Ember-1 ist ein spezialisiertes Modell von Fireworks Research auf Basis von Kimi K3. Seine wesentliche Neuerung ist ein Training, das unnötige Denkschritte verkürzt und zugleich nützliche Analysen für Programmier- und Agentenaufgaben bewahrt. Der Hersteller positioniert es für wiederkehrende, werkzeuggestützte Aufgaben, bei denen sich im Lauf eines Gesprächs lange Denkverläufe ansammeln können. Das dokumentierte Profil unterstützt Textgenerierung, Bildeingaben und Funktionsaufrufe; die daraus entstehende Antwort, der Code oder der vorgeschlagene Vorgang werden als Text ausgegeben.
Der Hersteller entwickelte Ember-1 mit einem aufgabenbezogenen Training für ein breites Spektrum an Einsatzfällen. Es handelt sich um eine durch Training entstandene Eigenheit des Modells und nicht bloß um die Auswahl einer niedrigeren Einstellung für den Denkaufwand beim Basismodell. Beim Vergleich von Ergebnissen mit Kimi K3 sollte das Modell seine eigene Identität behalten: Ziel ist ein sparsamerer Denkverlauf, nicht die Annahme, dass alle ursprünglichen Einstellungen, Fähigkeiten oder künftigen Aktualisierungen identisch sind.
Geben Sie bei einer Softwareaufgabe den relevanten Code, den beobachteten Fehler, das gewünschte Verhalten und die Schnittstellenverträge an, die unverändert gelten müssen. Verlangen Sie eine gezielte Umsetzung und eine Erklärung, die sich auf den tatsächlichen Quelltext bezieht. Ein praktischer Arbeitsauftrag lautet: „Verfolgen Sie diese fehlschlagende Eingabe, ermitteln Sie die erste falsche Bedingung und geben Sie die korrigierte Funktion samt den Belegen zurück, die die Änderung rechtfertigen.“ Benennen Sie das abschließende Arbeitsergebnis ausdrücklich, auch wenn die Aufgabe mehrere Beobachtungen erfordert.
Zu den vom Hersteller genannten Einsatzfällen zählen Programmierassistenten und Agenten, die zwischen Modellentscheidungen und Werkzeugergebnissen wechseln. Stellen Sie Funktionsbeschreibungen und Argumentschemata bereit, die zur Aufgabe passen. Das Modell kann die Prüfung einer Datei, eine Berechnung oder einen anderen verfügbaren Vorgang vorschlagen; die Anwendung führt ihn aus und liefert die tatsächliche Beobachtung zurück. Verwenden Sie dieses Ergebnis im nächsten Gesprächsschritt, statt einen Handlungsvorschlag als ausgeführte Handlung zu behandeln.
Halten Sie bei längeren Aufgaben den relevanten Fehler, die Korrektur und die Beobachtungen aus der Überprüfung in einer knappen Aufzeichnung fest. Fordern Sie den fertigen Code oder das Analyseergebnis getrennt von der Zwischendiskussion an. Kürzere Denkverläufe sind nur dann nützlich, wenn die Ausgabe weiterhin das geforderte Verhalten erfüllt und die für ihre Prüfung nötigen Belege enthält.
Der Herstellerkatalog von Ember-1 unterstützt Bildeingaben. Eine visuelle Programmieraufgabe kann einen Screenshot mit Anforderungen und Quellcode verbinden und eine Erklärung oder Umsetzung verlangen, die sich auf das Sichtbare stützt. Kennzeichnen Sie jedes Bild und unterscheiden Sie den aktuellen Zustand vom gewünschten Ergebnis. Sorgen Sie dafür, dass wichtiger Text lesbar ist, und verlangen Sie, dass die Antwort das sichtbare Detail benennt, auf dem eine Feststellung beruht.
Der Hersteller gibt einen Kontext in der Größenordnung von einer Million Tokens an. Das ist eine Angabe zur Kapazität für Quellenmaterial und keine eigenständige Zusage ebenso vieler Antwort-Tokens. Prompt, Quellenmaterial, Werkzeugverlauf und erzeugte Denkschritte teilen sich das jeweils geltende Anfragebudget. Ordnen Sie ein großes Repository oder eine Dokumentensammlung nach der tatsächlichen Fragestellung und halten Sie Platz für das Ergebnis frei.
Ein nützliches Arbeitsergebnis ist ein gezielter Patch, eine durch Belege gestützte Erklärung oder ein abgeschlossener Vergleich anhand festgelegter Kriterien. Stellen Sie für eine Tatsache, die von aktuellen Informationen abhängt, eine maßgebliche Textstelle oder ein geeignetes Recherchewerkzeug bereit. Die Ausrichtung des Modells auf kürzere Denkverläufe macht fehlende Belege nicht verfügbar, führt keine Funktion aus und prüft Code nicht eigenständig. Prüfen Sie das entstandene Arbeitsergebnis anhand der Anforderungen und der Beobachtungen, die der umgebende Arbeitsablauf zurückgeliefert hat.
", "aboutText": "Ember-1 ist ein spezialisiertes Modell von Fireworks Research auf Basis von Kimi K3. Seine wesentliche Neuerung ist ein Training, das unnötige Denkschritte verkürzt und zugleich nützliche Analysen für Programmier- und Agentenaufgaben bewahrt. Der Hersteller positioniert es für wiederkehrende, werkzeuggestützte Aufgaben, bei denen sich im Lauf eines Gesprächs lange Denkverläufe ansammeln können. Das dokumentierte Profil unterstützt Textgenerierung, Bildeingaben und Funktionsaufrufe; die daraus entstehende Antwort, der Code oder der vorgeschlagene Vorgang werden als Text ausgegeben.\n\n### Was sich durch das Training ändert\n\nDer Hersteller entwickelte Ember-1 mit einem aufgabenbezogenen Training für ein breites Spektrum an Einsatzfällen. Es handelt sich um eine durch Training entstandene Eigenheit des Modells und nicht bloß um die Auswahl einer niedrigeren Einstellung für den Denkaufwand beim Basismodell. Beim Vergleich von Ergebnissen mit Kimi K3 sollte das Modell seine eigene Identität behalten: Ziel ist ein sparsamerer Denkverlauf, nicht die Annahme, dass alle ursprünglichen Einstellungen, Fähigkeiten oder künftigen Aktualisierungen identisch sind.\n\nGeben Sie bei einer Softwareaufgabe den relevanten Code, den beobachteten Fehler, das gewünschte Verhalten und die Schnittstellenverträge an, die unverändert gelten müssen. Verlangen Sie eine gezielte Umsetzung und eine Erklärung, die sich auf den tatsächlichen Quelltext bezieht. Ein praktischer Arbeitsauftrag lautet: „Verfolgen Sie diese fehlschlagende Eingabe, ermitteln Sie die erste falsche Bedingung und geben Sie die korrigierte Funktion samt den Belegen zurück, die die Änderung rechtfertigen.“ Benennen Sie das abschließende Arbeitsergebnis ausdrücklich, auch wenn die Aufgabe mehrere Beobachtungen erfordert.\n\n### Programmier- und Agentenaufgaben\n\nZu den vom Hersteller genannten Einsatzfällen zählen Programmierassistenten und Agenten, die zwischen Modellentscheidungen und Werkzeugergebnissen wechseln. Stellen Sie Funktionsbeschreibungen und Argumentschemata bereit, die zur Aufgabe passen. Das Modell kann die Prüfung einer Datei, eine Berechnung oder einen anderen verfügbaren Vorgang vorschlagen; die Anwendung führt ihn aus und liefert die tatsächliche Beobachtung zurück. Verwenden Sie dieses Ergebnis im nächsten Gesprächsschritt, statt einen Handlungsvorschlag als ausgeführte Handlung zu behandeln.\n\nHalten Sie bei längeren Aufgaben den relevanten Fehler, die Korrektur und die Beobachtungen aus der Überprüfung in einer knappen Aufzeichnung fest. Fordern Sie den fertigen Code oder das Analyseergebnis getrennt von der Zwischendiskussion an. Kürzere Denkverläufe sind nur dann nützlich, wenn die Ausgabe weiterhin das geforderte Verhalten erfüllt und die für ihre Prüfung nötigen Belege enthält.\n\n### Bilder und umfangreiches Quellenmaterial\n\nDer Herstellerkatalog von Ember-1 unterstützt Bildeingaben. Eine visuelle Programmieraufgabe kann einen Screenshot mit Anforderungen und Quellcode verbinden und eine Erklärung oder Umsetzung verlangen, die sich auf das Sichtbare stützt. Kennzeichnen Sie jedes Bild und unterscheiden Sie den aktuellen Zustand vom gewünschten Ergebnis. Sorgen Sie dafür, dass wichtiger Text lesbar ist, und verlangen Sie, dass die Antwort das sichtbare Detail benennt, auf dem eine Feststellung beruht.\n\nDer Hersteller gibt einen Kontext in der Größenordnung von einer Million Tokens an. Das ist eine Angabe zur Kapazität für Quellenmaterial und keine eigenständige Zusage ebenso vieler Antwort-Tokens. Prompt, Quellenmaterial, Werkzeugverlauf und erzeugte Denkschritte teilen sich das jeweils geltende Anfragebudget. Ordnen Sie ein großes Repository oder eine Dokumentensammlung nach der tatsächlichen Fragestellung und halten Sie Platz für das Ergebnis frei.\n\n### Überprüfbare Ergebnisse\n\nEin nützliches Arbeitsergebnis ist ein gezielter Patch, eine durch Belege gestützte Erklärung oder ein abgeschlossener Vergleich anhand festgelegter Kriterien. Stellen Sie für eine Tatsache, die von aktuellen Informationen abhängt, eine maßgebliche Textstelle oder ein geeignetes Recherchewerkzeug bereit. Die Ausrichtung des Modells auf kürzere Denkverläufe macht fehlende Belege nicht verfügbar, führt keine Funktion aus und prüft Code nicht eigenständig. Prüfen Sie das entstandene Arbeitsergebnis anhand der Anforderungen und der Beobachtungen, die der umgebende Arbeitsablauf zurückgeliefert hat.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Fix an inclusive upper-bound error\n\nFind the bug in this Python function: def allowed(age):\n return age > 18 and age < 65\nThe rule permits ages 18 through 65 inclusive. Return the corrected function, explain the boundary error and write tests for ages 17, 18, 65 and 66. Treat the supplied rule as authoritative.A minimal corrected function, a boundary explanation and four executable test cases.Check that both endpoints are accepted and both adjacent out-of-range values are rejected.fireworks/ember-1Ember-1 ist ein auf Kimi K3 basierendes Modell von Fireworks Research, das darauf trainiert wurde, unnötige Denkschritte bei Programmier- und Agentenaufgaben zu verkürzen. Laut Hersteller unterstützt es Text- und Bildeingaben, Textgenerierung und Funktionsaufrufe. Damit eignet es sich für gezielte Entwicklungsarbeit und quellengestützte Analysen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Ember-1 ist ein spezialisiertes Modell von Fireworks Research auf Basis von Kimi K3. Seine wesentliche Neuerung ist ein Training, das unnötige Denkschritte verkürzt und zugleich nützliche Analysen für Programmier- und Agentenaufgaben bewahrt. Der Hersteller positioniert es für wiederkehrende, werkzeuggestützte Aufgaben, bei denen sich im Lauf eines Gesprächs lange Denkverläufe ansammeln können. Das dokumentierte Profil unterstützt Textgenerierung, Bildeingaben und Funktionsaufrufe; die daraus entstehende Antwort, der Code oder der vorgeschlagene Vorgang werden als Text ausgegeben.
Der Hersteller entwickelte Ember-1 mit einem aufgabenbezogenen Training für ein breites Spektrum an Einsatzfällen. Es handelt sich um eine durch Training entstandene Eigenheit des Modells und nicht bloß um die Auswahl einer niedrigeren Einstellung für den Denkaufwand beim Basismodell. Beim Vergleich von Ergebnissen mit Kimi K3 sollte das Modell seine eigene Identität behalten: Ziel ist ein sparsamerer Denkverlauf, nicht die Annahme, dass alle ursprünglichen Einstellungen, Fähigkeiten oder künftigen Aktualisierungen identisch sind.
Geben Sie bei einer Softwareaufgabe den relevanten Code, den beobachteten Fehler, das gewünschte Verhalten und die Schnittstellenverträge an, die unverändert gelten müssen. Verlangen Sie eine gezielte Umsetzung und eine Erklärung, die sich auf den tatsächlichen Quelltext bezieht. Ein praktischer Arbeitsauftrag lautet: „Verfolgen Sie diese fehlschlagende Eingabe, ermitteln Sie die erste falsche Bedingung und geben Sie die korrigierte Funktion samt den Belegen zurück, die die Änderung rechtfertigen.“ Benennen Sie das abschließende Arbeitsergebnis ausdrücklich, auch wenn die Aufgabe mehrere Beobachtungen erfordert.
Zu den vom Hersteller genannten Einsatzfällen zählen Programmierassistenten und Agenten, die zwischen Modellentscheidungen und Werkzeugergebnissen wechseln. Stellen Sie Funktionsbeschreibungen und Argumentschemata bereit, die zur Aufgabe passen. Das Modell kann die Prüfung einer Datei, eine Berechnung oder einen anderen verfügbaren Vorgang vorschlagen; die Anwendung führt ihn aus und liefert die tatsächliche Beobachtung zurück. Verwenden Sie dieses Ergebnis im nächsten Gesprächsschritt, statt einen Handlungsvorschlag als ausgeführte Handlung zu behandeln.
Halten Sie bei längeren Aufgaben den relevanten Fehler, die Korrektur und die Beobachtungen aus der Überprüfung in einer knappen Aufzeichnung fest. Fordern Sie den fertigen Code oder das Analyseergebnis getrennt von der Zwischendiskussion an. Kürzere Denkverläufe sind nur dann nützlich, wenn die Ausgabe weiterhin das geforderte Verhalten erfüllt und die für ihre Prüfung nötigen Belege enthält.
Der Herstellerkatalog von Ember-1 unterstützt Bildeingaben. Eine visuelle Programmieraufgabe kann einen Screenshot mit Anforderungen und Quellcode verbinden und eine Erklärung oder Umsetzung verlangen, die sich auf das Sichtbare stützt. Kennzeichnen Sie jedes Bild und unterscheiden Sie den aktuellen Zustand vom gewünschten Ergebnis. Sorgen Sie dafür, dass wichtiger Text lesbar ist, und verlangen Sie, dass die Antwort das sichtbare Detail benennt, auf dem eine Feststellung beruht.
Der Hersteller gibt einen Kontext in der Größenordnung von einer Million Tokens an. Das ist eine Angabe zur Kapazität für Quellenmaterial und keine eigenständige Zusage ebenso vieler Antwort-Tokens. Prompt, Quellenmaterial, Werkzeugverlauf und erzeugte Denkschritte teilen sich das jeweils geltende Anfragebudget. Ordnen Sie ein großes Repository oder eine Dokumentensammlung nach der tatsächlichen Fragestellung und halten Sie Platz für das Ergebnis frei.
Ein nützliches Arbeitsergebnis ist ein gezielter Patch, eine durch Belege gestützte Erklärung oder ein abgeschlossener Vergleich anhand festgelegter Kriterien. Stellen Sie für eine Tatsache, die von aktuellen Informationen abhängt, eine maßgebliche Textstelle oder ein geeignetes Recherchewerkzeug bereit. Die Ausrichtung des Modells auf kürzere Denkverläufe macht fehlende Belege nicht verfügbar, führt keine Funktion aus und prüft Code nicht eigenständig. Prüfen Sie das entstandene Arbeitsergebnis anhand der Anforderungen und der Beobachtungen, die der umgebende Arbeitsablauf zurückgeliefert hat.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits fireworks/ember-1 | 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 $0.006 / 1K Tokens Ausgabe · Ausgabetoken $0.03 / 1K Tokens Eingabe · Cache lesen $0.0006 / 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 $0.006 / 1K Tokens Ausgabe · Ausgabetoken $0.03 / 1K Tokens Eingabe · Cache lesen $0.0006 / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "fireworks/ember-1", "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='fireworks/ember-1',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='fireworks/ember-1',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 fireworks/ember-1
Verwenden Sie die oben angezeigten Methodenpfade.
fireworks/ember-1Ember-1 ist ein auf Kimi K3 basierendes Modell von Fireworks Research, das darauf trainiert wurde, unnötige Denkschritte bei Programmier- und Agentenaufgaben zu verkürzen. Laut Hersteller unterstützt es Text- und Bildeingaben, Textgenerierung und Funktionsaufrufe. Damit eignet es sich für gezielte Entwicklungsarbeit und quellengestützte Analysen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Ember-1 ist ein spezialisiertes Modell von Fireworks Research auf Basis von Kimi K3. Seine wesentliche Neuerung ist ein Training, das unnötige Denkschritte verkürzt und zugleich nützliche Analysen für Programmier- und Agentenaufgaben bewahrt. Der Hersteller positioniert es für wiederkehrende, werkzeuggestützte Aufgaben, bei denen sich im Lauf eines Gesprächs lange Denkverläufe ansammeln können. Das dokumentierte Profil unterstützt Textgenerierung, Bildeingaben und Funktionsaufrufe; die daraus entstehende Antwort, der Code oder der vorgeschlagene Vorgang werden als Text ausgegeben.
Der Hersteller entwickelte Ember-1 mit einem aufgabenbezogenen Training für ein breites Spektrum an Einsatzfällen. Es handelt sich um eine durch Training entstandene Eigenheit des Modells und nicht bloß um die Auswahl einer niedrigeren Einstellung für den Denkaufwand beim Basismodell. Beim Vergleich von Ergebnissen mit Kimi K3 sollte das Modell seine eigene Identität behalten: Ziel ist ein sparsamerer Denkverlauf, nicht die Annahme, dass alle ursprünglichen Einstellungen, Fähigkeiten oder künftigen Aktualisierungen identisch sind.
Geben Sie bei einer Softwareaufgabe den relevanten Code, den beobachteten Fehler, das gewünschte Verhalten und die Schnittstellenverträge an, die unverändert gelten müssen. Verlangen Sie eine gezielte Umsetzung und eine Erklärung, die sich auf den tatsächlichen Quelltext bezieht. Ein praktischer Arbeitsauftrag lautet: „Verfolgen Sie diese fehlschlagende Eingabe, ermitteln Sie die erste falsche Bedingung und geben Sie die korrigierte Funktion samt den Belegen zurück, die die Änderung rechtfertigen.“ Benennen Sie das abschließende Arbeitsergebnis ausdrücklich, auch wenn die Aufgabe mehrere Beobachtungen erfordert.
Zu den vom Hersteller genannten Einsatzfällen zählen Programmierassistenten und Agenten, die zwischen Modellentscheidungen und Werkzeugergebnissen wechseln. Stellen Sie Funktionsbeschreibungen und Argumentschemata bereit, die zur Aufgabe passen. Das Modell kann die Prüfung einer Datei, eine Berechnung oder einen anderen verfügbaren Vorgang vorschlagen; die Anwendung führt ihn aus und liefert die tatsächliche Beobachtung zurück. