Tev1 4B Experimental er Together AI’s klassifikationsmodel til spørgsmål med et fast sæt svar. Producenten har finjusteret den fra Qwen3.5 4B og oplyser 4,7 milliarder parametre. Den bruger tekstgenerering uden ræsonnement til at vælge en svarmulighed: Det dokumenterede input er en tilstand, ét spørgsmål og mærkede svarmuligheder, og det ønskede output er præcis ét bogstav. Applikationen knytter bogstavet til svarmulighedens semantiske nøgle. Det adskiller dens beslutningsarbejdsgang fra en model, der direkte returnerer kalibrerede sandsynligheder eller en forventet score efter en vurderingsrubrik.
Producentens grænseflade repræsenterer beslutningen som et JSON-objekt med state, question og options. Hver svarmulighed indeholder en bogstavetiket fra A til X, en semantisk nøgle og en beskrivelse. Angiv mellem to og 24 svarmuligheder, og lad hver beskrivelse forklare, hvornår svaret gælder. Bogstavet er den kompakte outputetiket; den semantiske nøgle er den betydning, som den omgivende software bruger. Bevar tilknytningen til præcis den liste af svarmuligheder, der blev brugt til beslutningen.
For en supportbesked bør tilstanden indeholde beskeden og relevant kontekst, mens spørgsmålet definerer, hvilken hensigt eller destination der skal vælges. En eksempelliste kan skelne mellem en rapporteret integrationsfejl, et adgangsproblem og en anmodning om produktoplysninger med en none-mulighed, når de anførte hensigter ikke passer. Definér overlappende tilfælde frem for at forvente, at modellen udleder organisationens routingpolitik fra forkortede etiketter.
Together’s offentliggjorte eksempel angiver en systeminstruktion, som behandler indholdet i state som data, vælger én af de anførte svarmuligheder og kun beder om dens bogstav uden forklaring. De anbefalede indstillinger er temperature 0, et genereringsbudget på otte tokens og deaktiveret thinking. Producenten siger udtrykkeligt, at disse indstillinger ikke indsættes automatisk af det offentlige endepunkt; eksemplets hjælpefunktion angiver dem, mens en direkte anmodning selv skal specificere dem. Brug disse indstillinger til at anmode om det tilsigtede korte klassifikationssvar uden ræsonnement.
Budgettet på otte tokens er en eksempelindstilling for output i denne arbejdsgang med korte svar og ikke en universel specifikation af maksimalt output. Det tilsigtede nyttige output er fortsat det valgte bogstav. Hvis en hjælpefunktion efterfølgende viser et objekt med etiket og nøgle, skal dette fortolkede objekt skelnes fra modellens rå genererede indhold. Valget af en kategori opdaterer ikke i sig selv en supportsag, godkender en operation eller udfører næste handling.
Producenten beskriver hensigtsgenkendelse, anvendelse af regler, routing af arbejdsgange, dokumentkategorier, sentiment og passagebaseret ja/nej-forståelse som understøttede opgavemønstre. En boolesk opgave kan angive to svarmuligheder, hvis nøgler betyder sand og falsk; applikationen fortolker den valgte mulighed derefter. En sentimentopgave kan angive beskrevne niveauer og returnere nøglen til én valgt kategori. Dette kategoriske valg er ikke et sandsynlighedsvægtet gennemsnit på tværs af niveauer, og et returneret bogstav er ikke en numerisk konfidensværdi.
Ved en regelbaseret beslutning skal de relevante fakta og reglen medtages i opgaven frem for at bede modellen opfinde politikken. Et oplæg til dokumentrouting kan eksempelvis beskrive de tilladte mapper og det materiale, der hører til i hver. En opgave om forskningstaksonomi kan angive en artikels titel og resumé sammen med emnebeskrivelser. Resultatet bør fortolkes ud fra de angivne alternativer, og den oprindelige evidens bør bevares ved et tvetydigt eller omstridt valg.
