producent advarer udtrykkeligt om sammenhæng og hukommelse. Bevar den seneste scenetilstand og væsentlige karakterfakta i inputtet, når historien fortsætter. En kort kontinuitetsnote kan identificere, hvad der er sket, hvad karaktererne ved, og hvad der ikke må ændres. Hvis en genereret passage modsiger noten, skal du angive den konkrete afvigelse og bede om en revision knyttet til de etablerede hændelser.
Producentprofilen angiver en kontekst på 8.000 tokens og et maksimalt output på 6.000 tokens. Kildemateriale, instruktioner, samtale og fuldførelse skal være inden for det gældende budget; outputgrænsen er ikke ekstra plads ud over konteksten. Producenten angiver også, at denne profil ikke understøtter multi-swipe-generering. Betragt en genereret fortsættelse som ét resultat, der skal undersøges, frem for at antage samtidige alternativer fra én anmodning.
Resultatet kan være en scenefortsættelse, en beskrivende passage eller en udveksling mellem karakterer. Kontroller, om det bevarer synsvinkel, karakterernes handlefrihed, kronologi og den ønskede afslutning. Ved en redigering skal du identificere den præcise passage, der skal ændres, og den betydning, der skal bevares. Bevar vellykkede historiefakta i næste prompt frem for at forvente, at en lang uset historik fortsat er tilgængelig. Weaver Alphas praktiske værdi er dens kreative prosaprofil med dens eksperimentelle identitet og dokumenterede kontinuitetsgrænser synlige i opgavens forberedelse.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser mancer/weaver | 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 $0.0008 / 1K tokens Output · Outputtokens $0.0015 / 1K tokens Input · Cachelæsning — / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0008 / 1K tokens Output · Outputtokens $0.0015 / 1K tokens Input · Cachelæsning — / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mancer/weaver", "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='mancer/weaver',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='mancer/weaver',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 mancer/weaver
Brug metodestierne vist ovenfor.
mancer/weaverWeaver Alpha er Mancers eksperimentelle tekstgenereringssystem til rollespil og fortællende prosa. Dens udførlige kreative stil fungerer bedst med en udtrykkelig scene, en karakterbrief og nyere kontinuitetsnoter; producentprofilen angiver en kontekst på 8.000 tokens og en outputgrænse på 6.000 tokens.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Weaver Alpha er Mancers eksperimentelle system til rollespil og fortællende skrivning. Producenten beskriver en kombination af mindre modeller, der skal producere udførlig prosa, katalogiseret som et LLaMA 2-baseret 13B-system. Det modtager skriftlige sceneinstruktioner og kontekst og genererer tekst. Dets definerende rolle er kreativ, udførlig fortsættelse frem for et løfte om en anden models sammenhængende langtidshukommelse eller brede evner.
Angiv de aktuelle rammer, synsvinklen, karakterernes motivation og den hændelse, der skal ske som det næste. Identificer, hvilke fakta der er etablerede, og hvilke detaljer modellen må opfinde. Ved rollespil skal du angive, hvem der styrer hver karakter, og om svaret skal indeholde fortælling, dialog eller begge dele. En nyttig brief er: »Fortsæt denne scene fra fortællerens synsvinkel, bevar karakterens angivne mål, og stop, når den nye komplikation er afsløret.«
Ved en stemningsfuld passage skal du beskrive den tilsigtede stemning og de detaljer, der skal bære den: omgivelser, tempo, stemme og handlingen i scenens centrum. Bed om den længde og det stoppunkt, du har brug for. En udførlig stil kan tilføje tekstur, men en scene har stadig gavn af et klart dramatisk formål frem for en instruktion om at uddybe uden retning.
Producenten kræver Alpaca-promptformatering til sin dokumenterede fuldførelsesarbejdsgang. Dens offentliggjorte forenklede format skelner mellem systeminstruktion, brugerinstruktion og assistentsvar. Hold disse roller adskilt, og bevar modellens eget format, når du forbereder en fortsættelse. En omgivende chatarbejdsgang kan håndtere formateringen, men det viste modelnavn alene bestemmer ikke applikationens promptkonstruktion.
Producentens foreslåede startindstillinger er temperature 0.9, gentagelsesstraf 1.1, top-p 0.58 og top-k 50. Det er producentanbefalinger til den eksperimentelle profil og ikke indstillinger udledt for alle applikationer. De giver et udgangspunkt for prosastilen; det faktiske resultat kræver stadig gennemgang for gentagelser, stemme og efterlevelse af scenen.
Weavers producent advarer udtrykkeligt om sammenhæng og hukommelse. Bevar den seneste scenetilstand og væsentlige karakterfakta i inputtet, når historien fortsætter. En kort kontinuitetsnote kan identificere, hvad der er sket, hvad karaktererne ved, og hvad der ikke må ændres. Hvis en genereret passage modsiger noten, skal du angive den konkrete afvigelse og bede om en revision knyttet til de etablerede hændelser.
Producentprofilen angiver en kontekst på 8.000 tokens og et maksimalt output på 6.000 tokens. Kildemateriale, instruktioner, samtale og fuldførelse skal være inden for det gældende budget; outputgrænsen er ikke ekstra plads ud over konteksten. Producenten angiver også, at denne profil ikke understøtter multi-swipe-generering. Betragt en genereret fortsættelse som ét resultat, der skal undersøges, frem for at antage samtidige alternativer fra én anmodning.
Resultatet kan være en scenefortsættelse, en beskrivende passage eller en udveksling mellem karakterer. Kontroller, om det bevarer synsvinkel, karakterernes handlefrihed, kronologi og den ønskede afslutning. Ved en redigering skal du identificere den præcise passage, der skal ændres, og den betydning, der skal bevares. Bevar vellykkede historiefakta i næste prompt frem for at forvente, at en lang uset historik fortsat er tilgængelig. Weaver Alphas praktiske værdi er dens kreative prosaprofil med dens eksperimentelle identitet og dokumenterede kontinuitetsgrænser synlige i opgavens forberedelse.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser mancer/weaver | 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 $0.0008 / 1K tokens Output · Outputtokens $0.0015 / 1K tokens Input · Cachelæsning — / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0008 / 1K tokens Output · Outputtokens $0.0015 / 1K tokens Input · Cachelæsning — / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "mancer/weaver",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'mancer/weaver', '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': 'mancer/weaver', '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 mancer/weaver
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Reveal a scene complication\n\nContinue in close third person through cartographer Nera. She has reached an abandoned observatory to recover her stolen atlas; her companion believes it burned. Write 200 words of atmospheric prose with one brief exchange. Preserve those facts, then stop when Nera finds a freshly drawn map of their route inside the supposedly empty dome.An atmospheric scene continuation around 200 words, ending on the discovery rather than resolving it.Check viewpoint, the companion's belief and the requested stopping event remain consistent.