Amazon Nova Micro ist Amazons reines Textmodell der ersten Nova-Generation, ausgelegt für Antworten mit geringer Latenz in routinemäßigen Sprachabläufen. Es akzeptiert Text und gibt Text zurück. Amazons Beispiele umfassen das Zusammenfassen bereitgestellter Informationen, Übersetzung, Textklassifikation, Fragenbeantwortung und die Erstellung knapper schriftlicher Inhalte. Micro ist hilfreich, wenn eine Anwendung die Fakten bereits gesammelt hat und eine gezielte Umformung benötigt, etwa Produktattribute in einen Katalogabsatz oder Besprechungsnotizen in eine Maßnahmenliste umzusetzen.
Der Nova-Leitfaden der ersten Generation führt ein Kontextfenster von 128K Token und eine maximale Ausgabe von 10K Token an. Sein dokumentierter Wissensstand reicht bis Oktober 2024. Das ist ein kleinerer Arbeitskontext als die 300K-Fenster von Nova Lite und Pro oder das Fenster von 1 Million Token bei Premier. Nutzen Sie den verfügbaren Raum für den Text, von dem die Antwort tatsächlich abhängt: Quellabschnitte, Beispiele und relevantes Gespräch. Legen Sie fest, ob das gewünschte Artefakt eine kurze Antwort, eine Kategoriebezeichnung, eine Übersetzung oder eine Reihe extrahierter Felder ist. Ein großes Kontextbudget verlangt keine lange Antwort; ausdrückliche Ausgabelänge und Struktur halten das Ergebnis nützlich.
Micros Umfang ist Text und nicht natives Bild-, Video- oder Audioverständnis. Stellen Sie für ursprünglich in einem Dokument oder einer Mediendatei gespeicherte Informationen den extrahierten Text oder das Transkript bereit. Ein Briefing für Produktinhalte kann Produktname, Abmessungen, Materialien, Varianten und den erforderlichen Stil enthalten und anschließend einen Absatz verlangen, der ausschließlich diese Attribute verwendet. Ein eigenständiges Beispiel wäre eine neutrale Beschreibung und eine separate Liste fehlender Spezifikationen. Das nutzt das Modell als Autor und Umformer bereitgestellter Belege, statt es ungesehene Produktmerkmale ableiten zu lassen.
Amazon dokumentiert für Nova-Textprompts System-, Nutzer- und Assistentenrollen. Eine Systemanweisung kann Schreibrolle und wiederkehrende Einschränkungen festlegen; die Nutzernachricht liefert Aufgabe und Quellmaterial; einige repräsentative Beispiele können das gewünschte Format zeigen. Gliedern Sie dichte Eingaben mit klaren Bezeichnungen und zerlegen Sie zusammengesetzte Anweisungen in separate Schritte, wenn das Modell mit deren Abhängigkeiten Schwierigkeiten hat. Geben Sie bei Übersetzungen Zielsprache, die Erhaltung von Eigennamen und unverändert zu belassende Begriffe an. Die version1-Familie ist für über 200 Sprachen trainiert und für eine kleinere Auswahl optimiert; nehmen Sie daher nicht dieselbe Qualität in jedem Dialekt an.
Micro unterstützt Antwortstreaming und clientseitige Werkzeugaufrufe. Es unterstützt außerdem Prompt-Caching im dokumentierten Bereitstellungsprofil von Amazon. Ausdrückliches Caching benötigt mindestens 1K Token pro Checkpoint und erlaubt bis zu vier Checkpoints mit fünf Minuten Aufbewahrungsdauer. Der Hersteller begrenzt Prompt-Caching auf 20K Token, vorwiegend für Textprompts; dieses Cachebudget ist vom vollständigen Kontextfenster getrennt. Bei einem quellengestützten Assistenten kann eine Anwendung relevanten Text abrufen oder eine angeforderte Funktion ausführen und anschließend das beobachtete Ergebnis für eine endgültige Antwort zurücksenden. Das Modell selbst ist keine Live-Informationssuchmaschine. Wenn eine Antwort von einer aktuellen Richtlinie oder einer privaten Wissensbasis abhängt, fügen Sie die tatsächlich relevante Quelle bei. Ein angefordertes JSON-Format kann für Klassifikation oder Extraktion hilfreich sein; das Herstellerprofil führt erzwungene strukturierte Ausgabe jedoch nicht als unterstützte Funktion an. Legen Sie das Verhalten bei fehlenden Werten fest und prüfen Sie die zurückgegebenen Felder.