Modelsiden registrerer 37.840 træningseksempler, der dækker logisk følge, ja/nej-spørgsmål om passager, bankhensigter, nyhedskategorier, sentimentniveauer, programmatiske regler, routing og taksonomi for forskningsartikler. Den tilhørende vejledning dokumenterer normalisering af disse opgaver til et fælles beslutningsformat og finjustering af en klassifikationsmodel. Det forklarer profilens fokus på et afgrænset svarsæt; det fastslår ikke, at enhver ny politik, ethvert nyt domæne eller enhver ny taksonomi håndteres korrekt uden opgavespecifik vurdering.
Tev1 4B Experimental er den navngivne Together-model, ikke den generelle Qwen3.5 4B-grundprofil og ikke et checkpoint fra en anden producent af beslutningsmodeller. Bevar den eksperimentelle udgaves egen outputforberedelse og inputkontrakt. En fælles beslutningsanvendelse eller en velkendt grundfamilie berettiger ikke til at låne en anden models billedunderstøttelse, sandsynlighedskalibrering, værktøjskald eller grænser for samling af spørgsmål i én anmodning.
Together’s modelspecifikation oplyser et kontekstvindue på 32,8K tokens og tekstinput med tekstoutput. Konteksten skal rumme instruktionerne, tilstanden, spørgsmålet og svarmulighederne i klassifikationsanmodningen. Forbered kun den evidens, spørgsmålet har brug for, men bevar de definitioner, der adskiller alternativerne. Hold klassifikationsprompten kompakt ved at fjerne irrelevant kontekst, samtidig med at svarmulighedernes definitioner bevares.
Producenten beskriver dette som en eksperimentel udgivelse til vurdering på virkelige beslutningsopgaver. Kontrollér, at det rå svar er en af de angivne etiketter, før det knyttes til en semantisk nøgle, og sammenlign klassifikationer med repræsentativt mærket materiale fra den tilsigtede opgave. Et gyldigt bogstav fastslår, at valget har korrekt format, og er ikke bevis for, at fortolkningen er korrekt. Gem inputtet, svarmulighederne, det returnerede bogstav og den tilknyttede nøgle sammen, så det endelige resultat kan understøtte routing, kategorisering eller regelgennemgang uden at miste oplysningerne om, hvordan beslutningen blev defineret.
", "aboutText": "Tev1 4B Experimental er Together AI’s klassifikationsmodel til spørgsmål med et fast sæt svar. Producenten har finjusteret den fra Qwen3.5 4B og oplyser 4,7 milliarder parametre. Den bruger tekstgenerering uden ræsonnement til at vælge en svarmulighed: Det dokumenterede input er en tilstand, ét spørgsmål og mærkede svarmuligheder, og det ønskede output er præcis ét bogstav. Applikationen knytter bogstavet til svarmulighedens semantiske nøgle. Det adskiller dens beslutningsarbejdsgang fra en model, der direkte returnerer kalibrerede sandsynligheder eller en forventet score efter en vurderingsrubrik.\n\n### Tilstand, spørgsmål og 2–24 svarmuligheder\n\nProducentens grænseflade repræsenterer beslutningen som et JSON-objekt med state, question og options. Hver svarmulighed indeholder en bogstavetiket fra A til X, en semantisk nøgle og en beskrivelse. Angiv mellem to og 24 svarmuligheder, og lad hver beskrivelse forklare, hvornår svaret gælder. Bogstavet er den kompakte outputetiket; den semantiske nøgle er den betydning, som den omgivende software bruger. Bevar tilknytningen til præcis den liste af svarmuligheder, der blev brugt til beslutningen.\n\nFor en supportbesked bør tilstanden indeholde beskeden og relevant kontekst, mens spørgsmålet definerer, hvilken hensigt eller destination der skal vælges. En eksempelliste kan skelne mellem en rapporteret integrationsfejl, et adgangsproblem og en anmodning om produktoplysninger med en none-mulighed, når de anførte hensigter ikke passer. Definér overlappende tilfælde frem for at forvente, at modellen udleder organisationens routingpolitik fra forkortede etiketter.