Sakana Namazu er Sakana AI’s sprogmodel tilpasset japansk og japanske forretningssammenhænge. Producenten bygger på Kimi K2.6 og bruger egne data til at tilpasse japanske svar, instruktionsfølgning og agentorienteret arbejde. Modellen håndterer tekst og billeder og producerer tekstlige resultater, herunder forklaringer, rapporter og foreslåede funktionskald.
Sprogtilpasning er en central del af modellens formål. Producenten fremhæver naturlige japanske forretningsdokumenter og e-mails, høflighedssprog, japanske egennavne og forretningsskikke. Ved en skrive- eller oversættelsesopgave skal du angive målgruppen, forholdet mellem parterne og den terminologi, der skal være konsekvent. Bed om det formalitetsniveau, der passer til sammenhængen, i stedet for at behandle alle japanske beskeder som samme type kommunikation.
Producenten leverer websøgning og kodeudførelse som indbyggede værktøjer i sin Namazu-tjeneste. Researcheksemplet planlægger en undersøgelse, søger gentagne gange, krydstjekker oplysninger og skriver en rapport. Dataanalyseeksemplet kombinerer japanske supportspørgsmål med aggregering og analyse af ordreoplysninger. Det er producentarbejdsgange med tilsluttede værktøjer; en applikation, der bruger modellen, har stadig brug for den relevante adgang og de relevante observationer til sin egen opgave.
Til en markedsresearchrapport skal du angive sektor, periode og de spørgsmål, der skal besvares. Et nyttigt output adskiller kildebelagte fakta, fortolkning og konsekvenser. Ved supportanalyse skal du levere henvendelseskategorierne og de poster, der må bruges til opgaven, og derefter bede om de vigtigste mønstre og en forklaring af tallene. Hold datadefinitioner og enheder synlige, så resultatet kan gennemgås mod de leverede poster.
Namazu understøtter også billedgenkendelse og funktionskald. Producentens kreative demonstration bruger skærmbilleder som feedback, mens modellen beslutter den næste handling i en animeret scene. En applikation kan bruge samme mønster til visuel feedback: Lever det observerede billede, definér den tilstand, der skal genkendes, og returnér resultatet af den udførte handling, før du beder om endnu et trin.
Modellens japanske specialisering supplerer dens ræsonnements- og kodearbejde. Forbered en konkret leverance som et forretningssvar, en tosproget revision, en researchrapport eller et analysenotat. Bevar kildematerialet og opgavens japanske terminologi gennem opfølgende samtaleture, og skeln mellem en foreslået handling og den handling, den omgivende applikation faktisk udførte.
", "aboutText": "Sakana Namazu er Sakana AI’s sprogmodel tilpasset japansk og japanske forretningssammenhænge. Producenten bygger på Kimi K2.6 og bruger egne data til at tilpasse japanske svar, instruktionsfølgning og agentorienteret arbejde. Modellen håndterer tekst og billeder og producerer tekstlige resultater, herunder forklaringer, rapporter og foreslåede funktionskald.\n\nSprogtilpasning er en central del af modellens formål. Producenten fremhæver naturlige japanske forretningsdokumenter og e-mails, høflighedssprog, japanske egennavne og forretningsskikke. Ved en skrive- eller oversættelsesopgave skal du angive målgruppen, forholdet mellem parterne og den terminologi, der skal være konsekvent. Bed om det formalitetsniveau, der passer til sammenhængen, i stedet for at behandle alle japanske beskeder som samme type kommunikation.\n\nProducenten leverer websøgning og kodeudførelse som indbyggede værktøjer i sin Namazu-tjeneste. Researcheksemplet planlægger en undersøgelse, søger gentagne gange, krydstjekker oplysninger og skriver en rapport. Dataanalyseeksemplet kombinerer japanske supportspørgsmål med aggregering og analyse af ordreoplysninger. Det er producentarbejdsgange med tilsluttede værktøjer; en applikation, der bruger modellen, har stadig brug for den relevante adgang og de relevante observationer til sin egen opgave.\n\nTil en markedsresearchrapport skal du angive sektor, periode og de spørgsmål, der skal besvares. Et nyttigt output adskiller kildebelagte fakta, fortolkning og konsekvenser. Ved supportanalyse skal du levere henvendelseskategorierne og de poster, der må bruges til opgaven, og derefter bede om de vigtigste mønstre og en forklaring af tallene. Hold datadefinitioner og enheder synlige, så resultatet kan gennemgås mod de leverede poster.