Claude 3.7 Sonnet Thinking beschreibt den Extended-Thinking-Modus von Claude 3.7 Sonnet und keine separate Generation des Basismodells. Anthropic verbindet gewöhnliche Antworten und tieferes Reasoning in einem hybriden Modell. Die Thinking-Variante ist hilfreich, wenn eine Aufgabe zusammenwirkende Bedingungen enthält und die Antwort davon profitiert, diese vor der Schlussfolgerung zu durchdenken.
Das Modell setzt zusätzliche Reasoning-Token für die Bearbeitung des Problems ein, bevor es seine endgültige Antwort zurückgibt. Anthropic hebt Mathematik, Physik, komplexes Befolgen von Anweisungen und Programmierung hervor und betont reale Geschäftsaufgaben statt ausschließlich Wettbewerbsrätsel. Der Hersteller dokumentiert die Steuerung des Reasoning-Aufwands über ein Thinking-Token-Budget; Budget und endgültige Antwort teilen sich den verfügbaren Ausgaberahmen. Mehr Reasoning benötigt zusätzliche Zeit; reservieren Sie diesen Modus deshalb für Arbeit, bei der die zusätzliche Analyse wichtig ist.
Geben Sie für eine Analyseaufgabe die Belege, die zu klärende Frage und die Kriterien zum Vergleich von Alternativen vor. Verlangen Sie eine Schlussfolgerung mit anschließenden stützenden Fakten, Annahmen und offenen Fragen. So erhält die endgültige Antwort eine nutzbare Form, ohne die Länge ihres Reasonings als Beleg für eine korrekte Schlussfolgerung zu behandeln.
Anthropic legt besonderen Wert auf Codeänderungen, das Navigieren komplexer Projekte und den Aufbau von Weboberflächen. Eine hilfreiche Beschreibung enthält relevanten Code, erwartetes Verhalten, den beobachteten Fehler und die unverändert zu bewahrenden Teile. Verlangen Sie einen konsistenten Patch und eine Erklärung, wie er geprüft werden kann. Benennen Sie für eine Oberfläche Nutzeraktionen, Lade- und Fehlerzustände, responsives Verhalten und die benötigte Ausgabe, etwa eine Komponente oder einen Satz Seitenänderungen.
Diese Beispiele beschreiben Aufgaben für das Modell. Befehlsausführung, das Lesen eines Repositorys und Dateibearbeitung benötigen von der umgebenden Anwendung bereitgestellte Werkzeuge. Die Programmierfähigkeit des Modells und die Berechtigung einer Anwendung zur Codeausführung sind getrennte Teile des Ablaufs.
Claudes visuelles Verständnis unterstützt Reasoning über Material wie Screenshots, Diagramme und bebilderte Dokumente neben schriftlichen Anweisungen. Geben Sie ein lesbares Bild vor und benennen Sie das relevante Detail: eine beschriftete Achse, ein Layoutproblem oder eine Beziehung zwischen Objekten. Fügen Sie bei genauen Diagrammzahlen nach Möglichkeit die zugrunde liegenden Werte bei. Das Ergebnis ist eine Texterklärung, Analyse oder Code und kein erzeugtes Bild.
Definieren Sie für ein Ailoot-API-Projekt ausdrücklich das erwartete Endergebnis: eine Implementierung, eine geprüfte Argumentation, eine Vergleichstabelle oder eine Diagnoseerklärung. Geben Sie das relevante Material zusammen mit dieser Anforderung vor, statt das Modell fehlenden Projektkontext erraten zu lassen.
Anthropic nennt Oktober 2024 als verlässlichen Wissensstichtag dieses Basismodells. Geben Sie aktuelle Dokumente vor, wenn Ihre Frage von späteren Ereignissen oder veränderlichen technischen Details abhängt. Die Systemkarte dokumentiert außerdem ein Fehlermuster bei der Programmierung, bei dem wiederholte erfolglose Versuche zu testspezifischen Abkürzungen führen können. Verlangen Sie eine allgemeine Lösung und prüfen Sie Änderungen an Tests ebenso sorgfältig wie Änderungen am Anwendungscode. Ein detaillierter Reasoning-Verlauf kann bei der Antwortprüfung helfen; Anthropics Forschung belegt ihn aber nicht als vollständige oder unfehlbare Darstellung der Entstehung einer Entscheidung.
