Pareto 26.10 Preview er Unbiaseds preview-udgave af virksomhedens sammensatte sprogmodel. Flere modeller arbejder parallelt på samme anmodning, og en opgaveafhængig syntese producerer ét svar. Sammensætningen kan ændres, efterhånden som producenten udvikler udgivelsen. Preview-navnet identificerer derfor en udgave i udvikling frem for et fastfrosset sæt komponentmodeller.
Pareto accepterer skriftlige prompts og billedmateriale og returnerer et tekstsvar. Dens dokumenterede anvendelsesområder omfatter videnstungt ræsonnement, research og agentbaseret kodning. Producenten præsenterer preview-udgaven som en iteration af den foregående Pareto-udgivelse med særlig opmærksomhed på længere agentarbejdsgange. Denne udgave holdes adskilt fra det uversionerede Pareto-valg og fra den tidligere 26.9-udgivelse.
Til en researchopgave skal du levere spørgsmålet, kildematerialet og den beslutning, svaret skal understøtte. En nyttig prompt kan bede om en belægstabel med en påstand, dens understøttende tekststykke og eventuel uafklaret uenighed. Når et billede er en del af belægget, skal du identificere den synlige egenskab, der skal undersøges, og forklare, hvordan den relaterer sig til det skriftlige spørgsmål. Det resulterende svar kan derefter blive et sammenligningsnotat, en liste over problemer eller et sæt spørgsmål til yderligere undersøgelse.
Til softwarearbejde skal du medtage den relevante kode, den forventede adfærd og den observerede fejl. Bed om en foreslået ændring efterfulgt af en forklaring af, hvordan den kontrolleres. I en forbundet kodearbejdsgang skal du skelne mellem modellens foreslåede kommando eller patch og det resultat, applikationens eksekveringsværktøjer returnerer. En opfølgende besked kan levere dette resultat og bede modellen revidere den foreslåede ændring med det nye belæg.
Forbered lange opgaver omkring et konkret produkt: afsnittene i en rapport, de filer, en ændring berører, eller de felter, der forventes i en gennemgang. Hold opgavens begrænsninger og de senest bekræftede resultater i samtalen, så senere trin har et tydeligt udgangspunkt. En repository-undersøgelse kan eksempelvis ende med et kort ændringsresumé, den berørte komponent og en liste over kontroller, udvikleren skal køre. Det er måder at organisere opgaven og dens output på frem for yderligere modeltilstande.
Producenten dokumenterer samtaleanmodninger og streamede svar i sine egne integrationsformater. De beskriver, hvordan producenten udstiller Pareto; selve blandingen leverer sprogmodelsvarene. Ekstern informationsindsamling, kommandoudførelse og ændringer i en brugers filer afhænger af den omgivende applikation og de værktøjer, den stiller til rådighed.
", "aboutText": "Pareto 26.10 Preview er Unbiaseds preview-udgave af virksomhedens sammensatte sprogmodel. Flere modeller arbejder parallelt på samme anmodning, og en opgaveafhængig syntese producerer ét svar. Sammensætningen kan ændres, efterhånden som producenten udvikler udgivelsen. Preview-navnet identificerer derfor en udgave i udvikling frem for et fastfrosset sæt komponentmodeller.\n\nPareto accepterer skriftlige prompts og billedmateriale og returnerer et tekstsvar. Dens dokumenterede anvendelsesområder omfatter videnstungt ræsonnement, research og agentbaseret kodning. Producenten præsenterer preview-udgaven som en iteration af den foregående Pareto-udgivelse med særlig opmærksomhed på længere agentarbejdsgange. Denne udgave holdes adskilt fra det uversionerede Pareto-valg og fra den tidligere 26.9-udgivelse.\n\nTil en researchopgave skal du levere spørgsmålet, kildematerialet og den beslutning, svaret skal understøtte. En nyttig prompt kan bede om en belægstabel med en påstand, dens understøttende tekststykke og eventuel uafklaret uenighed. Når et billede er en del af belægget, skal du identificere den synlige egenskab, der skal undersøges, og forklare, hvordan den relaterer sig til det skriftlige spørgsmål. Det resulterende svar kan derefter blive et sammenligningsnotat, en liste over problemer eller et sæt spørgsmål til yderligere undersøgelse.\n\nTil softwarearbejde skal du medtage den relevante kode, den forventede adfærd og den observerede fejl. Bed om en foreslået ændring efterfulgt af en forklaring af, hvordan den kontrolleres. I en forbundet kodearbejdsgang skal du skelne mellem modellens foreslåede kommando eller patch og det resultat, applikationens eksekveringsværktøjer returnerer. En opfølgende besked kan levere dette resultat og bede modellen revidere den foreslåede ændring med det nye belæg.