ERNIE X1 Turbo ist Baidus Denkmodellprofil für Fragen, die eine vertiefte Analyse, logisches Problemlösen und mit Werkzeugen verbundene Textarbeit erfordern. Der Hersteller bezeichnet Turbo als verbesserte Version der X1-Reihe. Sein dokumentiertes Herstellerprofil mit 32K bleibt von ERNIE X1.1 Preview und ERNIE 5.0 Thinking getrennt, die andere Eingabe- und Generierungsbudgets haben.
Stellen Sie die Frage, die gegebenen Werte, die Rahmenbedingungen und die Art des benötigten Ergebnisses bereit. Eine mathematische Aufgabe kann eine Lösung verlangen, deren entscheidende Berechnung überprüfbar ist; eine Planungsaufgabe kann Alternativen anhand festgelegter Bedingungen vergleichen. Halten Sie Annahmen von bereitgestellten Fakten getrennt und benennen Sie, was noch unbekannt ist. So erhält der Denkprozess ein abgegrenztes Problem statt der Erlaubnis, fehlende Anforderungen zu erfinden.
Fügen Sie bei einer technischen Frage die relevante Quellenpassage oder den Codeausschnitt sowie das zu untersuchende Verhalten bei. Verlangen Sie ein konkretes Gegenbeispiel oder eine Erklärung, wenn sich zwei Implementierungen unterscheiden. Das nützliche Arbeitsergebnis sollte die Schlussfolgerung und die dafür maßgeblichen Bedingungen klar erkennen lassen. Prüfen Sie wichtige Werte und das vorgeschlagene Verhalten anhand der Quelle, statt eine lange erzeugte Analyse als Beweis für Korrektheit zu behandeln.
Die AI-Studio-Modelltabelle des Herstellers nennt einen Kontext von 32K, eine maximale Eingabe von 24K und eine Einstellung für die abschließende Ausgabe von 2 bis 16.384 Tokens; der dokumentierte Standardwert beträgt 2K. Separat nennt sie für X1 Turbo eine Denklänge von 16K. Diese Felder haben unterschiedliche Aufgaben. Wählen Sie daher das Quellenmaterial und das gewünschte abschließende Arbeitsergebnis entsprechend, statt die Kontextzahl als Zusage einer ebenso langen Antwort zu verstehen.
Halten Sie die abschließende Antwort von etwaigem Denkmaterial getrennt, das der Herstellerablauf zurückgibt. Ein Vergleich kann die Empfehlung an den Anfang stellen und die Bedingungen beibehalten, die sie begründen. Eine codebezogene Antwort kann den genauen Eingabefall und das erwartete Ergebnis angeben. Bewahren Sie die ursprüngliche Frage und die Belege zusammen mit dem fertigen Arbeitsergebnis auf, damit eine Folgefrage einen noch offenen Schritt untersuchen kann.
Das Funktionsverzeichnis des Herstellers führt X1 Turbo für Funktionsaufrufe und suchgestützte Aufgaben an. Definieren Sie den Zweck und die Argumente jeder Anwendungsfunktion und liefern Sie anschließend das tatsächliche Ergebnis zurück, wenn das Modell sie anfordert. Das Modell liefert eine strukturierte Anfrage; die umgebende Anwendung führt den Vorgang aus. Eine vorgeschlagene Recherche ist von einem abgerufenen Datensatz zu unterscheiden, eine angeforderte Handlung von einem abgeschlossenen Ergebnis.
Bewahren Sie bei einer quellenbasierten Frage das abgerufene Material zusammen mit der Antwort auf und prüfen Sie, ob es die Aussage belegt. Eine veränderliche Tatsache sollte aus aktuellen Belegen stammen und nicht aus einer ungestützten Antwort aus dem Gedächtnis. Behandeln Sie die Funktions- und Suchintegration als den verbundenen Arbeitsablauf des Herstellers; die tatsächlich zurückgelieferten Belege bestimmen, welche Schlussfolgerungen die Antwort verantwortbar ziehen kann.
