Amazon Nova Premier ist das leistungsfähigste Verstehensmodell in Amazons Nova-Familie der ersten Generation, ausgelegt für komplexe Aufgaben, die tiefes Verständnis, Kontext und Planung über mehrere Schritte erfordern. Es verarbeitet Text, Bilder und Video und erzeugt Text. Zu seinen Aufgaben gehören Schlussfolgern über lange Berichte, der Vergleich von Belegen über Dokumente hinweg, das Verstehen von Diagrammen und visuellem Material sowie die Koordination von Agentenaufgaben. Premier ist von den leichteren Modellen Micro, Lite und Pro sowie von Nova-Modellen getrennt, die Bilder, Video oder dialogbasierte Sprache erzeugen.
Das genaue Modellprofil des Herstellers führt ein Kontextfenster von 1 Million Token und eine maximale Ausgabe von 25K Token an. Sein dokumentierter Wissensstand reicht bis Oktober 2024. Das macht Premier nützlich, wenn eine Aufgabe umfangreiches Referenzmaterial neben Anweisungen und Gespräch benötigt. Gliedern Sie dieses Material mit Dokumentnamen, Abschnittsmarkierungen und einer konkreten Frage, statt eine ungerichtete Analyse von allem anzufordern. Ein hilfreiches Ergebnis kann eine Vergleichsmatrix, ein beleggestützter Bericht oder eine vorgeschlagene Handlungsfolge sein. Das Kontextbudget umfasst das Material, mit dem das Modell arbeitet; es ist kein Versprechen, dass jedes Detail in der endgültigen Antwort erscheint.
Premiers dokumentierter multimodaler Ablauf verarbeitet PNG-, JPG/JPEG-, GIF- und WebP-Bilder sowie gängige Videocontainer wie MP4, MOV, MKV und WebM. Der Dokumentablauf umfasst PDF, DOC/DOCX, CSV, XLS/XLSX, HTML, TXT und Markdown. Textorientierte Dateien liefern Text; PDF und DOCX können Seitentext mit visuellen Informationen liefern. Halten Sie bei einem Bericht mit Diagrammen Beschriftungen lesbar und bitten Sie das Modell, die relevanten Beobachtungen vor ihrer Interpretation zu beschreiben. Wenn nur der Fließtext benötigt wird, vermeidet extrahierter Text, dass visuelle Extraktion zur Voraussetzung für das Dokumentverständnis wird. Eingebettete Medien teilen sich ein Nutzdatenbudget von 25 MB einschließlich Base64-Mehrbedarf. Eine Anfrage enthält ein Video, über S3 auf 1 GB begrenzt; kombinierte S3-Medien dürfen insgesamt 2 GB umfassen. PDF- und DOCX-Eingaben bleiben auf fünf Dokumente begrenzt, mit einem gemeinsamen Budget von 25 MB für direkten Upload oder 2 GB über S3.
Videoverständnis beruht auf abgetasteten Einzelbildern. Der Leitfaden der ersten Generation weist Premier ausdrücklich eine Abtastrate von einem Bild pro Sekunde bis zu 3.200 Bildern zu, ein anderes Budget als die 960-Bilder-Strategie von Nova Lite und Pro. Das eignet sich für Szenenzusammenfassungen und Fragen zu Ereignissen im Zeitverlauf, während kurze Handlungen zwischen abgetasteten Bildern unbeobachtet bleiben können. Stellen Sie einen relevanten Clip oder Zeitraum bereit und benennen Sie die zu verfolgenden Details. Bei einer langen Abfolge können segmentierte Analyse und anschließende Textzusammenfassung den Fokus erhalten, wobei Aufteilung Kontext an Segmentgrenzen verlieren kann. Die dokumentierten Modellmodalitäten umfassen keine Audioeingabe; gesprochene Informationen sollten daher als Text bereitgestellt werden.
Premier unterstützt Antwortstreaming, werkzeugorientierte und abrufgestützte Abläufe sowie 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. Geben Sie einem Agenten die Aufgabe, die erlaubten Werkzeuge und deren Argumentbeschreibungen und lassen Sie anschließend die Anwendung angeforderte Aktionen ausführen und Beobachtungen vor dem nächsten Modellschritt zurückgeben. Seine Schlussfolgerungsrolle bedeutet nicht, dass es ohne diese Ausführungsschicht ein externes System betreiben kann. Die Hinweise der ersten Generation unterstützen das schrittweise Erklären einer Lösung durch Promptvorgaben; die separaten Steuerelemente low, medium und high für erweitertes Denken von Nova 2 Lite gehören nicht zur dokumentierten Schnittstelle dieser Ausgabe. Fordern Sie für einen Bericht oder ein Werkzeugergebnis ausdrückliche Felder und Beispiele der gewünschten Struktur an; eine angeforderte JSON-Form unterscheidet sich von erzwungener strukturierter Ausgabe.