", "aboutText": "Claude 3.7 Sonnet Thinking beschreibt den Extended-Thinking-Modus von Claude 3.7 Sonnet und keine separate Generation des Basismodells. Anthropic verbindet gewöhnliche Antworten und tieferes Reasoning in einem hybriden Modell. Die Thinking-Variante ist hilfreich, wenn eine Aufgabe zusammenwirkende Bedingungen enthält und die Antwort davon profitiert, diese vor der Schlussfolgerung zu durchdenken.\n\n### Erweitertes Reasoning für praktische Probleme\n\nDas Modell setzt zusätzliche Reasoning-Token für die Bearbeitung des Problems ein, bevor es seine endgültige Antwort zurückgibt. Anthropic hebt Mathematik, Physik, komplexes Befolgen von Anweisungen und Programmierung hervor und betont reale Geschäftsaufgaben statt ausschließlich Wettbewerbsrätsel. Der Hersteller dokumentiert die Steuerung des Reasoning-Aufwands über ein Thinking-Token-Budget; Budget und endgültige Antwort teilen sich den verfügbaren Ausgaberahmen. Mehr Reasoning benötigt zusätzliche Zeit; reservieren Sie diesen Modus deshalb für Arbeit, bei der die zusätzliche Analyse wichtig ist.\n\nGeben Sie für eine Analyseaufgabe die Belege, die zu klärende Frage und die Kriterien zum Vergleich von Alternativen vor. Verlangen Sie eine Schlussfolgerung mit anschließenden stützenden Fakten, Annahmen und offenen Fragen. So erhält die endgültige Antwort eine nutzbare Form, ohne die Länge ihres Reasonings als Beleg für eine korrekte Schlussfolgerung zu behandeln.\n\n### Programmierung und Frontend-Entwicklung\n\nAnthropic legt besonderen Wert auf Codeänderungen, das Navigieren komplexer Projekte und den Aufbau von Weboberflächen. Eine hilfreiche Beschreibung enthält relevanten Code, erwartetes Verhalten, den beobachteten Fehler und die unverändert zu bewahrenden Teile. Verlangen Sie einen konsistenten Patch und eine Erklärung, wie er geprüft werden kann. Benennen Sie für eine Oberfläche Nutzeraktionen, Lade- und Fehlerzustände, responsives Verhalten und die benötigte Ausgabe, etwa eine Komponente oder einen Satz Seitenänderungen.\n\nDiese Beispiele beschreiben Aufgaben für das Modell. Befehlsausführung, das Lesen eines Repositorys und Dateibearbeitung benötigen von der umgebenden Anwendung bereitgestellte Werkzeuge. Die Programmierfähigkeit des Modells und die Berechtigung einer Anwendung zur Codeausführung sind getrennte Teile des Ablaufs.\n\n### Text, Bilder und das Endergebnis\n\nClaudes visuelles Verständnis unterstützt Reasoning über Material wie Screenshots, Diagramme und bebilderte Dokumente neben schriftlichen Anweisungen. Geben Sie ein lesbares Bild vor und benennen Sie das relevante Detail: eine beschriftete Achse, ein Layoutproblem oder eine Beziehung zwischen Objekten. Fügen Sie bei genauen Diagrammzahlen nach Möglichkeit die zugrunde liegenden Werte bei. Das Ergebnis ist eine Texterklärung, Analyse oder Code und kein erzeugtes Bild.\n\nDefinieren Sie für ein Ailoot-API-Projekt ausdrücklich das erwartete Endergebnis: eine Implementierung, eine geprüfte Argumentation, eine Vergleichstabelle oder eine Diagnoseerklärung. Geben Sie das relevante Material zusammen mit dieser Anforderung vor, statt das Modell fehlenden Projektkontext erraten zu lassen.\n\n### Wissensstand und Prüfung\n\nAnthropic nennt Oktober 2024 als verlässlichen Wissensstichtag dieses Basismodells. Geben Sie aktuelle Dokumente vor, wenn Ihre Frage von späteren Ereignissen oder veränderlichen technischen Details abhängt. Die Systemkarte dokumentiert außerdem ein Fehlermuster bei der Programmierung, bei dem wiederholte erfolglose Versuche zu testspezifischen Abkürzungen führen können. Verlangen Sie eine allgemeine Lösung und prüfen Sie Änderungen an Tests ebenso sorgfältig wie Änderungen am Anwendungscode. Ein detaillierter Reasoning-Verlauf kann bei der Antwortprüfung helfen; Anthropics Forschung belegt ihn aber nicht als vollständige oder unfehlbare Darstellung der Entstehung einer Entscheidung.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Reason through a batching rule\n\nA packing line must send 42 jars. Each sealed carton holds 6 jars; opened cartons cannot ship. Each pallet holds at most 4 cartons. Determine the minimum cartons and pallets, then explain a valid loading arrangement. Separate the arithmetic from the assumptions, and state whether any jars remain unpacked.Carton and pallet counts, a loading arrangement, arithmetic and explicit assumptions.Multiply carton capacity back to 42 and verify no pallet exceeds four cartons.claude-3-7-sonnet-20250219-thinkingClaude 3.7 Sonnet ist Anthropics hybrides Reasoning-Modell, das hier im Extended-Thinking-Modus verwendet wird. Es bearbeitet anspruchsvolle Programmier-, Mathematik- und Analyseaufgaben vor einer Textantwort, mit besonderem Schwerpunkt auf praktischer Softwareentwicklung und Frontend-Arbeit.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Claude 3.7 Sonnet Thinking beschreibt den Extended-Thinking-Modus von Claude 3.7 Sonnet und keine separate Generation des Basismodells. Anthropic verbindet gewöhnliche Antworten und tieferes Reasoning in einem hybriden Modell. Die Thinking-Variante ist hilfreich, wenn eine Aufgabe zusammenwirkende Bedingungen enthält und die Antwort davon profitiert, diese vor der Schlussfolgerung zu durchdenken.
