Step 5 Preview er StepFuns flagskibsgrundmodel til praktiske agentopgaver. Producenten beskriver en sparsom mixture-of-experts-arkitektur med i alt 600 milliarder parametre og 27B aktive parametre pr. token. Den understøtter en kontekst på 1M tokens og indbygget input af tekst og visuelt materiale med softwareudvikling, professionelt vidensarbejde og finans som fremtrædende opgaveområder.
Udgaven er udviklet til arbejde, der rækker ud over et enkelt svar. En softwareopgave kan kræve forståelse af den aktuelle implementering, planlægning af en ændring, undersøgelse af en observeret fejl og revision af det foreslåede resultat. Forbered den forventede adfærd, den relevante kilde og opgavens begrænsninger samlet, og bed derefter om produktet og det belæg, der er nødvendigt for at vurdere det.
Til en kode- eller applikationsopgave skal du identificere den komponent, der skal ændres, og hvordan den færdige adfærd skal se ud. Visuelt input kan tilføje et skærmbillede, et diagram eller andet belæg, der er relevant for målet. Bed resultatet skelne mellem det, der er synligt i materialet, og en konklusion, som afhænger af skriftlige specifikationer eller observationer fra applikationen.
Til professionel research skal du angive spørgsmålet, omfanget og den ønskede rapportstruktur. Et nyttigt output adskiller fastslåede resultater, det ræsonnement, der forbinder dem, og uafklarede afhængigheder. Hvis applikationen indsamler yderligere oplysninger, skal du returnere de relevante observationer, så næste trin kan bruge dette belæg frem for at antage, at det blev fundet.
Til finansiel analyse skal du levere opgavens data, definitioner, enheder og antagelser. Bed om en struktureret forklaring af beregningen eller sammenligningen, og identificér, hvilket input der understøtter hver konklusion. Den genererede rapport eller den foreslåede analysekode kan derefter gennemgås mod disse input. Det er et forberedelsesmønster til producentens angivne domæne og ikke en garanti for et bestemt finansielt resultat.
Ved en fortsat opgave skal du bevare kildematerialet, accepterede resultater og afslutningskriterier sammen med næste anmodning. Hold modellen adskilt fra den tidligere Step 3.7 Flash og fra særskilt offentliggjorte vægt- eller præcisionsartefakter. Modellens output leverer tekst, kode eller analyse til en forbundet arbejdsgang; udførelse af foreslåede kommandoer og ændringer i eksterne systemer håndteres af applikationen og dens værktøjer.
", "aboutText": "Step 5 Preview er StepFuns flagskibsgrundmodel til praktiske agentopgaver. Producenten beskriver en sparsom mixture-of-experts-arkitektur med i alt 600 milliarder parametre og 27B aktive parametre pr. token. Den understøtter en kontekst på 1M tokens og indbygget input af tekst og visuelt materiale med softwareudvikling, professionelt vidensarbejde og finans som fremtrædende opgaveområder.\n\nUdgaven er udviklet til arbejde, der rækker ud over et enkelt svar. En softwareopgave kan kræve forståelse af den aktuelle implementering, planlægning af en ændring, undersøgelse af en observeret fejl og revision af det foreslåede resultat. Forbered den forventede adfærd, den relevante kilde og opgavens begrænsninger samlet, og bed derefter om produktet og det belæg, der er nødvendigt for at vurdere det.\n\nTil en kode- eller applikationsopgave skal du identificere den komponent, der skal ændres, og hvordan den færdige adfærd skal se ud. Visuelt input kan tilføje et skærmbillede, et diagram eller andet belæg, der er relevant for målet. Bed resultatet skelne mellem det, der er synligt i materialet, og en konklusion, som afhænger af skriftlige specifikationer eller observationer fra applikationen.\n\nTil professionel research skal du angive spørgsmålet, omfanget og den ønskede rapportstruktur. Et nyttigt output adskiller fastslåede resultater, det ræsonnement, der forbinder dem, og uafklarede afhængigheder. Hvis applikationen indsamler yderligere oplysninger, skal du returnere de relevante observationer, så næste trin kan bruge dette belæg frem for at antage, at det blev fundet.