Eine weitere Rolle der ersten Generation ist Anpassung: Amazon dokumentiert die Feinabstimmung von Micro anhand beschrifteter Beispiele und die Distillation aufgabenspezifischen Wissens aus Nova Pro oder Premier. Eine angepasste Ableitung ist ein separater Ablauf und keine Fähigkeit, die stillschweigend die Basisausgabe verändert. Beurteilen Sie beim gewöhnlichen Modell das fertige Artefakt anhand seines Briefings: Die bereitgestellten Fakten sollen intakt bleiben, wichtige Attribute dürfen nicht verschwinden und die Prosa soll zum angeforderten Stil passen. Micro kann auch Code erzeugen; diese Ausgaben enthalten jedoch weder eine automatische Sicherheitsprüfung noch ein Ausführungsergebnis.
", "aboutText": "Amazon Nova Micro ist Amazons reines Textmodell der ersten Nova-Generation, ausgelegt für Antworten mit geringer Latenz in routinemäßigen Sprachabläufen. Es akzeptiert Text und gibt Text zurück. Amazons Beispiele umfassen das Zusammenfassen bereitgestellter Informationen, Übersetzung, Textklassifikation, Fragenbeantwortung und die Erstellung knapper schriftlicher Inhalte. Micro ist hilfreich, wenn eine Anwendung die Fakten bereits gesammelt hat und eine gezielte Umformung benötigt, etwa Produktattribute in einen Katalogabsatz oder Besprechungsnotizen in eine Maßnahmenliste umzusetzen.\n\nDer Nova-Leitfaden der ersten Generation führt ein Kontextfenster von 128K Token und eine maximale Ausgabe von 10K Token an. Sein dokumentierter Wissensstand reicht bis Oktober 2024. Das ist ein kleinerer Arbeitskontext als die 300K-Fenster von Nova Lite und Pro oder das Fenster von 1 Million Token bei Premier. Nutzen Sie den verfügbaren Raum für den Text, von dem die Antwort tatsächlich abhängt: Quellabschnitte, Beispiele und relevantes Gespräch. Legen Sie fest, ob das gewünschte Artefakt eine kurze Antwort, eine Kategoriebezeichnung, eine Übersetzung oder eine Reihe extrahierter Felder ist. Ein großes Kontextbudget verlangt keine lange Antwort; ausdrückliche Ausgabelänge und Struktur halten das Ergebnis nützlich.\n\nMicros Umfang ist Text und nicht natives Bild-, Video- oder Audioverständnis. Stellen Sie für ursprünglich in einem Dokument oder einer Mediendatei gespeicherte Informationen den extrahierten Text oder das Transkript bereit. Ein Briefing für Produktinhalte kann Produktname, Abmessungen, Materialien, Varianten und den erforderlichen Stil enthalten und anschließend einen Absatz verlangen, der ausschließlich diese Attribute verwendet. Ein eigenständiges Beispiel wäre eine neutrale Beschreibung und eine separate Liste fehlender Spezifikationen. Das nutzt das Modell als Autor und Umformer bereitgestellter Belege, statt es ungesehene Produktmerkmale ableiten zu lassen.\n\nAmazon dokumentiert für Nova-Textprompts System-, Nutzer- und Assistentenrollen. Eine Systemanweisung kann Schreibrolle und wiederkehrende Einschränkungen festlegen; die Nutzernachricht liefert Aufgabe und Quellmaterial; einige repräsentative Beispiele können das gewünschte Format zeigen. Gliedern Sie dichte Eingaben mit klaren Bezeichnungen und zerlegen Sie zusammengesetzte Anweisungen in separate Schritte, wenn das Modell mit deren Abhängigkeiten Schwierigkeiten hat. Geben Sie bei Übersetzungen Zielsprache, die Erhaltung von Eigennamen und unverändert zu belassende Begriffe an. Die version1-Familie ist für über 200 Sprachen trainiert und für eine kleinere Auswahl optimiert; nehmen Sie daher nicht dieselbe Qualität in jedem Dialekt an.