modeller

Meta: Llama 3.2 1B Instruct

Markdown · JSON

Meta: Llama 3.2 1B Instruct

Llama 3.2 1B Instruct er Metas kompakte tekstmodel med 1,23 milliarder parametre til dialog, sammenfatning, videnssøgning og omskrivning af forespørgsler. Producenten angiver en kontekst på 128k for den almindelige udgave og 8k for særskilte kvantiserede varianter med flersproget tekst- og kodeoutput.

Om modellen

Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.

Llama 3.2 1B Instruct er Metas kompakte instruktionsfinjusterede tekstmodel med 1,23 milliarder parametre i producentens tabel. Den modtager flersproget tekst og returnerer tekst eller kode. Udgivelsen er beregnet til dialog, videnssøgning, sammenfatning, mobile skriveassistenter og omskrivning af forespørgsler eller prompter frem for de billedforståelsesopgaver, som Llamas særskilte visionsudgaver håndterer.

Modeloplysninger og kontekst

Modellen bruger en autoregressiv Transformer-arkitektur med grouped-query attention og delte embeddings. Meta skelner mellem fortrænede og instruktionsfinjusterede 1B- og 3B-modeller. Denne post er 1B Instruct-checkpointet, hvis opgave er at følge brugerens anmodning i en samtale frem for at fungere som det fortrænede fundament.

Den almindelige tekstudgave er dokumenteret med en kontekst på 128k. Producenten angiver særskilt en kontekst på 8k for sine kvantiserede tekstmodeller. Disse konfigurationer bør holdes adskilt: kvantisering giver ikke grundlag for at overføre den almindelige udgaves kontekst til alle checkpoints i mindre formater eller udlede en bestemt tjenestes konfigurerede kapacitet.

Brug konteksten til de passager og den samtale, der er relevante for én defineret operation. Et langt dokument kan stadig kræve et kort resumé, en omskrevet søgeforespørgsel eller et kildebaseret svar. Identificér det materiale, resultatet skal bevare, og den længde eller de felter, næste applikationstrin har brug for.

Søgning, resuméer og omskrivning

Ved sammenfatning skal du vedlægge den faktiske passage eller samtale og angive målgruppen, længden og de væsentlige fakta. Et nyttigt resultat kan adskille hovedproblemet, allerede udtrykte beslutninger og åbne spørgsmål. Hvis kilden indeholder flere emner, skal du identificere det emne, resuméet skal dække, frem for at bede om en uafgrænset forkortelse af alt.

Ved videnssøgning skal du vedlægge de udvalgte kildepassager eller oplysninger, en søgekomponent har returneret. Bed om det udsagn, der besvarer spørgsmålet, og den passage, der understøtter det. Modellens tekstsvar kan forklare hentede oplysninger, mens søgning i en privat samling fortsat udføres af den tilsluttede applikation. Modellen får ikke adgang til samlingen alene gennem anvendelsesbetegnelsen videnssøgning.

Ved omskrivning af forespørgsler skal du angive det oprindelige spørgsmål og søgningens formål. Bed om en kortfattet omformulering, der bevarer entiteten, betingelsen og den ønskede information. En supportforespørgsel kan omskrives med det produktbegreb og den handling, der er vigtige, uden at tilføje en oplysning, der ikke findes i brugerens besked. Returnér den reviderede forespørgsel adskilt fra en eventuel forklaring, hvis en anden komponent skal bruge den direkte.

Til en skriveassistent skal du angive læseren, tonen og kildefakta, før du beder om et kort brev eller en revideret passage. Ved en udtrækningsopgave skal du definere felterne og repræsentationen af manglende information. Det er konkrete operationer, der forbinder den kompakte models dokumenterede tekstfokus med et artefakt, som kan undersøges.

Understøttede sprog og træning

De officielt understøttede sprog er engelsk, tysk, fransk, italiensk, portugisisk, hindi, spansk og thai. Modellen er trænet på en bredere sprogsamling, hvilket adskiller sig fra de otte sprog, kortet udtrykkeligt understøtter. Angiv slutsproget og de begreber eller identifikatorer, der skal forblive uændrede.

Familien er fortrænet på op til ni billioner tokens med en dataskæringsdato i december 2023. Til 1B- og 3B-modellerne bruger producenten output fra Llama 3.1 8B og 70B som træningsmål på tokenniveau samt vidensdestillation efter beskæring. Det er en træningsproces; det betyder ikke, at den implementerede 1B-model beder de større modeller besvare hvert brugerspørgsmål.

