Step 3.5 Flash er StepFuns sparsomme mixture-of-experts-tekstmodel til ræsonnement og agentorienteret arbejde. Den offentliggjorte specifikation har i alt 196,81 milliarder parametre inklusive forudsigelseshovedet og aktiverer cirka 11B parametre pr. token. Den behandler skriftlige instruktioner og samtaler for at generere tekst, kode og foreslåede værktøjsinteraktioner.
Dens grundarkitektur med 45 lag kombinerer sliding-window attention og fuld attention i forholdet tre til én og understøtter en kontekst på 256K. Hvert ekspertlag har 288 routede eksperter plus en delt ekspert med otte routede eksperter udvalgt pr. token. Et hoved til forudsigelse af flere tokens indgår i producentens effektivitetsdesign. Disse arkitekturvalg beskriver modellen; en bestemt applikations hastighed afhænger også af serveropsætning og arbejdsbelastning.
De centrale opgaveområder er ræsonnement, kodning og længere agentarbejdsgange. Til en softwareopgave skal du levere den forventede adfærd, den relevante kilde og en faktisk fejl eller en ønsket ændring. Bed om det foreslåede produkt og de kontroller, der er nødvendige for at vurdere det. I en forbundet applikation skal du returnere resultaterne af kommandoer og kontroller, før modellen vælger sit næste trin.
Ved analyse med lang kontekst skal du definere spørgsmålet og de relevante afsnit af materialet. En nyttig rapport identificerer sin konklusion, det understøttende belæg og enhver manglende observation. Hold det aktuelle mål og tidligere bekræftede resultater tilgængelige gennem opfølgninger, så modellen kan fortsætte fra opgavens tilstand frem for at genskabe den ud fra en ufuldstændig prompt.
StepFun offentliggør integrationsopskrifter og opskrifter på lokal idriftsættelse til kode- og researchapplikationer. Værktøjsudførelse tilhører den omgivende arbejdsgang: modellen leverer den foreslåede handling, og applikationen udfører den og returnerer udfaldet. Særskilte konverterede eller kvantiserede modelartefakter har deres egne betingelser for idriftsættelse; det generelle modelnavn vælger ikke et af dem.
Producentens kendte problemer er konkrete. Modellen kan have lange genereringsforløb, og stabiliteten kan falde i specialiserede domæner eller længere samtaler med mange trin. Rapporterede symptomer omfatter gentaget ræsonnement, output med blandede sprog og uoverensstemmelser om tid eller identitet. Angiv svarsproget og den aktuelle opgave tydeligt, bevar de relevante observationer, og gennemgå slutproduktet mod det angivne mål. Hold denne tekstudgave adskilt fra Step 3.7 Flashs tilføjede vision-encoder og billedinput.
", "aboutText": "Step 3.5 Flash er StepFuns sparsomme mixture-of-experts-tekstmodel til ræsonnement og agentorienteret arbejde. Den offentliggjorte specifikation har i alt 196,81 milliarder parametre inklusive forudsigelseshovedet og aktiverer cirka 11B parametre pr. token. Den behandler skriftlige instruktioner og samtaler for at generere tekst, kode og foreslåede værktøjsinteraktioner.\n\nDens grundarkitektur med 45 lag kombinerer sliding-window attention og fuld attention i forholdet tre til én og understøtter en kontekst på 256K. Hvert ekspertlag har 288 routede eksperter plus en delt ekspert med otte routede eksperter udvalgt pr. token. Et hoved til forudsigelse af flere tokens indgår i producentens effektivitetsdesign. Disse arkitekturvalg beskriver modellen; en bestemt applikations hastighed afhænger også af serveropsætning og arbejdsbelastning.\n\nDe centrale opgaveområder er ræsonnement, kodning og længere agentarbejdsgange. Til en softwareopgave skal du levere den forventede adfærd, den relevante kilde og en faktisk fejl eller en ønsket ændring. Bed om det foreslåede produkt og de kontroller, der er nødvendige for at vurdere det. I en forbundet applikation skal du returnere resultaterne af kommandoer og kontroller, før modellen vælger sit næste trin.\n\nVed analyse med lang kontekst skal du definere spørgsmålet og de relevante afsnit af materialet. En nyttig rapport identificerer sin konklusion, det understøttende belæg og enhver manglende observation. Hold det aktuelle mål og tidligere bekræftede resultater tilgængelige gennem opfølgninger, så modellen kan fortsætte fra opgavens tilstand frem for at genskabe den ud fra en ufuldstændig prompt.