\n\nTil finansiel analyse skal du levere opgavens data, definitioner, enheder og antagelser. Bed om en struktureret forklaring af beregningen eller sammenligningen, og identificér, hvilket input der understøtter hver konklusion. Den genererede rapport eller den foreslåede analysekode kan derefter gennemgås mod disse input. Det er et forberedelsesmønster til producentens angivne domæne og ikke en garanti for et bestemt finansielt resultat.\n\nVed en fortsat opgave skal du bevare kildematerialet, accepterede resultater og afslutningskriterier sammen med næste anmodning. Hold modellen adskilt fra den tidligere Step 3.7 Flash og fra særskilt offentliggjorte vægt- eller præcisionsartefakter. Modellens output leverer tekst, kode eller analyse til en forbundet arbejdsgang; udførelse af foreslåede kommandoer og ændringer i eksterne systemer håndteres af applikationen og dens værktøjer.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Review a dependent approval workflow\n\nAnalyse this workflow against its requirement. Requirement R: a purchase order may be sent only after finance approval for the same revision. Current flow C: approval stores approved=true; editing quantities leaves approved unchanged; Send checks only that flag. Explain the defect, propose a revision-aware check and provide tests for unchanged and edited orders. Do not claim any purchase was sent.A source-linked defect analysis, a proposed revision-aware rule and two regression scenarios.Editing an approved order invalidates approval for the changed revision, while an unchanged approved revision remains eligible.stepfun/step-5-previewStepFuns Step 5 Preview er en sparsom MoE-model til agentbaseret kodning, professionelt vidensarbejde og finansiel analyse. Producenten angiver i alt 600B parametre, 27B aktive pr. token, en kontekst på 1M og indbygget input af tekst og visuelt materiale.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Step 5 Preview er StepFuns flagskibsgrundmodel til praktiske agentopgaver. Producenten beskriver en sparsom mixture-of-experts-arkitektur med i alt 600 milliarder parametre og 27B aktive parametre pr. token. Den understøtter en kontekst på 1M tokens og indbygget input af tekst og visuelt materiale med softwareudvikling, professionelt vidensarbejde og finans som fremtrædende opgaveområder.
Udgaven er udviklet til arbejde, der rækker ud over et enkelt svar. En softwareopgave kan kræve forståelse af den aktuelle implementering, planlægning af en ændring, undersøgelse af en observeret fejl og revision af det foreslåede resultat. Forbered den forventede adfærd, den relevante kilde og opgavens begrænsninger samlet, og bed derefter om produktet og det belæg, der er nødvendigt for at vurdere det.
Til en kode- eller applikationsopgave skal du identificere den komponent, der skal ændres, og hvordan den færdige adfærd skal se ud. Visuelt input kan tilføje et skærmbillede, et diagram eller andet belæg, der er relevant for målet. Bed resultatet skelne mellem det, der er synligt i materialet, og en konklusion, som afhænger af skriftlige specifikationer eller observationer fra applikationen.
Til professionel research skal du angive spørgsmålet, omfanget og den ønskede rapportstruktur. Et nyttigt output adskiller fastslåede resultater, det ræsonnement, der forbinder dem, og uafklarede afhængigheder. Hvis applikationen indsamler yderligere oplysninger, skal du returnere de relevante observationer, så næste trin kan bruge dette belæg frem for at antage, at det blev fundet.
Til finansiel analyse skal du levere opgavens data, definitioner, enheder og antagelser. Bed om en struktureret forklaring af beregningen eller sammenligningen, og identificér, hvilket input der understøtter hver konklusion. Den genererede rapport eller den foreslåede analysekode kan derefter gennemgås mod disse input. Det er et forberedelsesmønster til producentens angivne domæne og ikke en garanti for et bestemt finansielt resultat.