\n\nForbered lange opgaver omkring et konkret produkt: afsnittene i en rapport, de filer, en ændring berører, eller de felter, der forventes i en gennemgang. Hold opgavens begrænsninger og de senest bekræftede resultater i samtalen, så senere trin har et tydeligt udgangspunkt. En repository-undersøgelse kan eksempelvis ende med et kort ændringsresumé, den berørte komponent og en liste over kontroller, udvikleren skal køre. Det er måder at organisere opgaven og dens output på frem for yderligere modeltilstande.\n\nProducenten dokumenterer samtaleanmodninger og streamede svar i sine egne integrationsformater. De beskriver, hvordan producenten udstiller Pareto; selve blandingen leverer sprogmodelsvarene. Ekstern informationsindsamling, kommandoudførelse og ændringer i en brugers filer afhænger af den omgivende applikation og de værktøjer, den stiller til rådighed.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Build a decision evidence table\n\nPrepare an evidence table for choosing a document editor. S1: Editor A supports tracked changes; offline editing is not mentioned. S2: Editor B supports offline editing; tracked changes require an add-on. Requirements: both features must be included without add-ons. State whether either option is established as compliant and list only the missing facts that could change that conclusion.A requirement-by-editor evidence table, a qualified conclusion and targeted unanswered questions.Check that omitted offline support is marked unknown and an add-on feature is not treated as included.unbiased/pareto-26.10-previewUnbiaseds Pareto 26.10 Preview kombinerer flere sprogmodeller til ét svar til ræsonnements-, research- og kodeopgaver. Den accepterer tekst og billeder med en blanding i udvikling bag den navngivne preview-udgave.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Pareto 26.10 Preview er Unbiaseds preview-udgave af virksomhedens sammensatte sprogmodel. Flere modeller arbejder parallelt på samme anmodning, og en opgaveafhængig syntese producerer ét svar. Sammensætningen kan ændres, efterhånden som producenten udvikler udgivelsen. Preview-navnet identificerer derfor en udgave i udvikling frem for et fastfrosset sæt komponentmodeller.
Pareto accepterer skriftlige prompts og billedmateriale og returnerer et tekstsvar. Dens dokumenterede anvendelsesområder omfatter videnstungt ræsonnement, research og agentbaseret kodning. Producenten præsenterer preview-udgaven som en iteration af den foregående Pareto-udgivelse med særlig opmærksomhed på længere agentarbejdsgange. Denne udgave holdes adskilt fra det uversionerede Pareto-valg og fra den tidligere 26.9-udgivelse.
Til en researchopgave skal du levere spørgsmålet, kildematerialet og den beslutning, svaret skal understøtte. En nyttig prompt kan bede om en belægstabel med en påstand, dens understøttende tekststykke og eventuel uafklaret uenighed. Når et billede er en del af belægget, skal du identificere den synlige egenskab, der skal undersøges, og forklare, hvordan den relaterer sig til det skriftlige spørgsmål. Det resulterende svar kan derefter blive et sammenligningsnotat, en liste over problemer eller et sæt spørgsmål til yderligere undersøgelse.
Til softwarearbejde skal du medtage den relevante kode, den forventede adfærd og den observerede fejl. Bed om en foreslået ændring efterfulgt af en forklaring af, hvordan den kontrolleres. I en forbundet kodearbejdsgang skal du skelne mellem modellens foreslåede kommando eller patch og det resultat, applikationens eksekveringsværktøjer returnerer. En opfølgende besked kan levere dette resultat og bede modellen revidere den foreslåede ændring med det nye belæg.
Forbered lange opgaver omkring et konkret produkt: afsnittene i en rapport, de filer, en ændring berører, eller de felter, der forventes i en gennemgang. Hold opgavens begrænsninger og de senest bekræftede resultater i samtalen, så senere trin har et tydeligt udgangspunkt. En repository-undersøgelse kan eksempelvis ende med et kort ændringsresumé, den berørte komponent og en liste over kontroller, udvikleren skal køre. Det er måder at organisere opgaven og dens output på frem for yderligere modeltilstande.