\n\n### Generering uden ræsonnement og det ønskede svarformat\n\nTogether’s offentliggjorte eksempel angiver en systeminstruktion, som behandler indholdet i state som data, vælger én af de anførte svarmuligheder og kun beder om dens bogstav uden forklaring. De anbefalede indstillinger er temperature 0, et genereringsbudget på otte tokens og deaktiveret thinking. Producenten siger udtrykkeligt, at disse indstillinger ikke indsættes automatisk af det offentlige endepunkt; eksemplets hjælpefunktion angiver dem, mens en direkte anmodning selv skal specificere dem. Brug disse indstillinger til at anmode om det tilsigtede korte klassifikationssvar uden ræsonnement.\n\nBudgettet på otte tokens er en eksempelindstilling for output i denne arbejdsgang med korte svar og ikke en universel specifikation af maksimalt output. Det tilsigtede nyttige output er fortsat det valgte bogstav. Hvis en hjælpefunktion efterfølgende viser et objekt med etiket og nøgle, skal dette fortolkede objekt skelnes fra modellens rå genererede indhold. Valget af en kategori opdaterer ikke i sig selv en supportsag, godkender en operation eller udfører næste handling.\n\n### Klassifikation, regler og kategoriske vurderinger\n\nProducenten beskriver hensigtsgenkendelse, anvendelse af regler, routing af arbejdsgange, dokumentkategorier, sentiment og passagebaseret ja/nej-forståelse som understøttede opgavemønstre. En boolesk opgave kan angive to svarmuligheder, hvis nøgler betyder sand og falsk; applikationen fortolker den valgte mulighed derefter. En sentimentopgave kan angive beskrevne niveauer og returnere nøglen til én valgt kategori. Dette kategoriske valg er ikke et sandsynlighedsvægtet gennemsnit på tværs af niveauer, og et returneret bogstav er ikke en numerisk konfidensværdi.\n\nVed en regelbaseret beslutning skal de relevante fakta og reglen medtages i opgaven frem for at bede modellen opfinde politikken. Et oplæg til dokumentrouting kan eksempelvis beskrive de tilladte mapper og det materiale, der hører til i hver. En opgave om forskningstaksonomi kan angive en artikels titel og resumé sammen med emnebeskrivelser. Resultatet bør fortolkes ud fra de angivne alternativer, og den oprindelige evidens bør bevares ved et tvetydigt eller omstridt valg.\n\n### Træningsomfang og udgavens identitet\n\nModelsiden registrerer 37.840 træningseksempler, der dækker logisk følge, ja/nej-spørgsmål om passager, bankhensigter, nyhedskategorier, sentimentniveauer, programmatiske regler, routing og taksonomi for forskningsartikler. Den tilhørende vejledning dokumenterer normalisering af disse opgaver til et fælles beslutningsformat og finjustering af en klassifikationsmodel. Det forklarer profilens fokus på et afgrænset svarsæt; det fastslår ikke, at enhver ny politik, ethvert nyt domæne eller enhver ny taksonomi håndteres korrekt uden opgavespecifik vurdering.\n\nTev1 4B Experimental er den navngivne Together-model, ikke den generelle Qwen3.5 4B-grundprofil og ikke et checkpoint fra en anden producent af beslutningsmodeller. Bevar den eksperimentelle udgaves egen outputforberedelse og inputkontrakt. En fælles beslutningsanvendelse eller en velkendt grundfamilie berettiger ikke til at låne en anden models billedunderstøttelse, sandsynlighedskalibrering, værktøjskald eller grænser for samling af spørgsmål i én anmodning.\n\n### Kontekst og gennemgang af resultatet\n\nTogether’s modelspecifikation oplyser et kontekstvindue på 32,8K tokens og tekstinput med tekstoutput. Konteksten skal rumme instruktionerne, tilstanden, spørgsmålet og svarmulighederne i klassifikationsanmodningen. Forbered kun den evidens, spørgsmålet har brug for, men bevar de definitioner, der adskiller alternativerne. Hold klassifikationsprompten kompakt ved at fjerne irrelevant kontekst, samtidig med at svarmulighedernes definitioner bevares.