\n\nMicro unterstützt Antwortstreaming und clientseitige Werkzeugaufrufe. Es unterstützt außerdem Prompt-Caching im dokumentierten Bereitstellungsprofil von Amazon. Ausdrückliches Caching benötigt mindestens 1K Token pro Checkpoint und erlaubt bis zu vier Checkpoints mit fünf Minuten Aufbewahrungsdauer. Der Hersteller begrenzt Prompt-Caching auf 20K Token, vorwiegend für Textprompts; dieses Cachebudget ist vom vollständigen Kontextfenster getrennt. Bei einem quellengestützten Assistenten kann eine Anwendung relevanten Text abrufen oder eine angeforderte Funktion ausführen und anschließend das beobachtete Ergebnis für eine endgültige Antwort zurücksenden. Das Modell selbst ist keine Live-Informationssuchmaschine. Wenn eine Antwort von einer aktuellen Richtlinie oder einer privaten Wissensbasis abhängt, fügen Sie die tatsächlich relevante Quelle bei. Ein angefordertes JSON-Format kann für Klassifikation oder Extraktion hilfreich sein; das Herstellerprofil führt erzwungene strukturierte Ausgabe jedoch nicht als unterstützte Funktion an. Legen Sie das Verhalten bei fehlenden Werten fest und prüfen Sie die zurückgegebenen Felder.\n\nEine weitere Rolle der ersten Generation ist Anpassung: Amazon dokumentiert die Feinabstimmung von Micro anhand beschrifteter Beispiele und die Distillation aufgabenspezifischen Wissens aus Nova Pro oder Premier. Eine angepasste Ableitung ist ein separater Ablauf und keine Fähigkeit, die stillschweigend die Basisausgabe verändert. Beurteilen Sie beim gewöhnlichen Modell das fertige Artefakt anhand seines Briefings: Die bereitgestellten Fakten sollen intakt bleiben, wichtige Attribute dürfen nicht verschwinden und die Prosa soll zum angeforderten Stil passen. Micro kann auch Code erzeugen; diese Ausgaben enthalten jedoch weder eine automatische Sicherheitsprüfung noch ein Ausführungsergebnis.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Product copy from supplied specifications\n\nTurn these attributes into a neutral 45-word catalog paragraph: folding desk, oak veneer, steel frame, 90 × 50 cm top, two height positions, flat-pack delivery. Follow it with missing specifications a buyer might need. Use only the supplied attributes and avoid claims about durability, sustainability or maximum load.One short product paragraph followed by a separate missing-specifications list.Every stated product feature is in the supplied attributes; unknown load capacity stays in the missing list.amazon/nova-micro-v1Amazon Nova Micro ist das reine Textmodell der Nova-Familie der ersten Generation. Es ist für Sprachaufgaben mit geringer Latenz ausgelegt, etwa Zusammenfassungen, Übersetzung, Klassifikation, Fragenbeantwortung und das Umsetzen bereitgestellter Fakten in knappe Inhalte.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Amazon Nova Micro ist Amazons reines Textmodell der ersten Nova-Generation, ausgelegt für Antworten mit geringer Latenz in routinemäßigen Sprachabläufen. Es akzeptiert Text und gibt Text zurück. Amazons Beispiele umfassen das Zusammenfassen bereitgestellter Informationen, Übersetzung, Textklassifikation, Fragenbeantwortung und die Erstellung knapper schriftlicher Inhalte. Micro ist hilfreich, wenn eine Anwendung die Fakten bereits gesammelt hat und eine gezielte Umformung benötigt, etwa Produktattribute in einen Katalogabsatz oder Besprechungsnotizen in eine Maßnahmenliste umzusetzen.