Kortet beskriver superviseret finjustering og præferencebaseret tilpasning med eftertræningsrunder, der omfatter superviserede eksempler, afvisningssampling og direkte præferenceoptimering. Disse trin skaber Instruct-adfærden, mens det navngivne checkpoint og modaliteten med kun tekst bevares.

Samtale og kvantiserede udgaver

Producenten demonstrerer særskilte system- og brugerbeskeder i det tilhørende samtaleformat. Definér assistentens rolle og svarkrav adskilt fra den faktiske kildetekst. Bevar det relevante tidligere svar, når en opfølgning beder om en revision, præcisering eller en anden form af samme information.

Udgivelsen dokumenterer også forskellige varianter med kvantiseringsbevidst træning og kvantisering efter træning. Deres præcision og kontekst på 8k tilhører disse varianter og er ikke en universel specifikation for denne almindelige Instruct-post. Brug det præcise checkpoint og den præcise konfiguration, når en gentaget opgave sammenlignes, eller en afledt driftsopsætning forberedes.

Indholdsmæssige grænser

Denne 1B-udgave er kun til tekst. Den bør ikke overtage billedinput fra Llama 3.2s 11B- eller 90B-visionsmodeller, Llama 4s tekst- og billedevner eller Muse Sparks navngivne ræsonnementsniveauer. Kortets genereringseksempel på 256 tokens er en eksempelindstilling og ikke en særskilt angivet maksimal svarkapacitet.

Et praktisk slutresultat er det ønskede resumé, den ønskede forespørgsel, udtrukne post eller omskrevne tekst, hvor kildens relevante betydning og identifikatorer bevares. De læste kilder angiver ikke et særskilt hårdt maksimum for outputtokens. Hold opgaven fokuseret, inputmaterialet fuldstændigt for den pågældende operation og forskellen mellem almindelig og kvantiseret kontekst eksplicit.

Praktisk opgave

Praktisk opgave

Teknisk eksempel på engelsk

Rewrite a retrieval query

Rewrite this customer question as one concise search query for a support knowledge base: “My Atlas Mini still shows the old timezone after I changed it in account settings. Do I need to restart?” Preserve the product, stale timezone symptom and restart question. Return only the query and do not invent a cause.

Forventet resultat

A single concise retrieval query retaining the product name, symptom and requested information.

Kontrollér resultatet

Check that the query includes Atlas Mini and timezone refresh or restart, without asserting a confirmed defect.
Ailoot Ultra · OpenAI Chat POST /v1/chat/completions meta-llama/llama-3.2-1b-instruct

meta-llama/llama-3.2-1b-instruct

Meta /meta-llama/llama-3.2-1b-instruct

Start

Llama 3.2 1B Instruct er Metas kompakte tekstmodel med 1,23 milliarder parametre til dialog, sammenfatning, videnssøgning og omskrivning af forespørgsler. Producenten angiver en kontekst på 128k for den almindelige udgave og 8k for særskilte kvantiserede varianter med flersproget tekst- og kodeoutput.