\n\nProducenten beskriver dette som en eksperimentel udgivelse til vurdering på virkelige beslutningsopgaver. Kontrollér, at det rå svar er en af de angivne etiketter, før det knyttes til en semantisk nøgle, og sammenlign klassifikationer med repræsentativt mærket materiale fra den tilsigtede opgave. Et gyldigt bogstav fastslår, at valget har korrekt format, og er ikke bevis for, at fortolkningen er korrekt. Gem inputtet, svarmulighederne, det returnerede bogstav og den tilknyttede nøgle sammen, så det endelige resultat kan understøtte routing, kategorisering eller regelgennemgang uden at miste oplysningerne om, hvordan beslutningen blev defineret.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "8b1e533466cee5db88d5ca60d45a5a3f381fdf0252555ef6889722ad0271106e", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "da", "methods": [ { "html": "togethercomputer/tev1-4b-experimentalTev1 4B Experimental er Together AI’s tekstklassifikator til afgrænsede beslutninger: Giv den en tilstand, et spørgsmål og 2–24 mærkede svarmuligheder, så er dens dokumenterede output ét bogstav. Applikationen knytter bogstavet til en kategorinøgle; det er ikke en native sandsynlighedsfordeling eller et svar med en forventet score.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Tev1 4B Experimental er Together AI’s klassifikationsmodel til spørgsmål med et fast sæt svar. Producenten har finjusteret den fra Qwen3.5 4B og oplyser 4,7 milliarder parametre. Den bruger tekstgenerering uden ræsonnement til at vælge en svarmulighed: Det dokumenterede input er en tilstand, ét spørgsmål og mærkede svarmuligheder, og det ønskede output er præcis ét bogstav. Applikationen knytter bogstavet til svarmulighedens semantiske nøgle. Det adskiller dens beslutningsarbejdsgang fra en model, der direkte returnerer kalibrerede sandsynligheder eller en forventet score efter en vurderingsrubrik.
Producentens grænseflade repræsenterer beslutningen som et JSON-objekt med state, question og options. Hver svarmulighed indeholder en bogstavetiket fra A til X, en semantisk nøgle og en beskrivelse. Angiv mellem to og 24 svarmuligheder, og lad hver beskrivelse forklare, hvornår svaret gælder. Bogstavet er den kompakte outputetiket; den semantiske nøgle er den betydning, som den omgivende software bruger. Bevar tilknytningen til præcis den liste af svarmuligheder, der blev brugt til beslutningen.
For en supportbesked bør tilstanden indeholde beskeden og relevant kontekst, mens spørgsmålet definerer, hvilken hensigt eller destination der skal vælges. En eksempelliste kan skelne mellem en rapporteret integrationsfejl, et adgangsproblem og en anmodning om produktoplysninger med en none-mulighed, når de anførte hensigter ikke passer. Definér overlappende tilfælde frem for at forvente, at modellen udleder organisationens routingpolitik fra forkortede etiketter.
Together’s offentliggjorte eksempel angiver en systeminstruktion, som behandler indholdet i state som data, vælger én af de anførte svarmuligheder og kun beder om dens bogstav uden forklaring. De anbefalede indstillinger er temperature 0, et genereringsbudget på otte tokens og deaktiveret thinking. Producenten siger udtrykkeligt, at disse indstillinger ikke indsættes automatisk af det offentlige endepunkt; eksemplets hjælpefunktion angiver dem, mens en direkte anmodning selv skal specificere dem. Brug disse indstillinger til at anmode om det tilsigtede korte klassifikationssvar uden ræsonnement.
Budgettet på otte tokens er en eksempelindstilling for output i denne arbejdsgang med korte svar og ikke en universel specifikation af maksimalt output. Det tilsigtede nyttige output er fortsat det valgte bogstav. Hvis en hjælpefunktion efterfølgende viser et objekt med etiket og nøgle, skal dette fortolkede objekt skelnes fra modellens rå genererede indhold. Valget af en kategori opdaterer ikke i sig selv en supportsag, godkender en operation eller udfører næste handling.