Der Nova-Leitfaden der ersten Generation führt ein Kontextfenster von 128K Token und eine maximale Ausgabe von 10K Token an. Sein dokumentierter Wissensstand reicht bis Oktober 2024. Das ist ein kleinerer Arbeitskontext als die 300K-Fenster von Nova Lite und Pro oder das Fenster von 1 Million Token bei Premier. Nutzen Sie den verfügbaren Raum für den Text, von dem die Antwort tatsächlich abhängt: Quellabschnitte, Beispiele und relevantes Gespräch. Legen Sie fest, ob das gewünschte Artefakt eine kurze Antwort, eine Kategoriebezeichnung, eine Übersetzung oder eine Reihe extrahierter Felder ist. Ein großes Kontextbudget verlangt keine lange Antwort; ausdrückliche Ausgabelänge und Struktur halten das Ergebnis nützlich.
Micros Umfang ist Text und nicht natives Bild-, Video- oder Audioverständnis. Stellen Sie für ursprünglich in einem Dokument oder einer Mediendatei gespeicherte Informationen den extrahierten Text oder das Transkript bereit. Ein Briefing für Produktinhalte kann Produktname, Abmessungen, Materialien, Varianten und den erforderlichen Stil enthalten und anschließend einen Absatz verlangen, der ausschließlich diese Attribute verwendet. Ein eigenständiges Beispiel wäre eine neutrale Beschreibung und eine separate Liste fehlender Spezifikationen. Das nutzt das Modell als Autor und Umformer bereitgestellter Belege, statt es ungesehene Produktmerkmale ableiten zu lassen.
Amazon dokumentiert für Nova-Textprompts System-, Nutzer- und Assistentenrollen. Eine Systemanweisung kann Schreibrolle und wiederkehrende Einschränkungen festlegen; die Nutzernachricht liefert Aufgabe und Quellmaterial; einige repräsentative Beispiele können das gewünschte Format zeigen. Gliedern Sie dichte Eingaben mit klaren Bezeichnungen und zerlegen Sie zusammengesetzte Anweisungen in separate Schritte, wenn das Modell mit deren Abhängigkeiten Schwierigkeiten hat. Geben Sie bei Übersetzungen Zielsprache, die Erhaltung von Eigennamen und unverändert zu belassende Begriffe an. Die version1-Familie ist für über 200 Sprachen trainiert und für eine kleinere Auswahl optimiert; nehmen Sie daher nicht dieselbe Qualität in jedem Dialekt an.
Micro unterstützt Antwortstreaming und clientseitige Werkzeugaufrufe. Es unterstützt außerdem Prompt-Caching im dokumentierten Bereitstellungsprofil von Amazon. Ausdrückliches Caching benötigt mindestens 1K Token pro Checkpoint und erlaubt bis zu vier Checkpoints mit fünf Minuten Aufbewahrungsdauer. Der Hersteller begrenzt Prompt-Caching auf 20K Token, vorwiegend für Textprompts; dieses Cachebudget ist vom vollständigen Kontextfenster getrennt. Bei einem quellengestützten Assistenten kann eine Anwendung relevanten Text abrufen oder eine angeforderte Funktion ausführen und anschließend das beobachtete Ergebnis für eine endgültige Antwort zurücksenden. Das Modell selbst ist keine Live-Informationssuchmaschine. Wenn eine Antwort von einer aktuellen Richtlinie oder einer privaten Wissensbasis abhängt, fügen Sie die tatsächlich relevante Quelle bei. Ein angefordertes JSON-Format kann für Klassifikation oder Extraktion hilfreich sein; das Herstellerprofil führt erzwungene strukturierte Ausgabe jedoch nicht als unterstützte Funktion an. Legen Sie das Verhalten bei fehlenden Werten fest und prüfen Sie die zurückgegebenen Felder.
