modeller

Recursive: Flint (free)

Markdown · JSON

Recursive: Flint (free)

recursive/flint-v1.0:free
RecursiveTekstInput 0,00 US$ / 1KOutput 0,00 US$ / 1K

Recursives tekstbaserede MoE-model til at undersøge kodebaser, rette fejl og udarbejde funktioner og test.

En model til kodearbejde

Flint er en tekstmodel fra Recursive, skabt til softwareagenter: at undersøge kodebaser, rette fejl, implementere funktioner og skrive test. Det er en MoE-model med åbne vægte: Af 39,8 milliarder parametre aktiveres omkring 2,5 milliarder ved behandling af én token. Opdelingen i eksperter er en del af arkitekturen og betyder ikke, at der er flere særskilte assistenter i chatten.

Eureka Machine, Recursives forskningssystem, deltog i udviklingen af Flint. Systemet hjalp med at finde arkitekturløsninger, vælge data og træningsmetoder samt optimere beregningerne. Flint gennemgik fortræning, mellemtræning, træning på instruktionseksempler og forstærkningslæring. Træningsopgaverne omfattede tekst, kode, instruktionsfølgning og agentforløb.

Projektanalyse og forberedelse af ændringer

Begynd gerne arbejdsopgaven med en bestemt del af projektet: Angiv de nødvendige filer som tekst, beskriv funktionernes formål og det forventede resultat. Ved fejlfinding tilføjes observeret adfærd og et logudsnit. Bed derefter om en årsagsforklaring, en minimal rettelse og en test, der adskiller korrekt adfærd fra fejlen. Rækkefølgen gør resultatet let at kontrollere i dit eget miljø.

Til en ny funktion angives input, begrænsninger og resultateksempler. Ved refaktorering oplistes de egenskaber, der skal bevares, og ændringer af grænseflader bør beskrives særskilt. Udvikleren anbefaler at opdele komplekst arbejde i små delopgaver og give tydelige instruktioner. En trinvis dialog med delresultater passer derfor bedre til Flints tiltænkte brug end en uklar opgave om at lave hele projektet om.

Kontekst og tilslutningsformat

I Ailoot API arbejder Flint med tekst som input og output. Kontekstvinduet er 262 144 tokens; grundmateriale, samtalehistorik og svar deler dette rum. For output angives en grænse på 235 929 tokens. Tallene beskriver tilslutningens grænser, mens den faktiske længde bør angives efter opgaven: en fejlårsagsforklaring, patch, testsamling eller arbejdsplan.

Messages, Responses og Chat Completions er tilgængelige. Formaterne gør det muligt at bruge klientapplikationens sædvanlige struktur. Applikationen står for at læse lokale filer og anvende ændringer: I tekstforespørgslen får modellen den angivne kode og returnerer forslag, forklaringer eller ny kode.

Flint egner sig til iterativ teknisk dialog, hvor hvert næste trin bygger på projektindholdet og kontrolresultatet fra den foregående ændring. Specialiseringen hjælper med at formulere opgaven, og arbejdsresultatet bliver konkret tekst: en forklaring, implementering eller kontrollerbar test.