Ved en fortsat opgave skal du bevare kildematerialet, accepterede resultater og afslutningskriterier sammen med næste anmodning. Hold modellen adskilt fra den tidligere Step 3.7 Flash og fra særskilt offentliggjorte vægt- eller præcisionsartefakter. Modellens output leverer tekst, kode eller analyse til en forbundet arbejdsgang; udførelse af foreslåede kommandoer og ændringer i eksterne systemer håndteres af applikationen og dens værktøjer.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser stepfun/step-5-preview | 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 $0.002 / 1K tokens Output · Outputtokens $0.0054 / 1K tokens Input · Cachelæsning $0.0001 / 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 $0.002 / 1K tokens Output · Outputtokens $0.0054 / 1K tokens Input · Cachelæsning $0.0001 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "stepfun/step-5-preview", "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-5-preview',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-5-preview',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-5-preview
Brug metodestierne vist ovenfor.
stepfun/step-5-previewStepFuns Step 5 Preview er en sparsom MoE-model til agentbaseret kodning, professionelt vidensarbejde og finansiel analyse. Producenten angiver i alt 600B parametre, 27B aktive pr. token, en kontekst på 1M og indbygget input af tekst og visuelt materiale.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Step 5 Preview er StepFuns flagskibsgrundmodel til praktiske agentopgaver. Producenten beskriver en sparsom mixture-of-experts-arkitektur med i alt 600 milliarder parametre og 27B aktive parametre pr. token. Den understøtter en kontekst på 1M tokens og indbygget input af tekst og visuelt materiale med softwareudvikling, professionelt vidensarbejde og finans som fremtrædende opgaveområder.
Udgaven er udviklet til arbejde, der rækker ud over et enkelt svar. En softwareopgave kan kræve forståelse af den aktuelle implementering, planlægning af en ændring, undersøgelse af en observeret fejl og revision af det foreslåede resultat. Forbered den forventede adfærd, den relevante kilde og opgavens begrænsninger samlet, og bed derefter om produktet og det belæg, der er nødvendigt for at vurdere det.
Til en kode- eller applikationsopgave skal du identificere den komponent, der skal ændres, og hvordan den færdige adfærd skal se ud. Visuelt input kan tilføje et skærmbillede, et diagram eller andet belæg, der er relevant for målet. Bed resultatet skelne mellem det, der er synligt i materialet, og en konklusion, som afhænger af skriftlige specifikationer eller observationer fra applikationen.
Til professionel research skal du angive spørgsmålet, omfanget og den ønskede rapportstruktur. Et nyttigt output adskiller fastslåede resultater, det ræsonnement, der forbinder dem, og uafklarede afhængigheder. Hvis applikationen indsamler yderligere oplysninger, skal du returnere de relevante observationer, så næste trin kan bruge dette belæg frem for at antage, at det blev fundet.
Til finansiel analyse skal du levere opgavens data, definitioner, enheder og antagelser. Bed om en struktureret forklaring af beregningen eller sammenligningen, og identificér, hvilket input der understøtter hver konklusion. Den genererede rapport eller den foreslåede analysekode kan derefter gennemgås mod disse input. Det er et forberedelsesmønster til producentens angivne domæne og ikke en garanti for et bestemt finansielt resultat.
Ved en fortsat opgave skal du bevare kildematerialet, accepterede resultater og afslutningskriterier sammen med næste anmodning. Hold modellen adskilt fra den tidligere Step 3.7 Flash og fra særskilt offentliggjorte vægt- eller præcisionsartefakter. Modellens output leverer tekst, kode eller analyse til en forbundet arbejdsgang; udførelse af foreslåede kommandoer og ændringer i eksterne systemer håndteres af applikationen og dens værktøjer.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser stepfun/step-5-preview | 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 $0.002 / 1K tokens Output · Outputtokens $0.0054 / 1K tokens Input · Cachelæsning $0.0001 / 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 $0.002 / 1K tokens Output · Outputtokens $0.0054 / 1K tokens Input · Cachelæsning $0.0001 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "stepfun/step-5-preview",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-5-preview', '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-5-preview', '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-5-preview
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Review a dependent approval workflow\n\nAnalyse this workflow against its requirement. Requirement R: a purchase order may be sent only after finance approval for the same revision. Current flow C: approval stores approved=true; editing quantities leaves approved unchanged; Send checks only that flag. Explain the defect, propose a revision-aware check and provide tests for unchanged and edited orders. Do not claim any purchase was sent.A source-linked defect analysis, a proposed revision-aware rule and two regression scenarios.Editing an approved order invalidates approval for the changed revision, while an unchanged approved revision remains eligible.