Eine weitere Rolle der ersten Generation ist Anpassung: Amazon dokumentiert die Feinabstimmung von Micro anhand beschrifteter Beispiele und die Distillation aufgabenspezifischen Wissens aus Nova Pro oder Premier. Eine angepasste Ableitung ist ein separater Ablauf und keine Fähigkeit, die stillschweigend die Basisausgabe verändert. Beurteilen Sie beim gewöhnlichen Modell das fertige Artefakt anhand seines Briefings: Die bereitgestellten Fakten sollen intakt bleiben, wichtige Attribute dürfen nicht verschwinden und die Prosa soll zum angeforderten Stil passen. Micro kann auch Code erzeugen; diese Ausgaben enthalten jedoch weder eine automatische Sicherheitsprüfung noch ein Ausführungsergebnis.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits amazon/nova-micro-v1 | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Beispiele: system, user, assistant, tool, function Bedingungen: Diese Rollen sind in den Kompatibilitätstypen des Quellcodes ausdrücklich dargestellt; der genaue Rollenumfang bleibt modellspezifisch. Modellabhängig | Standard— |
Feldmessages[].content | Typstring|content_part[]|null | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_calls | Typtool_call[] | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_call_id | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: role=tool; die tatsächlich zurückgegebene ID verwenden | Standard— |
Feldmessages[].name | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].reasoning_content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Tatsächlich zurückgegebene Reasoning-Daten erneut übermitteln, sofern dieses Modell sie verwendet | Standard— |
Feldmessages[].reasoning_details | Typobject|array | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmax_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldmax_completion_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Feldstream_options.include_usage | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldstop | Typstring|string[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools | Typfunction_tool[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools[].type | Typstring | AnforderungOptional | Werte und Limits function Modellabhängig | Standard— |
Feldtools[].function.name | Typstring | AnforderungErforderlich | Werte und Limits Gilt, wenn: Funktionswerkzeug bereitgestellt | Standard— |
Feldtools[].function.description | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldtools[].function.parameters | TypJSON_schema | AnforderungOptional | Werte und Limits | Standard— |
Feldtool_choice | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldparallel_tool_calls | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldresponse_format | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning_effort | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldservice_tier | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldinstructions | Typstring | AnforderungOptional | Werte und Limits Kompatibilitätsfeld | Standard— |
Feldfunctions | Typfunction[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldfunction_call | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprompt_cache_options | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmodalities | Typstring[] | AnforderungOptional | Werte und Limits text | Standard— |
Feldprovider | Typobject | AnforderungOptional | Werte und Limits Bedingungen: provider.options wird auf dieser Ultra-Textroute abgelehnt | Standard— |
Feldcache_control.ttl | Typstring | AnforderungOptional | Werte und Limits Bedingungen: 1h wird in den tatsächlichen Prompt-Cache-Feldern abgelehnt | Standard— |
Text · UTF8-Text
messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages |
Parametermaterial_types | Vertragtext |
Parametermessages | VertragNachrichtenarray mit role/content-Struktur |
Parameterfile_material | VertragTatsächliches UTF-8-Dokument als wörtlicher Text eingefügt; keine Datei-ID abgeleitet |
Parameteroptional_controls | Vertragstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | VertragModellspezifisch; benutzerseitige Funktionswerkzeuge unterscheiden sich von gehosteten Werkzeugen |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
Lebenszyklus: synchronous_or_streamed
Die genaue Modell-ID zusammen mit messages senden.
Die Kontextlänge ist keine Ausgabeobergrenze.