Eine besondere Rolle von Premier ist das Lehren kleinerer Nova-Modelle durch Distillation. Amazon beschreibt die Verwendung von Premier-Antworten als Trainingsbeispiele für spezialisierte Varianten von Nova Micro, Lite und Pro und den anschließenden Vergleich des Verhaltens des kleineren Modells bei der Zielaufgabe. Das ist ein Ablauf zur Modellanpassung und keine Änderung der Identität einer normalen Premier-Antwort. Stellen Sie bei gewöhnlicher Nutzung die maßgeblichen Fakten bereit und verlangen Sie, dass die Antwort Beobachtungen, Annahmen und fehlende Belege trennt. Nova kann plausible Behauptungen erzeugen, die einer Quelle widersprechen; generierter Code enthält außerdem keine automatische Sicherheitsprüfung. Das nützliche Artefakt sollte daher genügend Belege und Details tragen, um anhand seiner Eingaben überprüft werden zu können. Der Hersteller gibt außerdem an, dass dieses Modell Personen in Bildern, Dokumenten oder Videos weder identifiziert noch namentlich benennt.
", "aboutText": "Amazon Nova Premier ist das leistungsfähigste Verstehensmodell in Amazons Nova-Familie der ersten Generation, ausgelegt für komplexe Aufgaben, die tiefes Verständnis, Kontext und Planung über mehrere Schritte erfordern. Es verarbeitet Text, Bilder und Video und erzeugt Text. Zu seinen Aufgaben gehören Schlussfolgern über lange Berichte, der Vergleich von Belegen über Dokumente hinweg, das Verstehen von Diagrammen und visuellem Material sowie die Koordination von Agentenaufgaben. Premier ist von den leichteren Modellen Micro, Lite und Pro sowie von Nova-Modellen getrennt, die Bilder, Video oder dialogbasierte Sprache erzeugen.\n\nDas genaue Modellprofil des Herstellers führt ein Kontextfenster von 1 Million Token und eine maximale Ausgabe von 25K Token an. Sein dokumentierter Wissensstand reicht bis Oktober 2024. Das macht Premier nützlich, wenn eine Aufgabe umfangreiches Referenzmaterial neben Anweisungen und Gespräch benötigt. Gliedern Sie dieses Material mit Dokumentnamen, Abschnittsmarkierungen und einer konkreten Frage, statt eine ungerichtete Analyse von allem anzufordern. Ein hilfreiches Ergebnis kann eine Vergleichsmatrix, ein beleggestützter Bericht oder eine vorgeschlagene Handlungsfolge sein. Das Kontextbudget umfasst das Material, mit dem das Modell arbeitet; es ist kein Versprechen, dass jedes Detail in der endgültigen Antwort erscheint.\n\nPremiers dokumentierter multimodaler Ablauf verarbeitet PNG-, JPG/JPEG-, GIF- und WebP-Bilder sowie gängige Videocontainer wie MP4, MOV, MKV und WebM. Der Dokumentablauf umfasst PDF, DOC/DOCX, CSV, XLS/XLSX, HTML, TXT und Markdown. Textorientierte Dateien liefern Text; PDF und DOCX können Seitentext mit visuellen Informationen liefern. Halten Sie bei einem Bericht mit Diagrammen Beschriftungen lesbar und bitten Sie das Modell, die relevanten Beobachtungen vor ihrer Interpretation zu beschreiben. Wenn nur der Fließtext benötigt wird, vermeidet extrahierter Text, dass visuelle Extraktion zur Voraussetzung für das Dokumentverständnis wird. Eingebettete Medien teilen sich ein Nutzdatenbudget von 25 MB einschließlich Base64-Mehrbedarf. Eine Anfrage enthält ein Video, über S3 auf 1 GB begrenzt; kombinierte S3-Medien dürfen insgesamt 2 GB umfassen. PDF- und DOCX-Eingaben bleiben auf fünf Dokumente begrenzt, mit einem gemeinsamen Budget von 25 MB für direkten Upload oder 2 GB über S3.\n\nVideoverständnis beruht auf abgetasteten Einzelbildern. Der Leitfaden der ersten Generation weist Premier ausdrücklich eine Abtastrate von einem Bild pro Sekunde bis zu 3.200 Bildern zu, ein anderes Budget als die 960-Bilder-Strategie von Nova Lite und Pro. Das eignet sich für Szenenzusammenfassungen und Fragen zu Ereignissen im Zeitverlauf, während kurze Handlungen zwischen abgetasteten Bildern unbeobachtet bleiben können. Stellen Sie einen relevanten Clip oder Zeitraum bereit und benennen Sie die zu verfolgenden Details. Bei einer langen Abfolge können segmentierte Analyse und anschließende Textzusammenfassung den Fokus erhalten, wobei Aufteilung Kontext an Segmentgrenzen verlieren kann. Die dokumentierten Modellmodalitäten umfassen keine Audioeingabe; gesprochene Informationen sollten daher als Text bereitgestellt werden.