Tilgængeligt via Ailoot API

Ultra Anthropic MessagesPOST /v1/messages
Inputtyper
text
Outputtyper
text
Kontekst
262.144 tokens
Maks. svar
235.929 tokens
Input
0,00 US$ / 1K
Output
0,00 US$ / 1K
Ultra OpenAI ResponsesPOST /v1/responses
Inputtyper
text
Outputtyper
text
Kontekst
262.144 tokens
Maks. svar
235.929 tokens
Input
0,00 US$ / 1K
Output
0,00 US$ / 1K
Ultra OpenAI ChatPOST /v1/chat/completions
Inputtyper
text
Outputtyper
text
Kontekst
262.144 tokens
Maks. svar
235.929 tokens
Input
0,00 US$ / 1K
Output
0,00 US$ / 1K
recursive/flint-v1.0:free · JSON
{"about":"### En model til kodearbejde\n\nFlint er en tekstmodel fra Recursive, skabt til softwareagenter: at undersøge kodebaser, rette fejl, implementere funktioner og skrive test. Det er en MoE-model med åbne vægte: Af 39,8 milliarder parametre aktiveres omkring 2,5 milliarder ved behandling af én token. Opdelingen i eksperter er en del af arkitekturen og betyder ikke, at der er flere særskilte assistenter i chatten.\n\nEureka Machine, Recursives forskningssystem, deltog i udviklingen af Flint. Systemet hjalp med at finde arkitekturløsninger, vælge data og træningsmetoder samt optimere beregningerne. Flint gennemgik fortræning, mellemtræning, træning på instruktionseksempler og forstærkningslæring. Træningsopgaverne omfattede tekst, kode, instruktionsfølgning og agentforløb.\n\n### Projektanalyse og forberedelse af ændringer\n\nBegynd gerne arbejdsopgaven med en bestemt del af projektet: Angiv de nødvendige filer som tekst, beskriv funktionernes formål og det forventede resultat. Ved fejlfinding tilføjes observeret adfærd og et logudsnit. Bed derefter om en årsagsforklaring, en minimal rettelse og en test, der adskiller korrekt adfærd fra fejlen. Rækkefølgen gør resultatet let at kontrollere i dit eget miljø.\n\nTil en ny funktion angives input, begrænsninger og resultateksempler. Ved refaktorering oplistes de egenskaber, der skal bevares, og ændringer af grænseflader bør beskrives særskilt. Udvikleren anbefaler at opdele komplekst arbejde i små delopgaver og give tydelige instruktioner. En trinvis dialog med delresultater passer derfor bedre til Flints tiltænkte brug end en uklar opgave om at lave hele projektet om.\n\n### Kontekst og tilslutningsformat\n\nI Ailoot API arbejder Flint med tekst som input og output. Kontekstvinduet er 262 144 tokens; grundmateriale, samtalehistorik og svar deler dette rum. For output angives en grænse på 235 929 tokens. Tallene beskriver tilslutningens grænser, mens den faktiske længde bør angives efter opgaven: en fejlårsagsforklaring, patch, testsamling eller arbejdsplan.\n\nMessages, Responses og Chat Completions er tilgængelige. Formaterne gør det muligt at bruge klientapplikationens sædvanlige struktur. Applikationen står for at læse lokale filer og anvende ændringer: I tekstforespørgslen får modellen den angivne kode og returnerer forslag, forklaringer eller ny kode.\n\nFlint egner sig til iterativ teknisk dialog, hvor hvert næste trin bygger på projektindholdet og kontrolresultatet fra den foregående ændring. Specialiseringen hjælper med at formulere opgaven, og arbejdsresultatet bliver konkret tekst: en forklaring, implementering eller kontrollerbar test.","alias_of":null,"aliases":[],"author":"Recursive","canonical_model":"recursive/flint-v1.0:free","ctx":262144,"formats":["chat","messages","responses"],"id":"recursive/flint-v1.0:free","input":["text"],"kind":"text","max_out":235929,"methods":[{"cache_read":null,"cache_write":null,"cache_write_1h":null,"cache_write_5m":null,"conditional_meter":null,"ctx":262144,"family":"anthropic","fast_multiplier":1,"flex_multiplier":1,"fmt":"messages","http":"POST","img_in":null,"img_out":null,"in":0,"input":["text"],"label":"Anthropic Messages","max_out":235929,"max_tool_calls":null,"out":0,"output":["text"],"path":"/v1/messages","request_model_id":"recursive/flint-v1.0:free","route_label":"Ultra","status_reads":[],"tiers":[],"tool_prices":null,"unit":"token","units":[]},{"cache_read":null,"cache_write":null,"cache_write_1h":null,"cache_write_5m":null,"conditional_meter":null,"ctx":262144,"family":"openai","fast_multiplier":1,"flex_multiplier":1,"fmt":"responses","http":"POST","img_in":null,"img_out":null,"in":0,"input":["text"],"label":"OpenAI Responses","max_out":235929,"max_tool_calls":null,"out":0,"output":["text"],"path":"/v1/responses","request_model_id":"recursive/flint-v1.0:free","route_label":"Ultra","status_reads":[],"tiers":[],"tool_prices":null,"unit":"token","units":[]},{"cache_read":null,"cache_write":null,"cache_write_1h":null,"cache_write_5m":null,"conditional_meter":null,"ctx":262144,"family":"openai","fast_multiplier":1,"flex_multiplier":1,"fmt":"chat","http":"POST","img_in":null,"img_out":null,"in":0,"input":["text"],"label":"OpenAI Chat","max_out":235929,"max_tool_calls":null,"out":0,"output":["text"],"path":"/v1/chat/completions","request_model_id":"recursive/flint-v1.0:free","route_label":"Ultra","status_reads":[],"tiers":[],"tool_prices":null,"unit":"token","units":[]}],"model_aliases":[{"canonical_model_id":"recursive/flint-v1.0:free","request_model_id":"recursive/flint-v1.0:free","route_label":"Ultra"}],"name":"Recursive: Flint (free)","price":{"in":0,"in_label":null,"out":0,"out_label":null,"sort_in":0,"sort_out":0,"varies":false},"public_id":"recursive/flint-v1.0:free","short":"Recursives tekstbaserede MoE-model til at undersøge kodebaser, rette fejl og udarbejde funktioner og test."}

Spørgsmål

Hvordan vælger jeg en model til min opgave?

Fastlæg først det nødvendige input og output: tekst, billede, lyd eller video. Sammenlign derefter kompatible API-metoder, det præcise model-ID eller den model, aliaset aktuelt peger på, pris og afregningsenhed. GET /v1/models er gratis og viser de modeller, din nøgle har adgang til.

Understøtter hver model alle API-metoder og medietyper?

Brug de API-metoder og input- og outputtyper, der står på modelkortet. Understøttelse af tekst, billeder, lyd eller video afhænger af den valgte model og metode; se det tilhørende eksempel på en forespørgsel, før du sender dine data.

Hvad er forskellen på et model-ID og et alias?

Et præcist model-ID angiver en bestemt model. Et alias peger på en model, og det kan ændre sig, hvilken model det peger på. Kontrollér den aktuelle målmodel for aliaset i kataloget; brug det præcise ID, når din integration kræver en bestemt model.

Hvordan sammenligner jeg priser, før jeg sender en forespørgsel?

Se prisen og afregningsenheden for den valgte API-metode på modelkortet. Sammenlign samme enhed og samme type input og output; forespørgselshistorikken viser det faktiske forbrug og det opkrævede beløb.

Hvad giver abonnementet?

Rabat på tokenkøb til regelmæssigt arbejde. Vælg abonnement efter anmodningsmængden. Vilkår og pris vises ved bestilling.

Hvordan bruger jeg en rabatkode på op til 50%?

Indtast rabatkoden ved tokenkøbet. Totalen genberegnes efter kampagnevilkårene, og rabatten vises før betaling.