Das Modell setzt zusätzliche Reasoning-Token für die Bearbeitung des Problems ein, bevor es seine endgültige Antwort zurückgibt. Anthropic hebt Mathematik, Physik, komplexes Befolgen von Anweisungen und Programmierung hervor und betont reale Geschäftsaufgaben statt ausschließlich Wettbewerbsrätsel. Der Hersteller dokumentiert die Steuerung des Reasoning-Aufwands über ein Thinking-Token-Budget; Budget und endgültige Antwort teilen sich den verfügbaren Ausgaberahmen. Mehr Reasoning benötigt zusätzliche Zeit; reservieren Sie diesen Modus deshalb für Arbeit, bei der die zusätzliche Analyse wichtig ist.
Geben Sie für eine Analyseaufgabe die Belege, die zu klärende Frage und die Kriterien zum Vergleich von Alternativen vor. Verlangen Sie eine Schlussfolgerung mit anschließenden stützenden Fakten, Annahmen und offenen Fragen. So erhält die endgültige Antwort eine nutzbare Form, ohne die Länge ihres Reasonings als Beleg für eine korrekte Schlussfolgerung zu behandeln.
Anthropic legt besonderen Wert auf Codeänderungen, das Navigieren komplexer Projekte und den Aufbau von Weboberflächen. Eine hilfreiche Beschreibung enthält relevanten Code, erwartetes Verhalten, den beobachteten Fehler und die unverändert zu bewahrenden Teile. Verlangen Sie einen konsistenten Patch und eine Erklärung, wie er geprüft werden kann. Benennen Sie für eine Oberfläche Nutzeraktionen, Lade- und Fehlerzustände, responsives Verhalten und die benötigte Ausgabe, etwa eine Komponente oder einen Satz Seitenänderungen.
Diese Beispiele beschreiben Aufgaben für das Modell. Befehlsausführung, das Lesen eines Repositorys und Dateibearbeitung benötigen von der umgebenden Anwendung bereitgestellte Werkzeuge. Die Programmierfähigkeit des Modells und die Berechtigung einer Anwendung zur Codeausführung sind getrennte Teile des Ablaufs.
Claudes visuelles Verständnis unterstützt Reasoning über Material wie Screenshots, Diagramme und bebilderte Dokumente neben schriftlichen Anweisungen. Geben Sie ein lesbares Bild vor und benennen Sie das relevante Detail: eine beschriftete Achse, ein Layoutproblem oder eine Beziehung zwischen Objekten. Fügen Sie bei genauen Diagrammzahlen nach Möglichkeit die zugrunde liegenden Werte bei. Das Ergebnis ist eine Texterklärung, Analyse oder Code und kein erzeugtes Bild.
Definieren Sie für ein Ailoot-API-Projekt ausdrücklich das erwartete Endergebnis: eine Implementierung, eine geprüfte Argumentation, eine Vergleichstabelle oder eine Diagnoseerklärung. Geben Sie das relevante Material zusammen mit dieser Anforderung vor, statt das Modell fehlenden Projektkontext erraten zu lassen.
Anthropic nennt Oktober 2024 als verlässlichen Wissensstichtag dieses Basismodells. Geben Sie aktuelle Dokumente vor, wenn Ihre Frage von späteren Ereignissen oder veränderlichen technischen Details abhängt. Die Systemkarte dokumentiert außerdem ein Fehlermuster bei der Programmierung, bei dem wiederholte erfolglose Versuche zu testspezifischen Abkürzungen führen können. Verlangen Sie eine allgemeine Lösung und prüfen Sie Änderungen an Tests ebenso sorgfältig wie Änderungen am Anwendungscode. Ein detaillierter Reasoning-Verlauf kann bei der Antwortprüfung helfen; Anthropics Forschung belegt ihn aber nicht als vollständige oder unfehlbare Darstellung der Entstehung einer Entscheidung.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits claude-3-7-sonnet-20250219-thinking | 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.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.006 / 1K Tokens Ausgabe · Ausgabetoken $0.03 / 1K Tokens Eingabe · Cache lesen $0.0006 / 1K Tokens Eingabe · In Cache schreiben $0.0075 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "claude-3-7-sonnet-20250219-thinking", "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='claude-3-7-sonnet-20250219-thinking',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='claude-3-7-sonnet-20250219-thinking',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 claude-3-7-sonnet-20250219-thinking
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Reason through a batching rule\n\nA packing line must send 42 jars. Each sealed carton holds 6 jars; opened cartons cannot ship. Each pallet holds at most 4 cartons. Determine the minimum cartons and pallets, then explain a valid loading arrangement. Separate the arithmetic from the assumptions, and state whether any jars remain unpacked.Carton and pallet counts, a loading arrangement, arithmetic and explicit assumptions.Multiply carton capacity back to 42 and verify no pallet exceeds four cartons.