\n\nNamazu understøtter også billedgenkendelse og funktionskald. Producentens kreative demonstration bruger skærmbilleder som feedback, mens modellen beslutter den næste handling i en animeret scene. En applikation kan bruge samme mønster til visuel feedback: Lever det observerede billede, definér den tilstand, der skal genkendes, og returnér resultatet af den udførte handling, før du beder om endnu et trin.\n\nModellens japanske specialisering supplerer dens ræsonnements- og kodearbejde. Forbered en konkret leverance som et forretningssvar, en tosproget revision, en researchrapport eller et analysenotat. Bevar kildematerialet og opgavens japanske terminologi gennem opfølgende samtaleture, og skeln mellem en foreslået handling og den handling, den omgivende applikation faktisk udførte.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Draft a Japanese business reschedule email\n\nDraft a polite Japanese business email to an existing external partner, Ms Tanaka. Ask to move the meeting from 10:00 to 11:00 on the same Tuesday because the preceding workshop runs longer. Acknowledge the inconvenience and ask whether the new time suits her. Keep the date unspecified, preserve the two times, and do not imply she has accepted.A concise Japanese email with a subject, respectful greeting, reschedule request and confirmation question.The email uses appropriate partner-facing politeness and retains the request as pending rather than confirmed.sakana/sakana-namazuSakana Namazu er Sakana AI’s japanskspecialiserede model til forretningsdokumenter, research og agentarbejdsgange. Den kombinerer japansk sprog og kulturel kontekst med ræsonnement, billedgenkendelse samt søge- og kodeværktøjer fra producenten.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Sakana Namazu er Sakana AI’s sprogmodel tilpasset japansk og japanske forretningssammenhænge. Producenten bygger på Kimi K2.6 og bruger egne data til at tilpasse japanske svar, instruktionsfølgning og agentorienteret arbejde. Modellen håndterer tekst og billeder og producerer tekstlige resultater, herunder forklaringer, rapporter og foreslåede funktionskald.
Sprogtilpasning er en central del af modellens formål. Producenten fremhæver naturlige japanske forretningsdokumenter og e-mails, høflighedssprog, japanske egennavne og forretningsskikke. Ved en skrive- eller oversættelsesopgave skal du angive målgruppen, forholdet mellem parterne og den terminologi, der skal være konsekvent. Bed om det formalitetsniveau, der passer til sammenhængen, i stedet for at behandle alle japanske beskeder som samme type kommunikation.
Producenten leverer websøgning og kodeudførelse som indbyggede værktøjer i sin Namazu-tjeneste. Researcheksemplet planlægger en undersøgelse, søger gentagne gange, krydstjekker oplysninger og skriver en rapport. Dataanalyseeksemplet kombinerer japanske supportspørgsmål med aggregering og analyse af ordreoplysninger. Det er producentarbejdsgange med tilsluttede værktøjer; en applikation, der bruger modellen, har stadig brug for den relevante adgang og de relevante observationer til sin egen opgave.
Til en markedsresearchrapport skal du angive sektor, periode og de spørgsmål, der skal besvares. Et nyttigt output adskiller kildebelagte fakta, fortolkning og konsekvenser. Ved supportanalyse skal du levere henvendelseskategorierne og de poster, der må bruges til opgaven, og derefter bede om de vigtigste mønstre og en forklaring af tallene. Hold datadefinitioner og enheder synlige, så resultatet kan gennemgås mod de leverede poster.
Namazu understøtter også billedgenkendelse og funktionskald. Producentens kreative demonstration bruger skærmbilleder som feedback, mens modellen beslutter den næste handling i en animeret scene. En applikation kan bruge samme mønster til visuel feedback: Lever det observerede billede, definér den tilstand, der skal genkendes, og returnér resultatet af den udførte handling, før du beder om endnu et trin.
