Decider V1.1 27B er Perplexitys opdaterede beslutningscheckpoint. Den vurderer indsendt indhold ud fra et defineret spørgsmål og producerer sandsynligheder for de gyldige svar. Dens native modelartefakt har en beslutningsudlæsning frem for et sproggenereringshoved med fuldt ordforråd. Det nyttige resultat er en afgrænset beslutningsfordeling og dens fortolkede svar, ikke en åben forklaring eller et generelt chatsvar.
Perplexity beskriver modellen som en opdatering af Decider V1 27B, der bevarer samme grundmodel, men ændrer attention-opsætningen og bruger flere træningsdata. Grundmodellen er Qwen3.8-27B. V1.1-udgaven bør bevare sit eget navn og sin egen konfiguration frem for at blive beskrevet som en udskiftelig kopi af det tidligere checkpoint.
Det offentliggjorte eksempel angiver en række med en tilstand og et typet choice-spørgsmål. Spørgsmålet indeholder instruktioner og kriterier, hvis nøgler er de semantiske svar, og hvis beskrivelser definerer, hvornår de hver især gælder. Modellen forudsiger sandsynligheder, og producentens svarhjælpefunktion fortolker derefter disse sandsynligheder for spørgsmålet. Inferenseksemplet kan behandle en liste af rækker med én beslutning knyttet til hver rækkes evidens og spørgsmål.
Ved routing af anmodninger skal du indsende den faktiske besked og relevant kontekst og derefter definere de tilgængelige afdelinger eller kategorier. En eksempelopgave kan skelne mellem en integrationsfejl, et adgangsproblem og en anmodning om produktoplysninger. Gør hver beskrivelse tilstrækkeligt præcis til at afgøre et grænsetilfælde, og bevar svarmulighedernes definitioner sammen med resultatet. En kategorifordeling kan derefter understøtte en routingbeslutning eller et gennemgangstrin, når alternativerne fortsat ligger tæt. Modellens valgte resultat udfører ikke i sig selv arbejdsgangens handling.
Den native implementering accepterer billeder sammen med tilstanden og spørgsmålet via billedfilinput, billeder i hukommelsen eller kodede billeddata. For et dokumentbillede eller skærmbillede skal du indsende den visuelle evidens og stille et lukket spørgsmål, hvis svarmuligheder beskriver de relevante udfald. Identificér det synlige træk, der har betydning, og angiv den tekstkontekst, der er nødvendig for at fortolke det. Klassificér eksempelvis, om en afbildet vare tilhører en af de angivne produktkategorier, frem for at bede beslutningsmodellen skrive en komplet produktbeskrivelse.
Processoren bevarer billedformatet under størrelsesændring og afrunder billedsider til multipla af 32 pixels. Det dokumenterede behandlede areal begynder ved 65.536 pixels og begrænses af et konfigurerbart maksimum; standarden er 4.194.304 pixels, eller 2048 gange 2048. Hvert felt på 32 gange 32 pixels bidrager med én visuel token, så denne standard tillader op til 4.096 visuelle tokens for et billede. Tallene beskriver producentens native billedforberedelse og ikke en generel uploadkontrakt for applikationer.
Det dokumenterede prepare-trin kræver, at teksten og alle billeder i én beslutning kan være inden for 8.192 tokens. For stort input afvises frem for at blive afkortet stiltiende. Flere billeder deler budgettet med den skriftlige tilstand og spørgsmålet. Reducér irrelevant kildetekst eller grænsen for billedstørrelse ved forberedelse af en kombineret beslutning, men bevar den detalje, der afgør svaret.
Træningsopsætningen og den rapporterede evaluering begrænsede billeder til 512 gange 512, svarende til 262.144 pixels og op til 256 visuelle tokens. Den konfigurerbare inferensgrænse kan bevare flere detaljer, men modelkortet advarer om, at højere opløsning ligger uden for denne træningsfordeling og bruger mere hukommelse og behandlingstid. En større billedindstilling er derfor ikke en garanti for en bedre beslutning. Hold inputforberedelsen i overensstemmelse med spørgsmålet, og undersøg, om det nødvendige visuelle træk er tydeligt repræsenteret.