Das X1-Turbo-Profil mit 32K beschreibt einen Textarbeitsablauf mit Denkschritten und nicht die umfassendere Spezifikation für native multimodale Generierung einer anderen ERNIE-Familie. Seine Eingabe-, Ausgabe- und Denkbudgets bleiben jene des gewählten Herstellerprofils. Eine nützliche Übergabe kann die Lösung, den Vergleich oder die werkzeuggestützte Antwort zusammen mit den Quellenpassagen und Ergebnissen abgeschlossener Vorgänge enthalten. Das ermöglicht eine gezielte Fortsetzung, bei der die ursprüngliche Aufgabe und ihre Unsicherheiten erhalten bleiben.
", "aboutText": "ERNIE X1 Turbo ist Baidus Denkmodellprofil für Fragen, die eine vertiefte Analyse, logisches Problemlösen und mit Werkzeugen verbundene Textarbeit erfordern. Der Hersteller bezeichnet Turbo als verbesserte Version der X1-Reihe. Sein dokumentiertes Herstellerprofil mit 32K bleibt von ERNIE X1.1 Preview und ERNIE 5.0 Thinking getrennt, die andere Eingabe- und Generierungsbudgets haben.\n\n### Ein vollständiges Denkproblem vorbereiten\n\nStellen Sie die Frage, die gegebenen Werte, die Rahmenbedingungen und die Art des benötigten Ergebnisses bereit. Eine mathematische Aufgabe kann eine Lösung verlangen, deren entscheidende Berechnung überprüfbar ist; eine Planungsaufgabe kann Alternativen anhand festgelegter Bedingungen vergleichen. Halten Sie Annahmen von bereitgestellten Fakten getrennt und benennen Sie, was noch unbekannt ist. So erhält der Denkprozess ein abgegrenztes Problem statt der Erlaubnis, fehlende Anforderungen zu erfinden.\n\nFügen Sie bei einer technischen Frage die relevante Quellenpassage oder den Codeausschnitt sowie das zu untersuchende Verhalten bei. Verlangen Sie ein konkretes Gegenbeispiel oder eine Erklärung, wenn sich zwei Implementierungen unterscheiden. Das nützliche Arbeitsergebnis sollte die Schlussfolgerung und die dafür maßgeblichen Bedingungen klar erkennen lassen. Prüfen Sie wichtige Werte und das vorgeschlagene Verhalten anhand der Quelle, statt eine lange erzeugte Analyse als Beweis für Korrektheit zu behandeln.\n\n### Budgets für Kontext, abschließende Ausgabe und Denkschritte\n\nDie AI-Studio-Modelltabelle des Herstellers nennt einen Kontext von 32K, eine maximale Eingabe von 24K und eine Einstellung für die abschließende Ausgabe von 2 bis 16.384 Tokens; der dokumentierte Standardwert beträgt 2K. Separat nennt sie für X1 Turbo eine Denklänge von 16K. Diese Felder haben unterschiedliche Aufgaben. Wählen Sie daher das Quellenmaterial und das gewünschte abschließende Arbeitsergebnis entsprechend, statt die Kontextzahl als Zusage einer ebenso langen Antwort zu verstehen.\n\nHalten Sie die abschließende Antwort von etwaigem Denkmaterial getrennt, das der Herstellerablauf zurückgibt. Ein Vergleich kann die Empfehlung an den Anfang stellen und die Bedingungen beibehalten, die sie begründen. Eine codebezogene Antwort kann den genauen Eingabefall und das erwartete Ergebnis angeben. Bewahren Sie die ursprüngliche Frage und die Belege zusammen mit dem fertigen Arbeitsergebnis auf, damit eine Folgefrage einen noch offenen Schritt untersuchen kann.\n\n### Funktionen und aktuelle Informationen\n\nDas Funktionsverzeichnis des Herstellers führt X1 Turbo für Funktionsaufrufe und suchgestützte Aufgaben an. Definieren Sie den Zweck und die Argumente jeder Anwendungsfunktion und liefern Sie anschließend das tatsächliche Ergebnis zurück, wenn das Modell sie anfordert. Das Modell liefert eine strukturierte Anfrage; die umgebende Anwendung führt den Vorgang aus. Eine vorgeschlagene Recherche ist von einem abgerufenen Datensatz zu unterscheiden, eine angeforderte Handlung von einem abgeschlossenen Ergebnis.