Eine Textdatei kann wörtlichen Text liefern; Bild-, Audio- und Dateiobjekteingaben benötigen eine exakte Zuordnung.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschließlich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.00007 / 1K Tokens Ausgabe · Ausgabetoken $0.00028 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.00007 / 1K Tokens Ausgabe · Ausgabetoken $0.00028 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "amazon/nova-micro-v1", "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='amazon/nova-micro-v1',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='amazon/nova-micro-v1',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 oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Antwortvarianten mit ihren Inhalten, Werkzeugaufrufen und Reasoning-Daten beibehalten. In SSE die Deltas nach Varianten- und Werkzeugindex zusammensetzen; endgültigen Beendigungsgrund und Verbrauchsdaten beibehalten.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldchoices[].index | Typinteger |
Feldchoices[].message.content | Typstring|null |
Feldchoices[].message.tool_calls | Typtool_call[] |
Feldchoices[].message.reasoning_content | Typstring |
Feldchoices[].message.reasoning_details | Typobject|array |
Feldchoices[].finish_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra amazon/nova-micro-v1
Verwenden Sie die oben angezeigten Methodenpfade.
amazon/nova-micro-v1Amazon Nova Micro ist das reine Textmodell der Nova-Familie der ersten Generation. Es ist für Sprachaufgaben mit geringer Latenz ausgelegt, etwa Zusammenfassungen, Übersetzung, Klassifikation, Fragenbeantwortung und das Umsetzen bereitgestellter Fakten in knappe Inhalte.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Amazon Nova Micro ist Amazons reines Textmodell der ersten Nova-Generation, ausgelegt für Antworten mit geringer Latenz in routinemäßigen Sprachabläufen. Es akzeptiert Text und gibt Text zurück. Amazons Beispiele umfassen das Zusammenfassen bereitgestellter Informationen, Übersetzung, Textklassifikation, Fragenbeantwortung und die Erstellung knapper schriftlicher Inhalte. Micro ist hilfreich, wenn eine Anwendung die Fakten bereits gesammelt hat und eine gezielte Umformung benötigt, etwa Produktattribute in einen Katalogabsatz oder Besprechungsnotizen in eine Maßnahmenliste umzusetzen.
Der Nova-Leitfaden der ersten Generation führt ein Kontextfenster von 128K Token und eine maximale Ausgabe von 10K Token an. Sein dokumentierter Wissensstand reicht bis Oktober 2024. Das ist ein kleinerer Arbeitskontext als die 300K-Fenster von Nova Lite und Pro oder das Fenster von 1 Million Token bei Premier. Nutzen Sie den verfügbaren Raum für den Text, von dem die Antwort tatsächlich abhängt: Quellabschnitte, Beispiele und relevantes Gespräch. Legen Sie fest, ob das gewünschte Artefakt eine kurze Antwort, eine Kategoriebezeichnung, eine Übersetzung oder eine Reihe extrahierter Felder ist. Ein großes Kontextbudget verlangt keine lange Antwort; ausdrückliche Ausgabelänge und Struktur halten das Ergebnis nützlich.
Micros Umfang ist Text und nicht natives Bild-, Video- oder Audioverständnis. Stellen Sie für ursprünglich in einem Dokument oder einer Mediendatei gespeicherte Informationen den extrahierten Text oder das Transkript bereit. Ein Briefing für Produktinhalte kann Produktname, Abmessungen, Materialien, Varianten und den erforderlichen Stil enthalten und anschließend einen Absatz verlangen, der ausschließlich diese Attribute verwendet. Ein eigenständiges Beispiel wäre eine neutrale Beschreibung und eine separate Liste fehlender Spezifikationen. Das nutzt das Modell als Autor und Umformer bereitgestellter Belege, statt es ungesehene Produktmerkmale ableiten zu lassen.
Amazon dokumentiert für Nova-Textprompts System-, Nutzer- und Assistentenrollen. Eine Systemanweisung kann Schreibrolle und wiederkehrende Einschränkungen festlegen; die Nutzernachricht liefert Aufgabe und Quellmaterial; einige repräsentative Beispiele können das gewünschte Format zeigen. Gliedern Sie dichte Eingaben mit klaren Bezeichnungen und zerlegen Sie zusammengesetzte Anweisungen in separate Schritte, wenn das Modell mit deren Abhängigkeiten Schwierigkeiten hat. Geben Sie bei Übersetzungen Zielsprache, die Erhaltung von Eigennamen und unverändert zu belassende Begriffe an. Die version1-Familie ist für über 200 Sprachen trainiert und für eine kleinere Auswahl optimiert; nehmen Sie daher nicht dieselbe Qualität in jedem Dialekt an.