Det native checkpoints full-attention-lag bruger en gemt ikke-kausal attention-tilstand, mens dets linear-attention-lag bevarer deres egen adfærd. Producenten oplyser, at standardmæssig kausal inferens ikke genskaber den evaluerede opsætning. Dets implementering af forudsigelse anvender den gemte kalibreringstemperatur; hvis logits bruges direkte, anvendes denne temperatur én gang, og sandsynlighederne normaliseres over de aktuelle gyldige kandidater. Disse detaljer tilhører den præcise beslutningsprofil og bør bevares ved fortolkning af dens numeriske output.
Den særskilte beslutningsudlæsning adskiller også denne modelartefakt fra en generativ eksport. En konvertering til en ordforrådsbaseret genereringsgrænseflade kræver en eksplicit mapping og skal bevare attention-adfærden. Forbered lukkede spørgsmål til den native beslutningsprofil; brug en passende genereringsmodel, når opgaven kræver chat, kode, forklaringer eller værktøjsanmodninger.
Et nyttigt endeligt resultat bevarer tilknytningen mellem tilstanden, spørgsmålet, de tilladte svar og den resulterende fordeling. Definér spørgsmålet ud fra evidens, der faktisk er til stede, gennemgå tvetydige tilfælde ud fra denne evidens, og brug mærkede eksempler fra den tilsigtede opgave til at afgøre, hvordan numeriske output skal påvirke routing eller klassifikation. Modellen leverer beslutningssandsynligheder; kriterierne og den omgivende applikation afgør, hvordan sandsynlighederne bliver til en nyttig handling eller en registreret etiket.
", "aboutText": "Decider V1.1 27B er Perplexitys opdaterede beslutningscheckpoint. Den vurderer indsendt indhold ud fra et defineret spørgsmål og producerer sandsynligheder for de gyldige svar. Dens native modelartefakt har en beslutningsudlæsning frem for et sproggenereringshoved med fuldt ordforråd. Det nyttige resultat er en afgrænset beslutningsfordeling og dens fortolkede svar, ikke en åben forklaring eller et generelt chatsvar.\n\n### Hvad ændres i V1.1-udgaven\n\nPerplexity beskriver modellen som en opdatering af Decider V1 27B, der bevarer samme grundmodel, men ændrer attention-opsætningen og bruger flere træningsdata. Grundmodellen er Qwen3.8-27B. V1.1-udgaven bør bevare sit eget navn og sin egen konfiguration frem for at blive beskrevet som en udskiftelig kopi af det tidligere checkpoint.\n\n### Tilstand, spørgsmål og gyldige svar\n\nDet offentliggjorte eksempel angiver en række med en tilstand og et typet choice-spørgsmål. Spørgsmålet indeholder instruktioner og kriterier, hvis nøgler er de semantiske svar, og hvis beskrivelser definerer, hvornår de hver især gælder. Modellen forudsiger sandsynligheder, og producentens svarhjælpefunktion fortolker derefter disse sandsynligheder for spørgsmålet. Inferenseksemplet kan behandle en liste af rækker med én beslutning knyttet til hver rækkes evidens og spørgsmål.\n\nVed routing af anmodninger skal du indsende den faktiske besked og relevant kontekst og derefter definere de tilgængelige afdelinger eller kategorier. En eksempelopgave kan skelne mellem en integrationsfejl, et adgangsproblem og en anmodning om produktoplysninger. Gør hver beskrivelse tilstrækkeligt præcis til at afgøre et grænsetilfælde, og bevar svarmulighedernes definitioner sammen med resultatet. En kategorifordeling kan derefter understøtte en routingbeslutning eller et gennemgangstrin, når alternativerne fortsat ligger tæt. Modellens valgte resultat udfører ikke i sig selv arbejdsgangens handling.