\n\nBewahren Sie bei einer quellenbasierten Frage das abgerufene Material zusammen mit der Antwort auf und prüfen Sie, ob es die Aussage belegt. Eine veränderliche Tatsache sollte aus aktuellen Belegen stammen und nicht aus einer ungestützten Antwort aus dem Gedächtnis. Behandeln Sie die Funktions- und Suchintegration als den verbundenen Arbeitsablauf des Herstellers; die tatsächlich zurückgelieferten Belege bestimmen, welche Schlussfolgerungen die Antwort verantwortbar ziehen kann.\n\n### Die X1-Turbo-Ausgabe mit dem Ergebnis aufbewahren\n\nDas X1-Turbo-Profil mit 32K beschreibt einen Textarbeitsablauf mit Denkschritten und nicht die umfassendere Spezifikation für native multimodale Generierung einer anderen ERNIE-Familie. Seine Eingabe-, Ausgabe- und Denkbudgets bleiben jene des gewählten Herstellerprofils. Eine nützliche Übergabe kann die Lösung, den Vergleich oder die werkzeuggestützte Antwort zusammen mit den Quellenpassagen und Ergebnissen abgeschlossener Vorgänge enthalten. Das ermöglicht eine gezielte Fortsetzung, bei der die ursprüngliche Aufgabe und ihre Unsicherheiten erhalten bleiben.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "352cadf4b95bc96ade328fa57b01f5245d31f83eb4f59b8ff6693e6c4868920b", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "de-at", "methods": [ { "html": "ernie-x1-turbo-32kERNIE X1 Turbo ist Baidus Denkprofil für mathematische, logische und mit Werkzeugen verbundene Textaufgaben. Seine AI-Studio-Spezifikation unterscheidet einen Kontext von 32K, eine maximale Eingabe von 24K, Einstellungen für die abschließende Ausgabe bis zu 16.384 Tokens und eine separate Denklänge von 16K.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
ERNIE X1 Turbo ist Baidus Denkmodellprofil für Fragen, die eine vertiefte Analyse, logisches Problemlösen und mit Werkzeugen verbundene Textarbeit erfordern. Der Hersteller bezeichnet Turbo als verbesserte Version der X1-Reihe. Sein dokumentiertes Herstellerprofil mit 32K bleibt von ERNIE X1.1 Preview und ERNIE 5.0 Thinking getrennt, die andere Eingabe- und Generierungsbudgets haben.
Stellen Sie die Frage, die gegebenen Werte, die Rahmenbedingungen und die Art des benötigten Ergebnisses bereit. Eine mathematische Aufgabe kann eine Lösung verlangen, deren entscheidende Berechnung überprüfbar ist; eine Planungsaufgabe kann Alternativen anhand festgelegter Bedingungen vergleichen. Halten Sie Annahmen von bereitgestellten Fakten getrennt und benennen Sie, was noch unbekannt ist. So erhält der Denkprozess ein abgegrenztes Problem statt der Erlaubnis, fehlende Anforderungen zu erfinden.
Fügen Sie bei einer technischen Frage die relevante Quellenpassage oder den Codeausschnitt sowie das zu untersuchende Verhalten bei. Verlangen Sie ein konkretes Gegenbeispiel oder eine Erklärung, wenn sich zwei Implementierungen unterscheiden. Das nützliche Arbeitsergebnis sollte die Schlussfolgerung und die dafür maßgeblichen Bedingungen klar erkennen lassen. Prüfen Sie wichtige Werte und das vorgeschlagene Verhalten anhand der Quelle, statt eine lange erzeugte Analyse als Beweis für Korrektheit zu behandeln.
Die AI-Studio-Modelltabelle des Herstellers nennt einen Kontext von 32K, eine maximale Eingabe von 24K und eine Einstellung für die abschließende Ausgabe von 2 bis 16.384 Tokens; der dokumentierte Standardwert beträgt 2K. Separat nennt sie für X1 Turbo eine Denklänge von 16K. Diese Felder haben unterschiedliche Aufgaben. Wählen Sie daher das Quellenmaterial und das gewünschte abschließende Arbeitsergebnis entsprechend, statt die Kontextzahl als Zusage einer ebenso langen Antwort zu verstehen.