\n\nPremier unterstützt Antwortstreaming, werkzeugorientierte und abrufgestützte Abläufe sowie 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. Geben Sie einem Agenten die Aufgabe, die erlaubten Werkzeuge und deren Argumentbeschreibungen und lassen Sie anschließend die Anwendung angeforderte Aktionen ausführen und Beobachtungen vor dem nächsten Modellschritt zurückgeben. Seine Schlussfolgerungsrolle bedeutet nicht, dass es ohne diese Ausführungsschicht ein externes System betreiben kann. Die Hinweise der ersten Generation unterstützen das schrittweise Erklären einer Lösung durch Promptvorgaben; die separaten Steuerelemente low, medium und high für erweitertes Denken von Nova 2 Lite gehören nicht zur dokumentierten Schnittstelle dieser Ausgabe. Fordern Sie für einen Bericht oder ein Werkzeugergebnis ausdrückliche Felder und Beispiele der gewünschten Struktur an; eine angeforderte JSON-Form unterscheidet sich von erzwungener strukturierter Ausgabe.\n\nEine besondere Rolle von Premier ist das Lehren kleinerer Nova-Modelle durch Distillation. Amazon beschreibt die Verwendung von Premier-Antworten als Trainingsbeispiele für spezialisierte Varianten von Nova Micro, Lite und Pro und den anschließenden Vergleich des Verhaltens des kleineren Modells bei der Zielaufgabe. Das ist ein Ablauf zur Modellanpassung und keine Änderung der Identität einer normalen Premier-Antwort. Stellen Sie bei gewöhnlicher Nutzung die maßgeblichen Fakten bereit und verlangen Sie, dass die Antwort Beobachtungen, Annahmen und fehlende Belege trennt. Nova kann plausible Behauptungen erzeugen, die einer Quelle widersprechen; generierter Code enthält außerdem keine automatische Sicherheitsprüfung. Das nützliche Artefakt sollte daher genügend Belege und Details tragen, um anhand seiner Eingaben überprüft werden zu können. Der Hersteller gibt außerdem an, dass dieses Modell Personen in Bildern, Dokumenten oder Videos weder identifiziert noch namentlich benennt.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Compare two rollout proposals\n\nCompare these rollout notes for a support team. Plan A: train all 40 agents on Monday, migrate Tuesday, no rollback rehearsal. Plan B: train 10 agents, pilot for two days, rehearse rollback, then migrate the rest. Prepare a decision memo with evidence, trade-offs and one question the notes cannot answer.A short recommendation, a two-plan comparison table and one explicitly unanswered question.Check every stated advantage against the notes; do not invent costs, outage rates or pilot results.amazon/nova-premier-v1Amazon Nova Premier ist das Nova-Modell der ersten Generation für komplexes multimodales Schlussfolgern, die Analyse langer Dokumente und Agenten. Es akzeptiert Text, Bilder und Video, gibt Text zurück und dient außerdem als Lehrer für die Distillation spezialisierter Nova-Modelle.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Amazon Nova Premier ist das leistungsfähigste Verstehensmodell in Amazons Nova-Familie der ersten Generation, ausgelegt für komplexe Aufgaben, die tiefes Verständnis, Kontext und Planung über mehrere Schritte erfordern. Es verarbeitet Text, Bilder und Video und erzeugt Text. Zu seinen Aufgaben gehören Schlussfolgern über lange Berichte, der Vergleich von Belegen über Dokumente hinweg, das Verstehen von Diagrammen und visuellem Material sowie die Koordination von Agentenaufgaben. Premier ist von den leichteren Modellen Micro, Lite und Pro sowie von Nova-Modellen getrennt, die Bilder, Video oder dialogbasierte Sprache erzeugen.