\n\n### Tekstlig og billedbaseret evidens\n\nDen native implementering accepterer billeder sammen med tilstanden og spørgsmålet via billedfilinput, billeder i hukommelsen eller kodede billeddata. For et dokumentbillede eller skærmbillede skal du indsende den visuelle evidens og stille et lukket spørgsmål, hvis svarmuligheder beskriver de relevante udfald. Identificér det synlige træk, der har betydning, og angiv den tekstkontekst, der er nødvendig for at fortolke det. Klassificér eksempelvis, om en afbildet vare tilhører en af de angivne produktkategorier, frem for at bede beslutningsmodellen skrive en komplet produktbeskrivelse.\n\nProcessoren bevarer billedformatet under størrelsesændring og afrunder billedsider til multipla af 32 pixels. Det dokumenterede behandlede areal begynder ved 65.536 pixels og begrænses af et konfigurerbart maksimum; standarden er 4.194.304 pixels, eller 2048 gange 2048. Hvert felt på 32 gange 32 pixels bidrager med én visuel token, så denne standard tillader op til 4.096 visuelle tokens for et billede. Tallene beskriver producentens native billedforberedelse og ikke en generel uploadkontrakt for applikationer.\n\n### Samlede inputgrænser og opløsningens rammer\n\nDet dokumenterede prepare-trin kræver, at teksten og alle billeder i én beslutning kan være inden for 8.192 tokens. For stort input afvises frem for at blive afkortet stiltiende. Flere billeder deler budgettet med den skriftlige tilstand og spørgsmålet. Reducér irrelevant kildetekst eller grænsen for billedstørrelse ved forberedelse af en kombineret beslutning, men bevar den detalje, der afgør svaret.\n\nTræningsopsætningen og den rapporterede evaluering begrænsede billeder til 512 gange 512, svarende til 262.144 pixels og op til 256 visuelle tokens. Den konfigurerbare inferensgrænse kan bevare flere detaljer, men modelkortet advarer om, at højere opløsning ligger uden for denne træningsfordeling og bruger mere hukommelse og behandlingstid. En større billedindstilling er derfor ikke en garanti for en bedre beslutning. Hold inputforberedelsen i overensstemmelse med spørgsmålet, og undersøg, om det nødvendige visuelle træk er tydeligt repræsenteret.\n\n### Attention, udlæsning og sandsynlighedskalibrering\n\nDet native checkpoints full-attention-lag bruger en gemt ikke-kausal attention-tilstand, mens dets linear-attention-lag bevarer deres egen adfærd. Producenten oplyser, at standardmæssig kausal inferens ikke genskaber den evaluerede opsætning. Dets implementering af forudsigelse anvender den gemte kalibreringstemperatur; hvis logits bruges direkte, anvendes denne temperatur én gang, og sandsynlighederne normaliseres over de aktuelle gyldige kandidater. Disse detaljer tilhører den præcise beslutningsprofil og bør bevares ved fortolkning af dens numeriske output.\n\nDen særskilte beslutningsudlæsning adskiller også denne modelartefakt fra en generativ eksport. En konvertering til en ordforrådsbaseret genereringsgrænseflade kræver en eksplicit mapping og skal bevare attention-adfærden. Forbered lukkede spørgsmål til den native beslutningsprofil; brug en passende genereringsmodel, når opgaven kræver chat, kode, forklaringer eller værktøjsanmodninger.\n\nEt nyttigt endeligt resultat bevarer tilknytningen mellem tilstanden, spørgsmålet, de tilladte svar og den resulterende fordeling. Definér spørgsmålet ud fra evidens, der faktisk er til stede, gennemgå tvetydige tilfælde ud fra denne evidens, og brug mærkede eksempler fra den tilsigtede opgave til at afgøre, hvordan numeriske output skal påvirke routing eller klassifikation. Modellen leverer beslutningssandsynligheder; kriterierne og den omgivende applikation afgør, hvordan sandsynlighederne bliver til en nyttig handling eller en registreret etiket.