\n\nStepFun offentliggør integrationsopskrifter og opskrifter på lokal idriftsættelse til kode- og researchapplikationer. Værktøjsudførelse tilhører den omgivende arbejdsgang: modellen leverer den foreslåede handling, og applikationen udfører den og returnerer udfaldet. Særskilte konverterede eller kvantiserede modelartefakter har deres egne betingelser for idriftsættelse; det generelle modelnavn vælger ikke et af dem.\n\nProducentens kendte problemer er konkrete. Modellen kan have lange genereringsforløb, og stabiliteten kan falde i specialiserede domæner eller længere samtaler med mange trin. Rapporterede symptomer omfatter gentaget ræsonnement, output med blandede sprog og uoverensstemmelser om tid eller identitet. Angiv svarsproget og den aktuelle opgave tydeligt, bevar de relevante observationer, og gennemgå slutproduktet mod det angivne mål. Hold denne tekstudgave adskilt fra Step 3.7 Flashs tilføjede vision-encoder og billedinput.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Repair a stale accumulator default\n\nReview this Python function: def collect(value, items=[]): items.append(value); return items. Separate calls unexpectedly share earlier values. Propose a correction that preserves caller-supplied list mutation but creates a fresh list when the argument is omitted. Include tests for two omitted-argument calls and a call with an explicit list. Explain the changed default behavior.A corrected function and tests distinguishing fresh defaults from deliberate mutation of a supplied list.Omitted calls do not share state, while an explicit caller list retains the documented mutation behavior.stepfun/step-3.5-flashStepFuns Step 3.5 Flash er en sparsom tekstmodel til ræsonnement, kode og agentarbejdsgange. Den aktiverer cirka 11B parametre fra sin model i 196B-klassen, kombinerer glidende og fuld attention og understøtter en kontekst på 256K.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Step 3.5 Flash er StepFuns sparsomme mixture-of-experts-tekstmodel til ræsonnement og agentorienteret arbejde. Den offentliggjorte specifikation har i alt 196,81 milliarder parametre inklusive forudsigelseshovedet og aktiverer cirka 11B parametre pr. token. Den behandler skriftlige instruktioner og samtaler for at generere tekst, kode og foreslåede værktøjsinteraktioner.
Dens grundarkitektur med 45 lag kombinerer sliding-window attention og fuld attention i forholdet tre til én og understøtter en kontekst på 256K. Hvert ekspertlag har 288 routede eksperter plus en delt ekspert med otte routede eksperter udvalgt pr. token. Et hoved til forudsigelse af flere tokens indgår i producentens effektivitetsdesign. Disse arkitekturvalg beskriver modellen; en bestemt applikations hastighed afhænger også af serveropsætning og arbejdsbelastning.
De centrale opgaveområder er ræsonnement, kodning og længere agentarbejdsgange. Til en softwareopgave skal du levere den forventede adfærd, den relevante kilde og en faktisk fejl eller en ønsket ændring. Bed om det foreslåede produkt og de kontroller, der er nødvendige for at vurdere det. I en forbundet applikation skal du returnere resultaterne af kommandoer og kontroller, før modellen vælger sit næste trin.
Ved analyse med lang kontekst skal du definere spørgsmålet og de relevante afsnit af materialet. En nyttig rapport identificerer sin konklusion, det understøttende belæg og enhver manglende observation. Hold det aktuelle mål og tidligere bekræftede resultater tilgængelige gennem opfølgninger, så modellen kan fortsætte fra opgavens tilstand frem for at genskabe den ud fra en ufuldstændig prompt.
StepFun offentliggør integrationsopskrifter og opskrifter på lokal idriftsættelse til kode- og researchapplikationer. Værktøjsudførelse tilhører den omgivende arbejdsgang: modellen leverer den foreslåede handling, og applikationen udfører den og returnerer udfaldet. Særskilte konverterede eller kvantiserede modelartefakter har deres egne betingelser for idriftsættelse; det generelle modelnavn vælger ikke et af dem.