Producenten beskriver hensigtsgenkendelse, anvendelse af regler, routing af arbejdsgange, dokumentkategorier, sentiment og passagebaseret ja/nej-forståelse som understøttede opgavemønstre. En boolesk opgave kan angive to svarmuligheder, hvis nøgler betyder sand og falsk; applikationen fortolker den valgte mulighed derefter. En sentimentopgave kan angive beskrevne niveauer og returnere nøglen til én valgt kategori. Dette kategoriske valg er ikke et sandsynlighedsvægtet gennemsnit på tværs af niveauer, og et returneret bogstav er ikke en numerisk konfidensværdi.
Ved en regelbaseret beslutning skal de relevante fakta og reglen medtages i opgaven frem for at bede modellen opfinde politikken. Et oplæg til dokumentrouting kan eksempelvis beskrive de tilladte mapper og det materiale, der hører til i hver. En opgave om forskningstaksonomi kan angive en artikels titel og resumé sammen med emnebeskrivelser. Resultatet bør fortolkes ud fra de angivne alternativer, og den oprindelige evidens bør bevares ved et tvetydigt eller omstridt valg.
Modelsiden registrerer 37.840 træningseksempler, der dækker logisk følge, ja/nej-spørgsmål om passager, bankhensigter, nyhedskategorier, sentimentniveauer, programmatiske regler, routing og taksonomi for forskningsartikler. Den tilhørende vejledning dokumenterer normalisering af disse opgaver til et fælles beslutningsformat og finjustering af en klassifikationsmodel. Det forklarer profilens fokus på et afgrænset svarsæt; det fastslår ikke, at enhver ny politik, ethvert nyt domæne eller enhver ny taksonomi håndteres korrekt uden opgavespecifik vurdering.
Tev1 4B Experimental er den navngivne Together-model, ikke den generelle Qwen3.5 4B-grundprofil og ikke et checkpoint fra en anden producent af beslutningsmodeller. Bevar den eksperimentelle udgaves egen outputforberedelse og inputkontrakt. En fælles beslutningsanvendelse eller en velkendt grundfamilie berettiger ikke til at låne en anden models billedunderstøttelse, sandsynlighedskalibrering, værktøjskald eller grænser for samling af spørgsmål i én anmodning.
Together’s modelspecifikation oplyser et kontekstvindue på 32,8K tokens og tekstinput med tekstoutput. Konteksten skal rumme instruktionerne, tilstanden, spørgsmålet og svarmulighederne i klassifikationsanmodningen. Forbered kun den evidens, spørgsmålet har brug for, men bevar de definitioner, der adskiller alternativerne. Hold klassifikationsprompten kompakt ved at fjerne irrelevant kontekst, samtidig med at svarmulighedernes definitioner bevares.
Producenten beskriver dette som en eksperimentel udgivelse til vurdering på virkelige beslutningsopgaver. Kontrollér, at det rå svar er en af de angivne etiketter, før det knyttes til en semantisk nøgle, og sammenlign klassifikationer med repræsentativt mærket materiale fra den tilsigtede opgave. Et gyldigt bogstav fastslår, at valget har korrekt format, og er ikke bevis for, at fortolkningen er korrekt. Gem inputtet, svarmulighederne, det returnerede bogstav og den tilknyttede nøgle sammen, så det endelige resultat kan understøtte routing, kategorisering eller regelgennemgang uden at miste oplysningerne om, hvordan beslutningen blev defineret.