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "d0d0c1894e880c76eca8eedbcddda7afdaf27ea6b7370365bd188d8c5aca3832", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "da", "methods": [ { "html": "perplexity/pplx-decider-v1.1-27bPerplexitys Decider V1.1 27B vurderer en indsendt tilstand og et spørgsmål og returnerer sandsynligheder for de tilladte svar. Dens native beslutningscheckpoint understøtter tekst og billeder med en særskilt udlæsningskomponent og dokumenterede grænser for inputforberedelse frem for en kontrakt for fri tekstgenerering.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Decider V1.1 27B er Perplexitys opdaterede beslutningscheckpoint. Den vurderer indsendt indhold ud fra et defineret spørgsmål og producerer sandsynligheder for de gyldige svar. Dens native modelartefakt har en beslutningsudlæsning frem for et sproggenereringshoved med fuldt ordforråd. Det nyttige resultat er en afgrænset beslutningsfordeling og dens fortolkede svar, ikke en åben forklaring eller et generelt chatsvar.
Perplexity beskriver modellen som en opdatering af Decider V1 27B, der bevarer samme grundmodel, men ændrer attention-opsætningen og bruger flere træningsdata. Grundmodellen er Qwen3.8-27B. V1.1-udgaven bør bevare sit eget navn og sin egen konfiguration frem for at blive beskrevet som en udskiftelig kopi af det tidligere checkpoint.
Det offentliggjorte eksempel angiver en række med en tilstand og et typet choice-spørgsmål. Spørgsmålet indeholder instruktioner og kriterier, hvis nøgler er de semantiske svar, og hvis beskrivelser definerer, hvornår de hver især gælder. Modellen forudsiger sandsynligheder, og producentens svarhjælpefunktion fortolker derefter disse sandsynligheder for spørgsmålet. Inferenseksemplet kan behandle en liste af rækker med én beslutning knyttet til hver rækkes evidens og spørgsmål.
Ved routing af anmodninger skal du indsende den faktiske besked og relevant kontekst og derefter definere de tilgængelige afdelinger eller kategorier. En eksempelopgave kan skelne mellem en integrationsfejl, et adgangsproblem og en anmodning om produktoplysninger. Gør hver beskrivelse tilstrækkeligt præcis til at afgøre et grænsetilfælde, og bevar svarmulighedernes definitioner sammen med resultatet. En kategorifordeling kan derefter understøtte en routingbeslutning eller et gennemgangstrin, når alternativerne fortsat ligger tæt. Modellens valgte resultat udfører ikke i sig selv arbejdsgangens handling.
Den native implementering accepterer billeder sammen med tilstanden og spørgsmålet via billedfilinput, billeder i hukommelsen eller kodede billeddata. For et dokumentbillede eller skærmbillede skal du indsende den visuelle evidens og stille et lukket spørgsmål, hvis svarmuligheder beskriver de relevante udfald. Identificér det synlige træk, der har betydning, og angiv den tekstkontekst, der er nødvendig for at fortolke det. Klassificér eksempelvis, om en afbildet vare tilhører en af de angivne produktkategorier, frem for at bede beslutningsmodellen skrive en komplet produktbeskrivelse.
Processoren bevarer billedformatet under størrelsesændring og afrunder billedsider til multipla af 32 pixels. Det dokumenterede behandlede areal begynder ved 65.536 pixels og begrænses af et konfigurerbart maksimum; standarden er 4.194.304 pixels, eller 2048 gange 2048. Hvert felt på 32 gange 32 pixels bidrager med én visuel token, så denne standard tillader op til 4.096 visuelle tokens for et billede. Tallene beskriver producentens native billedforberedelse og ikke en generel uploadkontrakt for applikationer.