Accepterede input
Tekst
Resultater
Tekst

Tilgængelig i Ailoot · input og metoder

Ailoot Ultra · OpenAI Chat POST /v1/chat/completions
Inputtyper
text
Outputtyper
text
Outputformat
json eller SSE
FeltTypeKravVærdier og grænserStandard
FeltmodelTypestringKravPåkrævetVærdier og grænser
meta-llama/llama-3.2-1b-instruct
Standard—
FeltmessagesTypemessage[]KravPåkrævetVærdier og grænser
Minimumsantal elementer: 1
Standard—
Feltmessages[].roleTypestringKravPåkrævetVærdier 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[].contentTypestring|content_part[]|nullKravValgfritVærdier og grænserStandard—
Feltmessages[].tool_callsTypetool_call[]KravValgfritVærdier og grænserStandard—
Feltmessages[].tool_call_idTypestringKravValgfritVærdier og grænser
Gælder når: role=tool; brug det faktisk returnerede ID
Standard—
Feltmessages[].nameTypestringKravValgfritVærdier og grænserStandard—
Feltmessages[].reasoning_contentTypestringKravValgfritVærdier og grænser
Gælder når: Send det faktisk returnerede ræsonnement tilbage, når modellen bruger det
Standard—
Feltmessages[].reasoning_detailsTypeobject|arrayKravValgfritVærdier og grænser
Afhænger af modellen
Standard—
Feltmax_tokensTypeintegerKravValgfritVærdier og grænser
Minimum: 1
Afhænger af modellen
Standard—
Feltmax_completion_tokensTypeintegerKravValgfritVærdier og grænser
Minimum: 1
Afhænger af modellen
Standard—
FeltstreamTypebooleanKravValgfritVærdier og grænserStandardfalse
Feltstream_options.include_usageTypebooleanKravValgfritVærdier og grænser
Afhænger af modellen
Standard—
FelttemperatureTypenumberKravValgfritVærdier og grænser
Afhænger af modellen
Standard—
Felttop_pTypenumberKravValgfritVærdier og grænser
Afhænger af modellen
Standard—
FeltstopTypestring|string[]KravValgfritVærdier og grænser
Afhænger af modellen
Standard—
FelttoolsTypefunction_tool[]KravValgfritVærdier og grænser
Afhænger af modellen
Standard—
Felttools[].typeTypestringKravValgfritVærdier og grænser
function
Afhænger af modellen
Standard—
Felttools[].function.nameTypestringKravPåkrævetVærdier og grænser
Gælder når: funktionsværktøj angivet
Standard—
Felttools[].function.descriptionTypestringKravValgfritVærdier og grænserStandard—
Felttools[].function.parametersTypeJSON_schemaKravValgfritVærdier og grænserStandard—
Felttool_choiceTypestring|objectKravValgfritVærdier og grænser
Afhænger af modellen
Standard—
Feltparallel_tool_callsTypebooleanKravValgfritVærdier og grænser
Afhænger af modellen
Standard—
Feltresponse_formatTypeobjectKravValgfritVærdier og grænser
Afhænger af modellen
Standard—
Feltreasoning_effortTypestringKravValgfritVærdier og grænser
Afhænger af modellen
Standard—
FeltreasoningTypeobjectKravValgfritVærdier og grænser
Afhænger af modellen
Standard—
Feltservice_tierTypestringKravValgfritVærdier og grænser
Afhænger af modellen
Standard—
FeltinstructionsTypestringKravValgfritVærdier og grænser
Kompatibilitetsfelt
Standard—
FeltfunctionsTypefunction[]KravValgfritVærdier og grænser
Afhænger af modellen
Standard—
Feltfunction_callTypestring|objectKravValgfritVærdier og grænser
Afhænger af modellen
Standard—
Feltprompt_cache_optionsTypeobjectKravValgfritVærdier og grænser
Afhænger af modellen
Standard—
FeltmodalitiesTypestring[]KravValgfritVærdier og grænser
text
Standard—
FeltproviderTypeobjectKravValgfritVærdier og grænser
Betingelser: provider.options afvises på denne Ultra-tekstrute
Standard—
Feltcache_control.ttlTypestringKravValgfritVærdier og grænser
Betingelser: 1h afvises på de faktiske placeringer for promptcaching
Standard—
Kombinationer af inputmaterialer

Tekst · UTF8-tekst

messages[].content

Metodeparametre og livscyklus
ParameterKontrakt
Parametercontent_typeKontraktapplication/json
ParameterrequiredKontraktmodel, messages
Parametermaterial_typesKontrakttext
ParametermessagesKontraktbeskedarray med strukturen role/content
Parameterfile_materialKontraktfaktisk UTF-8-dokument indsat som bogstavelig tekst; intet fil-ID udledes
Parameteroptional_controlsKontraktstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice
Parametercontrol_scopeKontraktmodelspecifikt; brugerens funktionsværktøjer er forskellige fra hostede værktøjer
Parameteroutput_modalitiesKontrakttext
Parameterhosted_operationsKontraktfalse
Parametermultimodal_input_bindingKontraktnull

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.

Priser

Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.

Hurtig tilstand
Standardpris Når hurtig tilstand er valgt
flex-tilstand
Standardpris Når flex-tilstanden er valgt
Maksimal ræsonneringsindsats
Standardpris Når default-justeringen anvendes ved maksimal ræsonneringsindsats

Ailoot-takster

Priser efter konfiguration

Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.

KonfigurationTakstplanKonteksttokens, mere endKonteksttokens, op til og medBeløb
KonfigurationGrundtakster for tokensTakstplanGrundtakstKonteksttokens, mere end—Konteksttokens, op til og medIngen øvre grænseBeløb
Input · Inputtokens $0.000054 / 1K tokens
Output · Outputtokens $0.000402 / 1K tokens
Input · Cachelæsning — / 1K tokens
Input · Cacheskrivning — / 1K tokens
Input · Cacheskrivning, 1 time — / 1K tokens
KonfigurationAnmodningslængde · niveau 1Takstplan—Konteksttokens, mere end0Konteksttokens, op til og medIngen øvre grænseBeløb
Input · Inputtokens $0.000054 / 1K tokens
Output · Outputtokens $0.000402 / 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 →

Eksempelanmodninger

Ailoot Ultra · OpenAI Chat

curlPython SDKPython-stream
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "meta-llama/llama-3.2-1b-instruct", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')

Path("request.json").write_text(json.dumps(p,ensure_ascii=False))
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \
  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
  --data-binary @request.json -D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
r=json.loads(Path("result.json").read_text())
for x in r.get("choices",[]):
    if x.get("message",{}).get("content"): print(x["message"]["content"])
PY_RESULT
from openai import OpenAI
import os

if not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")
client=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)
result=client.chat.completions.create(model='meta-llama/llama-3.2-1b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])
import base64, json
from pathlib import Path

def save_result(data, stem="result"):
    # Keep every field, including usage, IDs, reasoning and tool requests.
    Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")
    print(json.dumps(data, ensure_ascii=False, indent=2))
    def save_blob(encoded, suffix, label):
        raw = base64.b64decode(encoded, altchars=b"-_", validate=True)
        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
        file = Path(stem + "-" + label + "." + ext)
        file.write_bytes(raw)
        print("Saved", file)
    for index, block in enumerate(data.get("content") or []):
        print("Content", index, json.dumps(block, ensure_ascii=False))
    for choice in data.get("choices") or []:
        print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))
    for index, item in enumerate(data.get("output") or []):
        print("Output", index, json.dumps(item, ensure_ascii=False))
        if item.get("type") == "image_generation_call" and item.get("result"):
            save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))
    for ci, candidate in enumerate(data.get("candidates") or []):
        for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):
            print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))
            blob = part.get("inlineData") or part.get("inline_data")
            if blob and blob.get("data"):
                mime = blob.get("mimeType") or blob.get("mime_type")
                suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")
                save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))

save_result(result.to_dict(mode="json"))
from openai import OpenAI
import os
from pathlib import Path

if not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")
client=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)
import base64, json
from pathlib import Path

def save_result(data, stem="result"):
    # Keep every field, including usage, IDs, reasoning and tool requests.
    Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")
    print(json.dumps(data, ensure_ascii=False, indent=2))
    def save_blob(encoded, suffix, label):
        raw = base64.b64decode(encoded, altchars=b"-_", validate=True)
        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
        file = Path(stem + "-" + label + "." + ext)
        file.write_bytes(raw)
        print("Saved", file)
    for index, block in enumerate(data.get("content") or []):
        print("Content", index, json.dumps(block, ensure_ascii=False))
    for choice in data.get("choices") or []:
        print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))
    for index, item in enumerate(data.get("output") or []):
        print("Output", index, json.dumps(item, ensure_ascii=False))
        if item.get("type") == "image_generation_call" and item.get("result"):
            save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))
    for ci, candidate in enumerate(data.get("candidates") or []):
        for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):
            print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))
            blob = part.get("inlineData") or part.get("inline_data")
            if blob and blob.get("data"):
                mime = blob.get("mimeType") or blob.get("mime_type")
                suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")
                save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))

with client.chat.completions.stream(model='meta-llama/llama-3.2-1b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:
    with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:
        for event in stream:
            payload=event.to_dict(mode="json")
            log.write(json.dumps(payload,ensure_ascii=False)+"\n"); log.flush()
            print(json.dumps(payload,ensure_ascii=False))
    final=stream.get_final_completion()
    save_result(final.to_dict(mode="json"),"stream-result")

Hent og gem resultater

Ailoot Ultra · OpenAI Chat

json eller SSE

Behold alle færdige resultater

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.

Hvis det oprindelige svar skal kontrolleres

Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.

