Muse Wonder er Metas ræsonneringsmodel til opgaver, der kræver en vedvarende plan på tværs af et omfattende belægsgrundlag. Dens offentliggjorte input omfatter tekst, billeder, video, lyd og PDF-dokumenter, og outputtet er tekst. Én opgave kan derfor kombinere en kodebase, en dokumentsamling og visuelle belæg, mens et defineret skriftligt slutprodukt bevares.
Beskriv, hvad arbejdet skal producere, og hvordan resultatet vil blive kontrolleret. Til en softwareopgave skal du identificere den adfærd, der skal bevares, de relevante filer og verificeringskriterierne. Til dokumentanalyse skal du angive spørgsmålet, kilderne og de oplysninger, slutrapporten bør bevare.
Det offentliggjorte agentdesign omfatter planlægning, delegerede delopgaver, parallel værktøjsbrug og genopretning efter fejl. I en applikation skal du forbinde disse modelegenskaber med et kontrolleret udførelsesforløb: værktøjer udfører handlingerne, returnerede observationer leverer belæg, og næste modeltrin bruger observationerne. Bevar afsluttede fund, så senere trin ikke mister allerede trufne beslutninger.
Muse Wonders dokumenterede udviklingsbrug spænder over flere filer i en eksisterende kodebase. Giv den et sammenhængende sæt relevant kode og begrænsninger frem for et løsrevet uddrag, når ændringen krydser komponentgrænser. Bed om de berørte grænseflader og verificeringstrin sammen med de foreslåede ændringer.
Til visuelt eller audiovisuelt arbejde skal du angive det materiale, der bærer belæggene. Et skærmbillede kan tydeliggøre en layoutfejl; en video kan vise en interaktionssekvens; et dokument kan kombinere tekst, tabeller og figurer. Angiv, hvad modellen bør udtrække eller forklare fra belæggene, og bed om et tekstresultat, som bevarer de nyttige observationer.
Muse Wonders offentliggjorte konfiguration omfatter obligatorisk ræsonnering med indsatsniveauerne minimal, low, medium, high, xhigh og max med medium som standard. Vælg en indstilling efter opgavens dybde, og specificér, hvad svaret bør fastlægge. Bevar de samme kriterier ved sammenligning af resultater på forskellige indsatsniveauer.
Værktøjskald og skemastyret struktureret output er offentliggjorte modelegenskaber. Et forløb kan bruge dem til at bede om identificerede fund, belægshenvisninger, en ændringsplan eller en liste over verificeringsresultater. Hold maskinbrugte felter fokuseret på næste trin, og bevar den menneskeligt læsbare forklaring, hvor en person har brug for at forstå en beslutning.
Det offentliggjorte kontekstvindue er 1.048.576 tokens. Organisér lange input med tydelige kildenavne og afsnitsgrænser, og skeln mellem bekræftede observationer og åbne antagelser. Brug konteksten til at bevare vigtige beslutninger gennem en opgave frem for at fylde den med uvedkommende materiale.
Et nyttigt slutprodukt identificerer, hvad der blev ændret, de anvendte belæg, de udførte kontroller og de spørgsmål, som stadig kræver opmærksomhed. Det kan være en kodebasegennemgang, et ændringsforslag på tværs af filer eller en analyse af et blandet dokumentsæt. Muse Wonders tekstoutput beskriver og dirigerer arbejdet; den omgivende applikation leverer udførelsen, værktøjerne og lagringen, som gør det til et afsluttet forløb.
meta/muse-wonderMuse Wonder er Metas multimodale ræsonneringsmodel til langvarige agenter og komplekse udviklingsopgaver. Den læser tekst, billeder, video, lyd og PDF-dokumenter i en kontekst på 1.048.576 tokens og returnerer tekst med offentliggjorte egenskaber til værktøjskald, struktureret output og konfigurerbar ræsonneringsindsats.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Muse Wonder er Metas ræsonneringsmodel til opgaver, der kræver en vedvarende plan på tværs af et omfattende belægsgrundlag. Dens offentliggjorte input omfatter tekst, billeder, video, lyd og PDF-dokumenter, og outputtet er tekst. Én opgave kan derfor kombinere en kodebase, en dokumentsamling og visuelle belæg, mens et defineret skriftligt slutprodukt bevares.
Beskriv, hvad arbejdet skal producere, og hvordan resultatet vil blive kontrolleret. Til en softwareopgave skal du identificere den adfærd, der skal bevares, de relevante filer og verificeringskriterierne. Til dokumentanalyse skal du angive spørgsmålet, kilderne og de oplysninger, slutrapporten bør bevare.