Det dokumenterede prepare-trin kræver, at teksten og alle billeder i én beslutning kan være inden for 8.192 tokens. For stort input afvises frem for at blive afkortet stiltiende. Flere billeder deler budgettet med den skriftlige tilstand og spørgsmålet. Reducér irrelevant kildetekst eller grænsen for billedstørrelse ved forberedelse af en kombineret beslutning, men bevar den detalje, der afgør svaret.
Træningsopsætningen og den rapporterede evaluering begrænsede billeder til 512 gange 512, svarende til 262.144 pixels og op til 256 visuelle tokens. Den konfigurerbare inferensgrænse kan bevare flere detaljer, men modelkortet advarer om, at højere opløsning ligger uden for denne træningsfordeling og bruger mere hukommelse og behandlingstid. En større billedindstilling er derfor ikke en garanti for en bedre beslutning. Hold inputforberedelsen i overensstemmelse med spørgsmålet, og undersøg, om det nødvendige visuelle træk er tydeligt repræsenteret.
Det native checkpoints full-attention-lag bruger en gemt ikke-kausal attention-tilstand, mens dets linear-attention-lag bevarer deres egen adfærd. Producenten oplyser, at standardmæssig kausal inferens ikke genskaber den evaluerede opsætning. Dets implementering af forudsigelse anvender den gemte kalibreringstemperatur; hvis logits bruges direkte, anvendes denne temperatur én gang, og sandsynlighederne normaliseres over de aktuelle gyldige kandidater. Disse detaljer tilhører den præcise beslutningsprofil og bør bevares ved fortolkning af dens numeriske output.
Den særskilte beslutningsudlæsning adskiller også denne modelartefakt fra en generativ eksport. En konvertering til en ordforrådsbaseret genereringsgrænseflade kræver en eksplicit mapping og skal bevare attention-adfærden. Forbered lukkede spørgsmål til den native beslutningsprofil; brug en passende genereringsmodel, når opgaven kræver chat, kode, forklaringer eller værktøjsanmodninger.
Et nyttigt endeligt resultat bevarer tilknytningen mellem tilstanden, spørgsmålet, de tilladte svar og den resulterende fordeling. Definér spørgsmålet ud fra evidens, der faktisk er til stede, gennemgå tvetydige tilfælde ud fra denne evidens, og brug mærkede eksempler fra den tilsigtede opgave til at afgøre, hvordan numeriske output skal påvirke routing eller klassifikation. Modellen leverer beslutningssandsynligheder; kriterierne og den omgivende applikation afgør, hvordan sandsynlighederne bliver til en nyttig handling eller en registreret etiket.
POST /v1/systemonetext, imagedecisions| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser perplexity/pplx-decider-v1.1-27b | Standard— |
Feltprovider | Typeschema | KravValgfrit | Værdier og grænser | Standard— |
Feltquestions | Typeobject | KravPåkrævet | Værdier og grænser | Standard— |
Feltsession_id | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Feltstate | Typeschema | KravPåkrævet | Værdier og grænser | Standard— |
Felttrace | Typeschema | KravValgfrit | Værdier og grænser | Standard— |
Feltuser | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Feltquestions.<id>.type | Typestring | KravPåkrævet | Værdier og grænser noul, choice, score | Standard— |
Feltquestions.<id>.instructions | Typestring|object|array | KravPåkrævet | Værdier og grænser | Standard— |
Feltquestions.<id>.criteria | Typeobject|array | KravValgfrit | Værdier og grænser Betingelser: choice/score: påkrævet; noul: valgfrit. Kriterier for choice er et objekt; score er et array med minItems1. | Standard— |
Feltquestions.<id>.criteria.true | Typestring|object|array | KravPåkrævet | Værdier og grænser Gælder når: Der er angivet et noul-kriterieobjekt | Standard— |
Feltquestions.<id>.criteria.false | Typestring|object|array | KravPåkrævet | Værdier og grænser Gælder når: Der er angivet et noul-kriterieobjekt | Standard— |
noul · Påkrævet: state, questions.<id>.type=noul, questions.<id>.instructions
choice · Påkrævet: state, questions.<id>.type=choice, questions.<id>.instructions, criteria object
score · Påkrævet: state, questions.<id>.type=score, questions.<id>.instructions, criteria array with minItems1
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, state, questions |
Parametermaterial_types | Kontrakttext, image |
Parameteroptional_controls | Kontraktprovider, session_id, trace, user |
Parametermultimodal_input_binding | KontraktBrug kun den præcise angivne tilstands- eller dokumentrepræsentation. Producentens billedfunktionalitet alene fastlægger ikke en accepteret modelspecifik transportform for billeder. |
Livscyklus: synchronous
Send det præcise model-ID, og behold hele det native svar.