Halten Sie die abschließende Antwort von etwaigem Denkmaterial getrennt, das der Herstellerablauf zurückgibt. Ein Vergleich kann die Empfehlung an den Anfang stellen und die Bedingungen beibehalten, die sie begründen. Eine codebezogene Antwort kann den genauen Eingabefall und das erwartete Ergebnis angeben. Bewahren Sie die ursprüngliche Frage und die Belege zusammen mit dem fertigen Arbeitsergebnis auf, damit eine Folgefrage einen noch offenen Schritt untersuchen kann.
Das Funktionsverzeichnis des Herstellers führt X1 Turbo für Funktionsaufrufe und suchgestützte Aufgaben an. Definieren Sie den Zweck und die Argumente jeder Anwendungsfunktion und liefern Sie anschließend das tatsächliche Ergebnis zurück, wenn das Modell sie anfordert. Das Modell liefert eine strukturierte Anfrage; die umgebende Anwendung führt den Vorgang aus. Eine vorgeschlagene Recherche ist von einem abgerufenen Datensatz zu unterscheiden, eine angeforderte Handlung von einem abgeschlossenen Ergebnis.
Bewahren Sie bei einer quellenbasierten Frage das abgerufene Material zusammen mit der Antwort auf und prüfen Sie, ob es die Aussage belegt. Eine veränderliche Tatsache sollte aus aktuellen Belegen stammen und nicht aus einer ungestützten Antwort aus dem Gedächtnis. Behandeln Sie die Funktions- und Suchintegration als den verbundenen Arbeitsablauf des Herstellers; die tatsächlich zurückgelieferten Belege bestimmen, welche Schlussfolgerungen die Antwort verantwortbar ziehen kann.
Das X1-Turbo-Profil mit 32K beschreibt einen Textarbeitsablauf mit Denkschritten und nicht die umfassendere Spezifikation für native multimodale Generierung einer anderen ERNIE-Familie. Seine Eingabe-, Ausgabe- und Denkbudgets bleiben jene des gewählten Herstellerprofils. Eine nützliche Übergabe kann die Lösung, den Vergleich oder die werkzeuggestützte Antwort zusammen mit den Quellenpassagen und Ergebnissen abgeschlossener Vorgänge enthalten. Das ermöglicht eine gezielte Fortsetzung, bei der die ursprüngliche Aufgabe und ihre Unsicherheiten erhalten bleiben.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits ernie-x1-turbo-32k | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Modellabhängig | Standard— |
Feldmessages[].content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Textgespräch | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
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 |
Parametercontrol_scope | VertragTextgespräch; stream ist ein boolescher Wert und standardmäßig false. |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
Methodenaliasnamen: /chat/completions
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 $0.00033 / 1K Tokens Ausgabe · Ausgabetoken $0.00132 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"ernie-x1-turbo-32k","messages":[{"role":"user","content":"hello"}],"stream":false}')\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="ernie-x1-turbo-32k", messages=[{"role":"user","content":"hello"}], stream=False)\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"))\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 ernie-x1-turbo-32k
/chat/completions
ernie-x1-turbo-32kERNIE X1 Turbo ist Baidus Denkprofil für mathematische, logische und mit Werkzeugen verbundene Textaufgaben. Seine AI-Studio-Spezifikation unterscheidet einen Kontext von 32K, eine maximale Eingabe von 24K, Einstellungen für die abschließende Ausgabe bis zu 16.384 Tokens und eine separate Denklänge von 16K.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
ERNIE X1 Turbo ist Baidus Denkmodellprofil für Fragen, die eine vertiefte Analyse, logisches Problemlösen und mit Werkzeugen verbundene Textarbeit erfordern. Der Hersteller bezeichnet Turbo als verbesserte Version der X1-Reihe. Sein dokumentiertes Herstellerprofil mit 32K bleibt von ERNIE X1.1 Preview und ERNIE 5.0 Thinking getrennt, die andere Eingabe- und Generierungsbudgets haben.