Det offentliggjorte agentdesign omfatter planlægning, delegerede delopgaver, parallel værktøjsbrug og genopretning efter fejl. I en applikation skal du forbinde disse modelegenskaber med et kontrolleret udførelsesforløb: værktøjer udfører handlingerne, returnerede observationer leverer belæg, og næste modeltrin bruger observationerne. Bevar afsluttede fund, så senere trin ikke mister allerede trufne beslutninger.
Muse Wonders dokumenterede udviklingsbrug spænder over flere filer i en eksisterende kodebase. Giv den et sammenhængende sæt relevant kode og begrænsninger frem for et løsrevet uddrag, når ændringen krydser komponentgrænser. Bed om de berørte grænseflader og verificeringstrin sammen med de foreslåede ændringer.
Til visuelt eller audiovisuelt arbejde skal du angive det materiale, der bærer belæggene. Et skærmbillede kan tydeliggøre en layoutfejl; en video kan vise en interaktionssekvens; et dokument kan kombinere tekst, tabeller og figurer. Angiv, hvad modellen bør udtrække eller forklare fra belæggene, og bed om et tekstresultat, som bevarer de nyttige observationer.
Muse Wonders offentliggjorte konfiguration omfatter obligatorisk ræsonnering med indsatsniveauerne minimal, low, medium, high, xhigh og max med medium som standard. Vælg en indstilling efter opgavens dybde, og specificér, hvad svaret bør fastlægge. Bevar de samme kriterier ved sammenligning af resultater på forskellige indsatsniveauer.
Værktøjskald og skemastyret struktureret output er offentliggjorte modelegenskaber. Et forløb kan bruge dem til at bede om identificerede fund, belægshenvisninger, en ændringsplan eller en liste over verificeringsresultater. Hold maskinbrugte felter fokuseret på næste trin, og bevar den menneskeligt læsbare forklaring, hvor en person har brug for at forstå en beslutning.
Det offentliggjorte kontekstvindue er 1.048.576 tokens. Organisér lange input med tydelige kildenavne og afsnitsgrænser, og skeln mellem bekræftede observationer og åbne antagelser. Brug konteksten til at bevare vigtige beslutninger gennem en opgave frem for at fylde den med uvedkommende materiale.
Et nyttigt slutprodukt identificerer, hvad der blev ændret, de anvendte belæg, de udførte kontroller og de spørgsmål, som stadig kræver opmærksomhed. Det kan være en kodebasegennemgang, et ændringsforslag på tværs af filer eller en analyse af et blandet dokumentsæt. Muse Wonders tekstoutput beskriver og dirigerer arbejdet; den omgivende applikation leverer udførelsen, værktøjerne og lagringen, som gør det til et afsluttet forløb.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser meta/muse-wonder | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser Minimumsantal elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser Afhænger af modellen | Standard— |
Feltmessages[].content | Typestring | KravValgfrit | Værdier og grænser Gælder når: Tekstsamtale | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Tekst · UTF8-tekst
messages[].content
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, messages |
Parametermaterial_types | Kontrakttext |
Parametermessages | Kontraktbeskedarray med strukturen role/content |
Parameterfile_material | Kontraktfaktisk UTF-8-dokument indsat som bogstavelig tekst; intet fil-ID udledes |
Parameteroptional_controls | Kontraktstream |
Parametercontrol_scope | KontraktTekstsamtale; stream er en boolesk værdi og er som standard false. |
Parameteroutput_modalities | Kontrakttext |
Parameterhosted_operations | Kontraktfalse |
Parametermultimodal_input_binding | Kontraktnull |
Metodealiaser: /chat/completions
Livscyklus: synchronous_or_streamed
Send det præcise model-ID med messages.
Kontekstlængde er ikke et outputloft.
En tekstfil kan levere bogstavelig tekst; billed-, lyd- og filobjektinput kræver en præcis binding.
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
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 $0.008 / 1K tokens Output · Outputtokens $0.04 / 1K tokens Input · Cachelæsning $0.0004 / 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 $0.008 / 1K tokens Output · Outputtokens $0.04 / 1K tokens Input · Cachelæsning $0.0004 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"meta/muse-wonder","messages":[{"role":"user","content":"hello"}],"stream":false}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model="meta/muse-wonder", messages=[{"role":"user","content":"hello"}], stream=False)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\njson eller SSE
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Bevar hvert valg og dets indhold, værktøjskald og ræsonnement. Saml i SSE deltaer efter valg-/værktøjsindeks, og bevar den endelige afslutningsårsag og forbrugsoplysningerne.
Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.
| Felt | Type |
|---|---|
Feltchoices[].index | Typeinteger |
Feltchoices[].message.content | Typestring|null |
Feltchoices[].message.tool_calls | Typetool_call[] |
Feltchoices[].message.reasoning_content | Typestring |
Feltchoices[].message.reasoning_details | Typeobject|array |
Feltchoices[].finish_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot Ultra meta/muse-wonder
/chat/completions
meta/muse-wonderMuse Wonder er Metas multimodale ræsonneringsmodel til langvarige agenter og komplekse udviklingsopgaver. Den læser tekst, billeder, video, lyd og PDF-dokumenter i en kontekst på 1.048.576 tokens og returnerer tekst med offentliggjorte egenskaber til værktøjskald, struktureret output og konfigurerbar ræsonneringsindsats.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Muse Wonder er Metas ræsonneringsmodel til opgaver, der kræver en vedvarende plan på tværs af et omfattende belægsgrundlag. Dens offentliggjorte input omfatter tekst, billeder, video, lyd og PDF-dokumenter, og outputtet er tekst. Én opgave kan derfor kombinere en kodebase, en dokumentsamling og visuelle belæg, mens et defineret skriftligt slutprodukt bevares.
Beskriv, hvad arbejdet skal producere, og hvordan resultatet vil blive kontrolleret. Til en softwareopgave skal du identificere den adfærd, der skal bevares, de relevante filer og verificeringskriterierne. Til dokumentanalyse skal du angive spørgsmålet, kilderne og de oplysninger, slutrapporten bør bevare.
Det offentliggjorte agentdesign omfatter planlægning, delegerede delopgaver, parallel værktøjsbrug og genopretning efter fejl. I en applikation skal du forbinde disse modelegenskaber med et kontrolleret udførelsesforløb: værktøjer udfører handlingerne, returnerede observationer leverer belæg, og næste modeltrin bruger observationerne. Bevar afsluttede fund, så senere trin ikke mister allerede trufne beslutninger.
Muse Wonders dokumenterede udviklingsbrug spænder over flere filer i en eksisterende kodebase. Giv den et sammenhængende sæt relevant kode og begrænsninger frem for et løsrevet uddrag, når ændringen krydser komponentgrænser. Bed om de berørte grænseflader og verificeringstrin sammen med de foreslåede ændringer.
Til visuelt eller audiovisuelt arbejde skal du angive det materiale, der bærer belæggene. Et skærmbillede kan tydeliggøre en layoutfejl; en video kan vise en interaktionssekvens; et dokument kan kombinere tekst, tabeller og figurer. Angiv, hvad modellen bør udtrække eller forklare fra belæggene, og bed om et tekstresultat, som bevarer de nyttige observationer.
Muse Wonders offentliggjorte konfiguration omfatter obligatorisk ræsonnering med indsatsniveauerne minimal, low, medium, high, xhigh og max med medium som standard. Vælg en indstilling efter opgavens dybde, og specificér, hvad svaret bør fastlægge. Bevar de samme kriterier ved sammenligning af resultater på forskellige indsatsniveauer.
Værktøjskald og skemastyret struktureret output er offentliggjorte modelegenskaber. Et forløb kan bruge dem til at bede om identificerede fund, belægshenvisninger, en ændringsplan eller en liste over verificeringsresultater. Hold maskinbrugte felter fokuseret på næste trin, og bevar den menneskeligt læsbare forklaring, hvor en person har brug for at forstå en beslutning.
Det offentliggjorte kontekstvindue er 1.048.576 tokens. Organisér lange input med tydelige kildenavne og afsnitsgrænser, og skeln mellem bekræftede observationer og åbne antagelser. Brug konteksten til at bevare vigtige beslutninger gennem en opgave frem for at fylde den med uvedkommende materiale.
Et nyttigt slutprodukt identificerer, hvad der blev ændret, de anvendte belæg, de udførte kontroller og de spørgsmål, som stadig kræver opmærksomhed. Det kan være en kodebasegennemgang, et ændringsforslag på tværs af filer eller en analyse af et blandet dokumentsæt. Muse Wonders tekstoutput beskriver og dirigerer arbejdet; den omgivende applikation leverer udførelsen, værktøjerne og lagringen, som gør det til et afsluttet forløb.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser meta/muse-wonder | 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 $0.008 / 1K tokens Output · Outputtokens $0.04 / 1K tokens Input · Cachelæsning $0.0004 / 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 $0.008 / 1K tokens Output · Outputtokens $0.04 / 1K tokens Input · Cachelæsning $0.0004 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "meta/muse-wonder",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'meta/muse-wonder', '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': 'meta/muse-wonder', '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 meta/muse-wonder
/chat/completions