Micro unterstützt Antwortstreaming und clientseitige Werkzeugaufrufe. Es unterstützt außerdem Prompt-Caching im dokumentierten Bereitstellungsprofil von Amazon. Ausdrückliches Caching benötigt mindestens 1K Token pro Checkpoint und erlaubt bis zu vier Checkpoints mit fünf Minuten Aufbewahrungsdauer. Der Hersteller begrenzt Prompt-Caching auf 20K Token, vorwiegend für Textprompts; dieses Cachebudget ist vom vollständigen Kontextfenster getrennt. Bei einem quellengestützten Assistenten kann eine Anwendung relevanten Text abrufen oder eine angeforderte Funktion ausführen und anschließend das beobachtete Ergebnis für eine endgültige Antwort zurücksenden. Das Modell selbst ist keine Live-Informationssuchmaschine. Wenn eine Antwort von einer aktuellen Richtlinie oder einer privaten Wissensbasis abhängt, fügen Sie die tatsächlich relevante Quelle bei. Ein angefordertes JSON-Format kann für Klassifikation oder Extraktion hilfreich sein; das Herstellerprofil führt erzwungene strukturierte Ausgabe jedoch nicht als unterstützte Funktion an. Legen Sie das Verhalten bei fehlenden Werten fest und prüfen Sie die zurückgegebenen Felder.
Eine weitere Rolle der ersten Generation ist Anpassung: Amazon dokumentiert die Feinabstimmung von Micro anhand beschrifteter Beispiele und die Distillation aufgabenspezifischen Wissens aus Nova Pro oder Premier. Eine angepasste Ableitung ist ein separater Ablauf und keine Fähigkeit, die stillschweigend die Basisausgabe verändert. Beurteilen Sie beim gewöhnlichen Modell das fertige Artefakt anhand seines Briefings: Die bereitgestellten Fakten sollen intakt bleiben, wichtige Attribute dürfen nicht verschwinden und die Prosa soll zum angeforderten Stil passen. Micro kann auch Code erzeugen; diese Ausgaben enthalten jedoch weder eine automatische Sicherheitsprüfung noch ein Ausführungsergebnis.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits amazon/nova-micro-v1 | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits user, assistant | Standard— |
Feldmessages[].content | Typstring | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Text · UTF-8-Text
Zeichenfolge messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional_controls | Vertragstream |
Parametermaterial_types | Vertragtext |
Parametertext_file_material | VertragDas tatsächliche UTF-8-Dokument lesen und seinen Text in die angegebene Zeichenfolge für Eingabe oder Nachrichteninhalt einfügen. |
Lebenszyklus: synchronous_or_streamed
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschließlich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.00007 / 1K Tokens Ausgabe · Ausgabetoken $0.00028 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.00007 / 1K Tokens Ausgabe · Ausgabetoken $0.00028 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "amazon/nova-micro-v1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'amazon/nova-micro-v1', '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': 'amazon/nova-micro-v1', '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 oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Inhaltsblöcke, Thinking-Signaturen und tatsächlichen Werkzeugaufruf-IDs beibehalten. Alle SSE-Blockdeltas zusammensetzen; der erste Textblock ist nicht die vollständige Ausgabe.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldmodel | Typstring |
Feldcontent[] | Typtext|thinking|tool_use|other content block |
Feldstop_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra amazon/nova-micro-v1
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Product copy from supplied specifications\n\nTurn these attributes into a neutral 45-word catalog paragraph: folding desk, oak veneer, steel frame, 90 × 50 cm top, two height positions, flat-pack delivery. Follow it with missing specifications a buyer might need. Use only the supplied attributes and avoid claims about durability, sustainability or maximum load.One short product paragraph followed by a separate missing-specifications list.Every stated product feature is in the supplied attributes; unknown load capacity stays in the missing list.