Producentens kendte problemer er konkrete. Modellen kan have lange genereringsforløb, og stabiliteten kan falde i specialiserede domæner eller længere samtaler med mange trin. Rapporterede symptomer omfatter gentaget ræsonnement, output med blandede sprog og uoverensstemmelser om tid eller identitet. Angiv svarsproget og den aktuelle opgave tydeligt, bevar de relevante observationer, og gennemgå slutproduktet mod det angivne mål. Hold denne tekstudgave adskilt fra Step 3.7 Flashs tilføjede vision-encoder og billedinput.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser stepfun/step-3.5-flash | 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 $0.00022 / 1K tokens Output · Outputtokens $0.00066 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 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 $0.00022 / 1K tokens Output · Outputtokens $0.00066 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "stepfun/step-3.5-flash", "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='stepfun/step-3.5-flash',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='stepfun/step-3.5-flash',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 stepfun/step-3.5-flash
Brug metodestierne vist ovenfor.
stepfun/step-3.5-flashStepFuns Step 3.5 Flash er en sparsom tekstmodel til ræsonnement, kode og agentarbejdsgange. Den aktiverer cirka 11B parametre fra sin model i 196B-klassen, kombinerer glidende og fuld attention og understøtter en kontekst på 256K.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Step 3.5 Flash er StepFuns sparsomme mixture-of-experts-tekstmodel til ræsonnement og agentorienteret arbejde. Den offentliggjorte specifikation har i alt 196,81 milliarder parametre inklusive forudsigelseshovedet og aktiverer cirka 11B parametre pr. token. Den behandler skriftlige instruktioner og samtaler for at generere tekst, kode og foreslåede værktøjsinteraktioner.
Dens grundarkitektur med 45 lag kombinerer sliding-window attention og fuld attention i forholdet tre til én og understøtter en kontekst på 256K. Hvert ekspertlag har 288 routede eksperter plus en delt ekspert med otte routede eksperter udvalgt pr. token. Et hoved til forudsigelse af flere tokens indgår i producentens effektivitetsdesign. Disse arkitekturvalg beskriver modellen; en bestemt applikations hastighed afhænger også af serveropsætning og arbejdsbelastning.
De centrale opgaveområder er ræsonnement, kodning og længere agentarbejdsgange. Til en softwareopgave skal du levere den forventede adfærd, den relevante kilde og en faktisk fejl eller en ønsket ændring. Bed om det foreslåede produkt og de kontroller, der er nødvendige for at vurdere det. I en forbundet applikation skal du returnere resultaterne af kommandoer og kontroller, før modellen vælger sit næste trin.
Ved analyse med lang kontekst skal du definere spørgsmålet og de relevante afsnit af materialet. En nyttig rapport identificerer sin konklusion, det understøttende belæg og enhver manglende observation. Hold det aktuelle mål og tidligere bekræftede resultater tilgængelige gennem opfølgninger, så modellen kan fortsætte fra opgavens tilstand frem for at genskabe den ud fra en ufuldstændig prompt.
StepFun offentliggør integrationsopskrifter og opskrifter på lokal idriftsættelse til kode- og researchapplikationer. Værktøjsudførelse tilhører den omgivende arbejdsgang: modellen leverer den foreslåede handling, og applikationen udfører den og returnerer udfaldet. Særskilte konverterede eller kvantiserede modelartefakter har deres egne betingelser for idriftsættelse; det generelle modelnavn vælger ikke et af dem.
Producentens kendte problemer er konkrete. Modellen kan have lange genereringsforløb, og stabiliteten kan falde i specialiserede domæner eller længere samtaler med mange trin. Rapporterede symptomer omfatter gentaget ræsonnement, output med blandede sprog og uoverensstemmelser om tid eller identitet. Angiv svarsproget og den aktuelle opgave tydeligt, bevar de relevante observationer, og gennemgå slutproduktet mod det angivne mål. Hold denne tekstudgave adskilt fra Step 3.7 Flashs tilføjede vision-encoder og billedinput.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser stepfun/step-3.5-flash | 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 $0.00022 / 1K tokens Output · Outputtokens $0.00066 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 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 $0.00022 / 1K tokens Output · Outputtokens $0.00066 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "stepfun/step-3.5-flash",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'stepfun/step-3.5-flash', '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': 'stepfun/step-3.5-flash', '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 stepfun/step-3.5-flash
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Repair a stale accumulator default\n\nReview this Python function: def collect(value, items=[]): items.append(value); return items. Separate calls unexpectedly share earlier values. Propose a correction that preserves caller-supplied list mutation but creates a fresh list when the argument is omitted. Include tests for two omitted-argument calls and a call with an explicit list. Explain the changed default behavior.A corrected function and tests distinguishing fresh defaults from deliberate mutation of a supplied list.Omitted calls do not share state, while an explicit caller list retains the documented mutation behavior.