Svarfelter
FeltType
Feltchoices[].indexTypeinteger
Feltchoices[].message.contentTypestring|null
Feltchoices[].message.tool_callsTypetool_call[]
Feltchoices[].message.reasoning_contentTypestring
Feltchoices[].message.reasoning_detailsTypeobject|array
Feltchoices[].finish_reasonTypestring|null
FeltusageTypeobject
Fejl og næste trin
SvarBetingelseNæste trin
Svar400 · invalid_request_errorBetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdiNæste trinRet de angivne felter før en ny oprettelsesanmodning.

Aliaser

Modelaliaser

Ailoot Ultra meta-llama/llama-3.2-1b-instruct

Aliaser for metodestier

Brug metodestierne vist ovenfor.

Relaterede kalder-ID’er

meta-llama/llama-3.2-1b-instruct

Ailoot Ultra · Anthropic Messages POST /v1/messages meta-llama/llama-3.2-1b-instruct

meta-llama/llama-3.2-1b-instruct

Meta /meta-llama/llama-3.2-1b-instruct

Start

Llama 3.2 1B Instruct er Metas kompakte tekstmodel med 1,23 milliarder parametre til dialog, sammenfatning, videnssøgning og omskrivning af forespørgsler. Producenten angiver en kontekst på 128k for den almindelige udgave og 8k for særskilte kvantiserede varianter med flersproget tekst- og kodeoutput.

Accepterede input
Tekst
Resultater
json · sse

Tilgængelig i Ailoot · input og metoder

Ailoot Ultra · Anthropic Messages POST /v1/messages
Inputtyper
text
Outputtyper
json, sse
Outputformat
JSON eller SSE
FeltTypeKravVærdier og grænserStandard
FeltmodelTypestringKravPåkrævetVærdier og grænser
meta-llama/llama-3.2-1b-instruct
Standard—
FeltmessagesTypemessage[]KravPåkrævetVærdier og grænserStandard—
Feltmessages[].roleTypestringKravPåkrævetVærdier og grænser
user, assistant
Standard—
Feltmessages[].contentTypestringKravPåkrævetVærdier og grænserStandard—
Feltmax_tokensTypeintegerKravPåkrævetVærdier og grænserStandard—
FeltstreamTypebooleanKravValgfritVærdier og grænserStandardfalse
Kombinationer af inputmaterialer

Tekst · UTF-8-tekst

messages[].content som streng

Metodeparametre og livscyklus
ParameterKontrakt
Parametercontent_typeKontraktapplication/json
ParameterrequiredKontraktmodel, messages, max_tokens
Parameteroptional_controlsKontraktstream
Parametermaterial_typesKontrakttext
Parametertext_file_materialKontraktLæs det faktiske UTF-8-dokument, og indsæt teksten i det angivne input eller beskedens indholdsstreng.

Livscyklus: synchronous_or_streamed

Priser

Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.

Hurtig tilstand
Standardpris Når hurtig tilstand er valgt
flex-tilstand
Standardpris Når flex-tilstanden er valgt
Maksimal ræsonneringsindsats
Standardpris Når default-justeringen anvendes ved maksimal ræsonneringsindsats

Ailoot-takster

Priser efter konfiguration

Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.

KonfigurationTakstplanKonteksttokens, mere endKonteksttokens, op til og medBeløb
KonfigurationGrundtakster for tokensTakstplanGrundtakstKonteksttokens, mere end—Konteksttokens, op til og medIngen øvre grænseBeløb
Input · Inputtokens $0.000054 / 1K tokens
Output · Outputtokens $0.000402 / 1K tokens
Input · Cachelæsning — / 1K tokens
Input · Cacheskrivning — / 1K tokens
Input · Cacheskrivning, 1 time — / 1K tokens
KonfigurationAnmodningslængde · niveau 1Takstplan—Konteksttokens, mere end0Konteksttokens, op til og medIngen øvre grænseBeløb
Input · Inputtokens $0.000054 / 1K tokens
Output · Outputtokens $0.000402 / 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 →