Das genaue Modellprofil des Herstellers führt ein Kontextfenster von 1 Million Token und eine maximale Ausgabe von 25K Token an. Sein dokumentierter Wissensstand reicht bis Oktober 2024. Das macht Premier nützlich, wenn eine Aufgabe umfangreiches Referenzmaterial neben Anweisungen und Gespräch benötigt. Gliedern Sie dieses Material mit Dokumentnamen, Abschnittsmarkierungen und einer konkreten Frage, statt eine ungerichtete Analyse von allem anzufordern. Ein hilfreiches Ergebnis kann eine Vergleichsmatrix, ein beleggestützter Bericht oder eine vorgeschlagene Handlungsfolge sein. Das Kontextbudget umfasst das Material, mit dem das Modell arbeitet; es ist kein Versprechen, dass jedes Detail in der endgültigen Antwort erscheint.
Premiers dokumentierter multimodaler Ablauf verarbeitet PNG-, JPG/JPEG-, GIF- und WebP-Bilder sowie gängige Videocontainer wie MP4, MOV, MKV und WebM. Der Dokumentablauf umfasst PDF, DOC/DOCX, CSV, XLS/XLSX, HTML, TXT und Markdown. Textorientierte Dateien liefern Text; PDF und DOCX können Seitentext mit visuellen Informationen liefern. Halten Sie bei einem Bericht mit Diagrammen Beschriftungen lesbar und bitten Sie das Modell, die relevanten Beobachtungen vor ihrer Interpretation zu beschreiben. Wenn nur der Fließtext benötigt wird, vermeidet extrahierter Text, dass visuelle Extraktion zur Voraussetzung für das Dokumentverständnis wird. Eingebettete Medien teilen sich ein Nutzdatenbudget von 25 MB einschließlich Base64-Mehrbedarf. Eine Anfrage enthält ein Video, über S3 auf 1 GB begrenzt; kombinierte S3-Medien dürfen insgesamt 2 GB umfassen. PDF- und DOCX-Eingaben bleiben auf fünf Dokumente begrenzt, mit einem gemeinsamen Budget von 25 MB für direkten Upload oder 2 GB über S3.
Videoverständnis beruht auf abgetasteten Einzelbildern. Der Leitfaden der ersten Generation weist Premier ausdrücklich eine Abtastrate von einem Bild pro Sekunde bis zu 3.200 Bildern zu, ein anderes Budget als die 960-Bilder-Strategie von Nova Lite und Pro. Das eignet sich für Szenenzusammenfassungen und Fragen zu Ereignissen im Zeitverlauf, während kurze Handlungen zwischen abgetasteten Bildern unbeobachtet bleiben können. Stellen Sie einen relevanten Clip oder Zeitraum bereit und benennen Sie die zu verfolgenden Details. Bei einer langen Abfolge können segmentierte Analyse und anschließende Textzusammenfassung den Fokus erhalten, wobei Aufteilung Kontext an Segmentgrenzen verlieren kann. Die dokumentierten Modellmodalitäten umfassen keine Audioeingabe; gesprochene Informationen sollten daher als Text bereitgestellt werden.
Premier unterstützt Antwortstreaming, werkzeugorientierte und abrufgestützte Abläufe sowie 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. Geben Sie einem Agenten die Aufgabe, die erlaubten Werkzeuge und deren Argumentbeschreibungen und lassen Sie anschließend die Anwendung angeforderte Aktionen ausführen und Beobachtungen vor dem nächsten Modellschritt zurückgeben. Seine Schlussfolgerungsrolle bedeutet nicht, dass es ohne diese Ausführungsschicht ein externes System betreiben kann. Die Hinweise der ersten Generation unterstützen das schrittweise Erklären einer Lösung durch Promptvorgaben; die separaten Steuerelemente low, medium und high für erweitertes Denken von Nova 2 Lite gehören nicht zur dokumentierten Schnittstelle dieser Ausgabe. Fordern Sie für einen Bericht oder ein Werkzeugergebnis ausdrückliche Felder und Beispiele der gewünschten Struktur an; eine angeforderte JSON-Form unterscheidet sich von erzwungener strukturierter Ausgabe.