Modellens japanske specialisering supplerer dens ræsonnements- og kodearbejde. Forbered en konkret leverance som et forretningssvar, en tosproget revision, en researchrapport eller et analysenotat. Bevar kildematerialet og opgavens japanske terminologi gennem opfølgende samtaleture, og skeln mellem en foreslået handling og den handling, den omgivende applikation faktisk udførte.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser sakana/sakana-namazu | 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 $0.0019 / 1K tokens Output · Outputtokens $0.008 / 1K tokens Input · Cachelæsning $0.0003 / 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 $0.0019 / 1K tokens Output · Outputtokens $0.008 / 1K tokens Input · Cachelæsning $0.0003 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "sakana/sakana-namazu", "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='sakana/sakana-namazu',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='sakana/sakana-namazu',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 sakana/sakana-namazu
Brug metodestierne vist ovenfor.
sakana/sakana-namazuSakana Namazu er Sakana AI’s japanskspecialiserede model til forretningsdokumenter, research og agentarbejdsgange. Den kombinerer japansk sprog og kulturel kontekst med ræsonnement, billedgenkendelse samt søge- og kodeværktøjer fra producenten.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Sakana Namazu er Sakana AI’s sprogmodel tilpasset japansk og japanske forretningssammenhænge. Producenten bygger på Kimi K2.6 og bruger egne data til at tilpasse japanske svar, instruktionsfølgning og agentorienteret arbejde. Modellen håndterer tekst og billeder og producerer tekstlige resultater, herunder forklaringer, rapporter og foreslåede funktionskald.
Sprogtilpasning er en central del af modellens formål. Producenten fremhæver naturlige japanske forretningsdokumenter og e-mails, høflighedssprog, japanske egennavne og forretningsskikke. Ved en skrive- eller oversættelsesopgave skal du angive målgruppen, forholdet mellem parterne og den terminologi, der skal være konsekvent. Bed om det formalitetsniveau, der passer til sammenhængen, i stedet for at behandle alle japanske beskeder som samme type kommunikation.
Producenten leverer websøgning og kodeudførelse som indbyggede værktøjer i sin Namazu-tjeneste. Researcheksemplet planlægger en undersøgelse, søger gentagne gange, krydstjekker oplysninger og skriver en rapport. Dataanalyseeksemplet kombinerer japanske supportspørgsmål med aggregering og analyse af ordreoplysninger. Det er producentarbejdsgange med tilsluttede værktøjer; en applikation, der bruger modellen, har stadig brug for den relevante adgang og de relevante observationer til sin egen opgave.
Til en markedsresearchrapport skal du angive sektor, periode og de spørgsmål, der skal besvares. Et nyttigt output adskiller kildebelagte fakta, fortolkning og konsekvenser. Ved supportanalyse skal du levere henvendelseskategorierne og de poster, der må bruges til opgaven, og derefter bede om de vigtigste mønstre og en forklaring af tallene. Hold datadefinitioner og enheder synlige, så resultatet kan gennemgås mod de leverede poster.
Namazu understøtter også billedgenkendelse og funktionskald. Producentens kreative demonstration bruger skærmbilleder som feedback, mens modellen beslutter den næste handling i en animeret scene. En applikation kan bruge samme mønster til visuel feedback: Lever det observerede billede, definér den tilstand, der skal genkendes, og returnér resultatet af den udførte handling, før du beder om endnu et trin.
Modellens japanske specialisering supplerer dens ræsonnements- og kodearbejde. Forbered en konkret leverance som et forretningssvar, en tosproget revision, en researchrapport eller et analysenotat. Bevar kildematerialet og opgavens japanske terminologi gennem opfølgende samtaleture, og skeln mellem en foreslået handling og den handling, den omgivende applikation faktisk udførte.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser sakana/sakana-namazu | 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 $0.0019 / 1K tokens Output · Outputtokens $0.008 / 1K tokens Input · Cachelæsning $0.0003 / 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 $0.0019 / 1K tokens Output · Outputtokens $0.008 / 1K tokens Input · Cachelæsning $0.0003 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "sakana/sakana-namazu",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'sakana/sakana-namazu', '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': 'sakana/sakana-namazu', '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 sakana/sakana-namazu
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Draft a Japanese business reschedule email\n\nDraft a polite Japanese business email to an existing external partner, Ms Tanaka. Ask to move the meeting from 10:00 to 11:00 on the same Tuesday because the preceding workshop runs longer. Acknowledge the inconvenience and ask whether the new time suits her. Keep the date unspecified, preserve the two times, and do not imply she has accepted.A concise Japanese email with a subject, respectful greeting, reschedule request and confirmation question.The email uses appropriate partner-facing politeness and retains the request as pending rather than confirmed.