Producenten dokumenterer samtaleanmodninger og streamede svar i sine egne integrationsformater. De beskriver, hvordan producenten udstiller Pareto; selve blandingen leverer sprogmodelsvarene. Ekstern informationsindsamling, kommandoudførelse og ændringer i en brugers filer afhænger af den omgivende applikation og de værktøjer, den stiller til rådighed.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser unbiased/pareto-26.10-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 $0.0016 / 1K tokens Output · Outputtokens $0.0064 / 1K tokens Input · Cachelæsning $0.00006 / 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 $0.0016 / 1K tokens Output · Outputtokens $0.0064 / 1K tokens Input · Cachelæsning $0.00006 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "unbiased/pareto-26.10-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='unbiased/pareto-26.10-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='unbiased/pareto-26.10-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 unbiased/pareto-26.10-preview
Brug metodestierne vist ovenfor.
unbiased/pareto-26.10-previewUnbiaseds Pareto 26.10 Preview kombinerer flere sprogmodeller til ét svar til ræsonnements-, research- og kodeopgaver. Den accepterer tekst og billeder med en blanding i udvikling bag den navngivne preview-udgave.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Pareto 26.10 Preview er Unbiaseds preview-udgave af virksomhedens sammensatte sprogmodel. Flere modeller arbejder parallelt på samme anmodning, og en opgaveafhængig syntese producerer ét svar. Sammensætningen kan ændres, efterhånden som producenten udvikler udgivelsen. Preview-navnet identificerer derfor en udgave i udvikling frem for et fastfrosset sæt komponentmodeller.
Pareto accepterer skriftlige prompts og billedmateriale og returnerer et tekstsvar. Dens dokumenterede anvendelsesområder omfatter videnstungt ræsonnement, research og agentbaseret kodning. Producenten præsenterer preview-udgaven som en iteration af den foregående Pareto-udgivelse med særlig opmærksomhed på længere agentarbejdsgange. Denne udgave holdes adskilt fra det uversionerede Pareto-valg og fra den tidligere 26.9-udgivelse.
Til en researchopgave skal du levere spørgsmålet, kildematerialet og den beslutning, svaret skal understøtte. En nyttig prompt kan bede om en belægstabel med en påstand, dens understøttende tekststykke og eventuel uafklaret uenighed. Når et billede er en del af belægget, skal du identificere den synlige egenskab, der skal undersøges, og forklare, hvordan den relaterer sig til det skriftlige spørgsmål. Det resulterende svar kan derefter blive et sammenligningsnotat, en liste over problemer eller et sæt spørgsmål til yderligere undersøgelse.
Til softwarearbejde skal du medtage den relevante kode, den forventede adfærd og den observerede fejl. Bed om en foreslået ændring efterfulgt af en forklaring af, hvordan den kontrolleres. I en forbundet kodearbejdsgang skal du skelne mellem modellens foreslåede kommando eller patch og det resultat, applikationens eksekveringsværktøjer returnerer. En opfølgende besked kan levere dette resultat og bede modellen revidere den foreslåede ændring med det nye belæg.
Forbered lange opgaver omkring et konkret produkt: afsnittene i en rapport, de filer, en ændring berører, eller de felter, der forventes i en gennemgang. Hold opgavens begrænsninger og de senest bekræftede resultater i samtalen, så senere trin har et tydeligt udgangspunkt. En repository-undersøgelse kan eksempelvis ende med et kort ændringsresumé, den berørte komponent og en liste over kontroller, udvikleren skal køre. Det er måder at organisere opgaven og dens output på frem for yderligere modeltilstande.
Producenten dokumenterer samtaleanmodninger og streamede svar i sine egne integrationsformater. De beskriver, hvordan producenten udstiller Pareto; selve blandingen leverer sprogmodelsvarene. Ekstern informationsindsamling, kommandoudførelse og ændringer i en brugers filer afhænger af den omgivende applikation og de værktøjer, den stiller til rådighed.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser unbiased/pareto-26.10-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 $0.0016 / 1K tokens Output · Outputtokens $0.0064 / 1K tokens Input · Cachelæsning $0.00006 / 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 $0.0016 / 1K tokens Output · Outputtokens $0.0064 / 1K tokens Input · Cachelæsning $0.00006 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "unbiased/pareto-26.10-preview",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'unbiased/pareto-26.10-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': 'unbiased/pareto-26.10-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 unbiased/pareto-26.10-preview
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Build a decision evidence table\n\nPrepare an evidence table for choosing a document editor. S1: Editor A supports tracked changes; offline editing is not mentioned. S2: Editor B supports offline editing; tracked changes require an add-on. Requirements: both features must be included without add-ons. State whether either option is established as compliant and list only the missing facts that could change that conclusion.A requirement-by-editor evidence table, a qualified conclusion and targeted unanswered questions.Check that omitted offline support is marked unknown and an add-on feature is not treated as included.