Stellen Sie die Frage, die gegebenen Werte, die Rahmenbedingungen und die Art des benötigten Ergebnisses bereit. Eine mathematische Aufgabe kann eine Lösung verlangen, deren entscheidende Berechnung überprüfbar ist; eine Planungsaufgabe kann Alternativen anhand festgelegter Bedingungen vergleichen. Halten Sie Annahmen von bereitgestellten Fakten getrennt und benennen Sie, was noch unbekannt ist. So erhält der Denkprozess ein abgegrenztes Problem statt der Erlaubnis, fehlende Anforderungen zu erfinden.
Fügen Sie bei einer technischen Frage die relevante Quellenpassage oder den Codeausschnitt sowie das zu untersuchende Verhalten bei. Verlangen Sie ein konkretes Gegenbeispiel oder eine Erklärung, wenn sich zwei Implementierungen unterscheiden. Das nützliche Arbeitsergebnis sollte die Schlussfolgerung und die dafür maßgeblichen Bedingungen klar erkennen lassen. Prüfen Sie wichtige Werte und das vorgeschlagene Verhalten anhand der Quelle, statt eine lange erzeugte Analyse als Beweis für Korrektheit zu behandeln.
Die AI-Studio-Modelltabelle des Herstellers nennt einen Kontext von 32K, eine maximale Eingabe von 24K und eine Einstellung für die abschließende Ausgabe von 2 bis 16.384 Tokens; der dokumentierte Standardwert beträgt 2K. Separat nennt sie für X1 Turbo eine Denklänge von 16K. Diese Felder haben unterschiedliche Aufgaben. Wählen Sie daher das Quellenmaterial und das gewünschte abschließende Arbeitsergebnis entsprechend, statt die Kontextzahl als Zusage einer ebenso langen Antwort zu verstehen.
Halten Sie die abschließende Antwort von etwaigem Denkmaterial getrennt, das der Herstellerablauf zurückgibt. Ein Vergleich kann die Empfehlung an den Anfang stellen und die Bedingungen beibehalten, die sie begründen. Eine codebezogene Antwort kann den genauen Eingabefall und das erwartete Ergebnis angeben. Bewahren Sie die ursprüngliche Frage und die Belege zusammen mit dem fertigen Arbeitsergebnis auf, damit eine Folgefrage einen noch offenen Schritt untersuchen kann.
Das Funktionsverzeichnis des Herstellers führt X1 Turbo für Funktionsaufrufe und suchgestützte Aufgaben an. Definieren Sie den Zweck und die Argumente jeder Anwendungsfunktion und liefern Sie anschließend das tatsächliche Ergebnis zurück, wenn das Modell sie anfordert. Das Modell liefert eine strukturierte Anfrage; die umgebende Anwendung führt den Vorgang aus. Eine vorgeschlagene Recherche ist von einem abgerufenen Datensatz zu unterscheiden, eine angeforderte Handlung von einem abgeschlossenen Ergebnis.
Bewahren Sie bei einer quellenbasierten Frage das abgerufene Material zusammen mit der Antwort auf und prüfen Sie, ob es die Aussage belegt. Eine veränderliche Tatsache sollte aus aktuellen Belegen stammen und nicht aus einer ungestützten Antwort aus dem Gedächtnis. Behandeln Sie die Funktions- und Suchintegration als den verbundenen Arbeitsablauf des Herstellers; die tatsächlich zurückgelieferten Belege bestimmen, welche Schlussfolgerungen die Antwort verantwortbar ziehen kann.
Das X1-Turbo-Profil mit 32K beschreibt einen Textarbeitsablauf mit Denkschritten und nicht die umfassendere Spezifikation für native multimodale Generierung einer anderen ERNIE-Familie. Seine Eingabe-, Ausgabe- und Denkbudgets bleiben jene des gewählten Herstellerprofils. Eine nützliche Übergabe kann die Lösung, den Vergleich oder die werkzeuggestützte Antwort zusammen mit den Quellenpassagen und Ergebnissen abgeschlossener Vorgänge enthalten. Das ermöglicht eine gezielte Fortsetzung, bei der die ursprüngliche Aufgabe und ihre Unsicherheiten erhalten bleiben.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits ernie-x1-turbo-32k | 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.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.00033 / 1K Tokens Ausgabe · Ausgabetoken $0.00132 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "ernie-x1-turbo-32k",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'ernie-x1-turbo-32k', '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': 'ernie-x1-turbo-32k', '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 ernie-x1-turbo-32k
/chat/completions