POST /v1/systemonetextdecisions| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser togethercomputer/tev1-4b-experimental | Standard— |
Feltprovider | Typeschema | KravValgfrit | Værdier og grænser | Standard— |
Feltquestions | Typeobject | KravPåkrævet | Værdier og grænser | Standard— |
Feltsession_id | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Feltstate | Typeschema | KravPåkrævet | Værdier og grænser | Standard— |
Felttrace | Typeschema | KravValgfrit | Værdier og grænser | Standard— |
Feltuser | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Feltquestions.<id>.type | Typestring | KravPåkrævet | Værdier og grænser noul, choice, score | Standard— |
Feltquestions.<id>.instructions | Typestring|object|array | KravPåkrævet | Værdier og grænser | Standard— |
Feltquestions.<id>.criteria | Typeobject|array | KravValgfrit | Værdier og grænser Betingelser: choice/score: påkrævet; noul: valgfrit. Kriterier for choice er et objekt; score er et array med minItems1. | Standard— |
Feltquestions.<id>.criteria.true | Typestring|object|array | KravPåkrævet | Værdier og grænser Gælder når: Der er angivet et noul-kriterieobjekt | Standard— |
Feltquestions.<id>.criteria.false | Typestring|object|array | KravPåkrævet | Værdier og grænser Gælder når: Der er angivet et noul-kriterieobjekt | Standard— |
noul · Påkrævet: state, questions.<id>.type=noul, questions.<id>.instructions
choice · Påkrævet: state, questions.<id>.type=choice, questions.<id>.instructions, criteria object
score · Påkrævet: state, questions.<id>.type=score, questions.<id>.instructions, criteria array with minItems1
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, state, questions |
Parametermaterial_types | Kontrakttext |
Parameteroptional_controls | Kontraktprovider, session_id, trace, user |
Parametermultimodal_input_binding | Kontraktnull |
Livscyklus: synchronous
Send det præcise model-ID, og behold hele det native svar.
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.
| Konfiguration | Takstplan | Konteksttokens, mere end | Konteksttokens, op til og med | Beløb |
|---|---|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Konteksttokens, mere end— | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.000084 / 1K tokens Output · Outputtokens $0 / 1K tokens Input · Cachelæsning — / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.000084 / 1K tokens Output · Outputtokens $0 / 1K tokens Input · Cachelæsning — / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "togethercomputer/tev1-4b-experimental",\n "questions": {\n "is_bug": {\n "criteria": {\n "false": "The customer is asking a question or requesting a feature.",\n "true": "The customer describes broken or unexpected product behavior."\n },\n "instructions": "Is the customer reporting a software defect?",\n "type": "noul"\n },\n "team": {\n "criteria": {\n "account": "Login, permissions, or profile issues.",\n "frontend": "Rendering, layout, or browser compatibility issues.",\n "payments": "Checkout, billing, or payment processing issues."\n },\n "instructions": "Which team should own this ticket?",\n "type": "choice"\n },\n "urgency": {\n "criteria": [\n "Can wait for the next release",\n "Should be fixed this week",\n "Blocking revenue right now"\n ],\n "instructions": "How urgent is this ticket?",\n "type": "score"\n }\n },\n "state": {\n "customer_tier": "enterprise",\n "ticket": "My checkout page shows a blank screen after I click Pay. I have tried two browsers."\n }\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_REQUEST_FILE:?Set your actual JSON request file}"\nexport AILOOT_REQUEST_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads(Path(os.environ['AILOOT_REQUEST_FILE']).read_text(encoding='utf-8'))\nif not isinstance(p,dict): raise SystemExit('Request must be a JSON object')\np['model']='togethercomputer/tev1-4b-experimental'\nPath('request.json').write_text(json.dumps(p,ensure_ascii=False),encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/systemone \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path('result.json').read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\njson
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Hvert angivet svar på et spørgsmåls-ID bevares med sin præcise type, noul/choice/score-værdi, konfidens, sandsynligheder og forklaring. Hele det oprindelige JSON-svar gemmes og returneres først efter afregning.
Behold den oprindelige operation og hele eller det delvise svar; gentag ikke POST.
| Felt | Type |
|---|---|
Feltmodel | Typestring |
Feltid | Typestring |
Feltprovider | Typestring |
Feltanswers.<id>.type | Typestring |
Feltanswers.<id>.noul | Typenumber |
Feltanswers.<id>.choice | Typestring |
Feltanswers.<id>.score | Typenumber |
Feltanswers.<id>.confidence | Typenumber |
Feltanswers.<id>.probabilities | Typeobject |
Feltanswers.<id>.legend | Typeobject |
Feltusage.input_tokens | Typeinteger |
Feltusage.output_tokens | Typeinteger |
Feltusage.cost | Typenumber |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldigt påkrævet felt, ugyldig repræsentation eller ugyldig værdi | Næste trinRet det angivne forespørgselsfelt. |
Ailoot Ultra togethercomputer/tev1-4b-experimental
Brug metodestierne vist ovenfor.