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 $0.00004 / 1K tokens Output · Outputtokens $0 / 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 $0.00004 / 1K tokens Output · Outputtokens $0 / 1K tokens Input · Cachelæsning — / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "perplexity/pplx-decider-v1.1-27b",\n "questions": {\n "is_bug": {\n "criteria": {\n "false": "The customer is asking a question or requesting a feature.",\n "true": "The customer describes broken or unexpected product behavior."\n },\n "instructions": "Is the customer reporting a software defect?",\n "type": "noul"\n },\n "team": {\n "criteria": {\n "account": "Login, permissions, or profile issues.",\n "frontend": "Rendering, layout, or browser compatibility issues.",\n "payments": "Checkout, billing, or payment processing issues."\n },\n "instructions": "Which team should own this ticket?",\n "type": "choice"\n },\n "urgency": {\n "criteria": [\n "Can wait for the next release",\n "Should be fixed this week",\n "Blocking revenue right now"\n ],\n "instructions": "How urgent is this ticket?",\n "type": "score"\n }\n },\n "state": {\n "customer_tier": "enterprise",\n "ticket": "My checkout page shows a blank screen after I click Pay. I have tried two browsers."\n }\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_REQUEST_FILE:?Set your actual JSON request file}"\nexport AILOOT_REQUEST_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads(Path(os.environ['AILOOT_REQUEST_FILE']).read_text(encoding='utf-8'))\nif not isinstance(p,dict): raise SystemExit('Request must be a JSON object')\np['model']='perplexity/pplx-decider-v1.1-27b'\nPath('request.json').write_text(json.dumps(p,ensure_ascii=False),encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/systemone \\\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\nprint(json.dumps(json.loads(Path('result.json').read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\njson
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Hvert angivet svar på et spørgsmåls-ID bevares med sin præcise type, noul/choice/score-værdi, konfidens, sandsynligheder og forklaring. Hele det oprindelige JSON-svar gemmes og returneres først efter afregning.
Behold den oprindelige operation og hele eller det delvise svar; gentag ikke POST.
| Felt | Type |
|---|---|
Feltmodel | Typestring |
Feltid | Typestring |
Feltprovider | Typestring |
Feltanswers.<id>.type | Typestring |
Feltanswers.<id>.noul | Typenumber |
Feltanswers.<id>.choice | Typestring |
Feltanswers.<id>.score | Typenumber |
Feltanswers.<id>.confidence | Typenumber |
Feltanswers.<id>.probabilities | Typeobject |
Feltanswers.<id>.legend | Typeobject |
Feltusage.input_tokens | Typeinteger |
Feltusage.output_tokens | Typeinteger |
Feltusage.cost | Typenumber |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldigt påkrævet felt, ugyldig repræsentation eller ugyldig værdi | Næste trinRet det angivne forespørgselsfelt. |
Ailoot Ultra perplexity/pplx-decider-v1.1-27b
Brug metodestierne vist ovenfor.