Eksempelanmodninger

Ailoot Ultra · Anthropic Messages

Komplet minimalt requestbody i JSONcurl · brug dit UTF-8-dokumentPython · gem hele resultatet
{
  "model": "meta-llama/llama-3.2-1b-instruct",
  "max_tokens": 128,
  "messages": [
    {
      "role": "user",
      "content": "Summarize the incident report."
    }
  ],
  "stream": false
}
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"
export AILOOT_TEXT_FILE
python3 - <<'PY_REQUEST'
import json, os
from pathlib import Path

source_file = Path(os.environ['AILOOT_TEXT_FILE'])
if not source_file.is_file():
    raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')
text = source_file.read_text(encoding='utf-8')
if not text.strip():
    raise SystemExit('Choose a document containing text')
payload = {'model': 'meta-llama/llama-3.2-1b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}
payload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\n\n' + text
Path('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \
  -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \
  --data-binary @request.json -D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path

result = json.loads(Path('result.json').read_text(encoding='utf-8'))
print(json.dumps(result, ensure_ascii=False, indent=2))
PY_RESULT
import json, os
from pathlib import Path

source_file = Path(os.environ['AILOOT_TEXT_FILE'])
if not source_file.is_file():
    raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')
text = source_file.read_text(encoding='utf-8')
if not text.strip():
    raise SystemExit('Choose a document containing text')
payload = {'model': 'meta-llama/llama-3.2-1b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}
payload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\n\n' + text
from urllib.request import Request, urlopen
from urllib.error import HTTPError

api_key = os.environ['AILOOT_API_KEY']
if not api_key.strip():
    raise SystemExit('Set AILOOT_API_KEY before making a request')
headers = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}
headers['x-api-key'] = api_key
request = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')
try:
    with urlopen(request, timeout=120) as response:
        raw = response.read()
        Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')
except HTTPError as error:
    Path('result.json').write_bytes(error.read())
    Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')
    raise
Path('result.json').write_bytes(raw)
import json
from pathlib import Path

result = json.loads(Path('result.json').read_text(encoding='utf-8'))
print(json.dumps(result, ensure_ascii=False, indent=2))

Hent og gem resultater

Ailoot Ultra · Anthropic Messages

JSON eller SSE

Behold alle færdige resultater

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.

Hvis det oprindelige svar skal kontrolleres

Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.

Svarfelter
FeltType
FeltidTypestring
FeltmodelTypestring
Feltcontent[]Typetext|thinking|tool_use|other content block
Feltstop_reasonTypestring|null
FeltusageTypeobject
Fejl og næste trin
SvarBetingelseNæste trin
Svar400 · invalid_request_errorBetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdiNæste trinRet de angivne felter før en ny oprettelsesanmodning.

Aliaser

Modelaliaser

Ailoot Ultra meta-llama/llama-3.2-1b-instruct

Aliaser for metodestier

Brug metodestierne vist ovenfor.

Relaterede kalder-ID’er

meta-llama/llama-3.2-1b-instruct

FAQ · Meta: Llama 3.2 1B Instruct
Hvilke input og resultater er tilgængelige?

POST /v1/chat/completions · meta-llama/llama-3.2-1b-instruct: text → text

POST /v1/messages · meta-llama/llama-3.2-1b-instruct: text → json, sse

Hvilke felter bruger anmodningen?

POST /v1/chat/completions · meta-llama/llama-3.2-1b-instruct: model, messages, stream, modalities, provider

POST /v1/messages · meta-llama/llama-3.2-1b-instruct: model, messages, max_tokens, stream

Hvilke grænser gælder?

POST /v1/chat/completions · meta-llama/llama-3.2-1b-instruct: messages.min_items: 1

Flere oplysninger

Tilslut Ailoot til Claude Code, OpenCode, Hermes eller din egen applikation.

Virksomheden og dens projektportefølje

Virksomheden og dens projektportefølje: millioner af kunder; månedligt salg for milliarder.

Køb tokens med rabat.

Abonnementsrabat til regelmæssigt arbejde. Rabatkoder giver op til 50% på tokenkøb.

Abonnement
Vælg et abonnement med rabat til dine regelmæssige anmodninger.
Rabatkode på op til 50%
Indtast koden ved købet. Prisen genberegnes efter den aktuelle kampagne.
Udgifter i historikken
Model, tokens og beløb gemmes for hver anmodning.

Vælg abonnement · Se modelpriser

Tilslut API’et til produktet, du sælger.

SaaS, apps og bots efter Ailoots tilbudsvilkår og licensaftale. Anmod om en forhandlerlicens til videresalg.

Kommerciel applikation
Byg generering af tekst, billeder, video og lyd ind i tjenestens betalte funktioner.
Licens til forhandlere
Send projektbeskrivelse og adgangsmodel. Bed om skriftlige vilkår for anvendelse og videresalg.
Dokumenter på websitet
Tilbudsvilkår, licensaftale og politik for behandling af data kan læses før tilslutning.

Anmod om forhandlerlicens · Tilbudsvilkår og licensaftale