Eine besondere Rolle von Premier ist das Lehren kleinerer Nova-Modelle durch Distillation. Amazon beschreibt die Verwendung von Premier-Antworten als Trainingsbeispiele für spezialisierte Varianten von Nova Micro, Lite und Pro und den anschließenden Vergleich des Verhaltens des kleineren Modells bei der Zielaufgabe. Das ist ein Ablauf zur Modellanpassung und keine Änderung der Identität einer normalen Premier-Antwort. Stellen Sie bei gewöhnlicher Nutzung die maßgeblichen Fakten bereit und verlangen Sie, dass die Antwort Beobachtungen, Annahmen und fehlende Belege trennt. Nova kann plausible Behauptungen erzeugen, die einer Quelle widersprechen; generierter Code enthält außerdem keine automatische Sicherheitsprüfung. Das nützliche Artefakt sollte daher genügend Belege und Details tragen, um anhand seiner Eingaben überprüft werden zu können. Der Hersteller gibt außerdem an, dass dieses Modell Personen in Bildern, Dokumenten oder Videos weder identifiziert noch namentlich benennt.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits amazon/nova-premier-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 $0.005 / 1K Tokens Ausgabe · Ausgabetoken $0.025 / 1K Tokens Eingabe · Cache lesen $0.00125 / 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 $0.005 / 1K Tokens Ausgabe · Ausgabetoken $0.025 / 1K Tokens Eingabe · Cache lesen $0.00125 / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "amazon/nova-premier-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-premier-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-premier-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-premier-v1
Verwenden Sie die oben angezeigten Methodenpfade.
amazon/nova-premier-v1Amazon Nova Premier ist das Nova-Modell der ersten Generation für komplexes multimodales Schlussfolgern, die Analyse langer Dokumente und Agenten. Es akzeptiert Text, Bilder und Video, gibt Text zurück und dient außerdem als Lehrer für die Distillation spezialisierter Nova-Modelle.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Amazon Nova Premier ist das leistungsfähigste Verstehensmodell in Amazons Nova-Familie der ersten Generation, ausgelegt für komplexe Aufgaben, die tiefes Verständnis, Kontext und Planung über mehrere Schritte erfordern. Es verarbeitet Text, Bilder und Video und erzeugt Text. Zu seinen Aufgaben gehören Schlussfolgern über lange Berichte, der Vergleich von Belegen über Dokumente hinweg, das Verstehen von Diagrammen und visuellem Material sowie die Koordination von Agentenaufgaben. Premier ist von den leichteren Modellen Micro, Lite und Pro sowie von Nova-Modellen getrennt, die Bilder, Video oder dialogbasierte Sprache erzeugen.
Das genaue Modellprofil des Herstellers führt ein Kontextfenster von 1 Million Token und eine maximale Ausgabe von 25K Token an. Sein dokumentierter Wissensstand reicht bis Oktober 2024. Das macht Premier nützlich, wenn eine Aufgabe umfangreiches Referenzmaterial neben Anweisungen und Gespräch benötigt. Gliedern Sie dieses Material mit Dokumentnamen, Abschnittsmarkierungen und einer konkreten Frage, statt eine ungerichtete Analyse von allem anzufordern. Ein hilfreiches Ergebnis kann eine Vergleichsmatrix, ein beleggestützter Bericht oder eine vorgeschlagene Handlungsfolge sein. Das Kontextbudget umfasst das Material, mit dem das Modell arbeitet; es ist kein Versprechen, dass jedes Detail in der endgültigen Antwort erscheint.
Premiers dokumentierter multimodaler Ablauf verarbeitet PNG-, JPG/JPEG-, GIF- und WebP-Bilder sowie gängige Videocontainer wie MP4, MOV, MKV und WebM. Der Dokumentablauf umfasst PDF, DOC/DOCX, CSV, XLS/XLSX, HTML, TXT und Markdown. Textorientierte Dateien liefern Text; PDF und DOCX können Seitentext mit visuellen Informationen liefern. Halten Sie bei einem Bericht mit Diagrammen Beschriftungen lesbar und bitten Sie das Modell, die relevanten Beobachtungen vor ihrer Interpretation zu beschreiben. Wenn nur der Fließtext benötigt wird, vermeidet extrahierter Text, dass visuelle Extraktion zur Voraussetzung für das Dokumentverständnis wird. Eingebettete Medien teilen sich ein Nutzdatenbudget von 25 MB einschließlich Base64-Mehrbedarf. Eine Anfrage enthält ein Video, über S3 auf 1 GB begrenzt; kombinierte S3-Medien dürfen insgesamt 2 GB umfassen. PDF- und DOCX-Eingaben bleiben auf fünf Dokumente begrenzt, mit einem gemeinsamen Budget von 25 MB für direkten Upload oder 2 GB über S3.
Videoverständnis beruht auf abgetasteten Einzelbildern. Der Leitfaden der ersten Generation weist Premier ausdrücklich eine Abtastrate von einem Bild pro Sekunde bis zu 3.200 Bildern zu, ein anderes Budget als die 960-Bilder-Strategie von Nova Lite und Pro. Das eignet sich für Szenenzusammenfassungen und Fragen zu Ereignissen im Zeitverlauf, während kurze Handlungen zwischen abgetasteten Bildern unbeobachtet bleiben können. Stellen Sie einen relevanten Clip oder Zeitraum bereit und benennen Sie die zu verfolgenden Details. Bei einer langen Abfolge können segmentierte Analyse und anschließende Textzusammenfassung den Fokus erhalten, wobei Aufteilung Kontext an Segmentgrenzen verlieren kann. Die dokumentierten Modellmodalitäten umfassen keine Audioeingabe; gesprochene Informationen sollten daher als Text bereitgestellt werden.
Premier unterstützt Antwortstreaming, werkzeugorientierte und abrufgestützte Abläufe sowie 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. Geben Sie einem Agenten die Aufgabe, die erlaubten Werkzeuge und deren Argumentbeschreibungen und lassen Sie anschließend die Anwendung angeforderte Aktionen ausführen und Beobachtungen vor dem nächsten Modellschritt zurückgeben. Seine Schlussfolgerungsrolle bedeutet nicht, dass es ohne diese Ausführungsschicht ein externes System betreiben kann. Die Hinweise der ersten Generation unterstützen das schrittweise Erklären einer Lösung durch Promptvorgaben; die separaten Steuerelemente low, medium und high für erweitertes Denken von Nova 2 Lite gehören nicht zur dokumentierten Schnittstelle dieser Ausgabe. Fordern Sie für einen Bericht oder ein Werkzeugergebnis ausdrückliche Felder und Beispiele der gewünschten Struktur an; eine angeforderte JSON-Form unterscheidet sich von erzwungener strukturierter Ausgabe.
Eine besondere Rolle von Premier ist das Lehren kleinerer Nova-Modelle durch Distillation. Amazon beschreibt die Verwendung von Premier-Antworten als Trainingsbeispiele für spezialisierte Varianten von Nova Micro, Lite und Pro und den anschließenden Vergleich des Verhaltens des kleineren Modells bei der Zielaufgabe. Das ist ein Ablauf zur Modellanpassung und keine Änderung der Identität einer normalen Premier-Antwort. Stellen Sie bei gewöhnlicher Nutzung die maßgeblichen Fakten bereit und verlangen Sie, dass die Antwort Beobachtungen, Annahmen und fehlende Belege trennt. Nova kann plausible Behauptungen erzeugen, die einer Quelle widersprechen; generierter Code enthält außerdem keine automatische Sicherheitsprüfung. Das nützliche Artefakt sollte daher genügend Belege und Details tragen, um anhand seiner Eingaben überprüft werden zu können. Der Hersteller gibt außerdem an, dass dieses Modell Personen in Bildern, Dokumenten oder Videos weder identifiziert noch namentlich benennt.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits amazon/nova-premier-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 $0.005 / 1K Tokens Ausgabe · Ausgabetoken $0.025 / 1K Tokens Eingabe · Cache lesen $0.00125 / 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 $0.005 / 1K Tokens Ausgabe · Ausgabetoken $0.025 / 1K Tokens Eingabe · Cache lesen $0.00125 / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "amazon/nova-premier-v1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-premier-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-premier-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-premier-v1
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Compare two rollout proposals\n\nCompare these rollout notes for a support team. Plan A: train all 40 agents on Monday, migrate Tuesday, no rollback rehearsal. Plan B: train 10 agents, pilot for two days, rehearse rollback, then migrate the rest. Prepare a decision memo with evidence, trade-offs and one question the notes cannot answer.A short recommendation, a two-plan comparison table and one explicitly unanswered question.Check every stated advantage against the notes; do not invent costs, outage rates or pilot results.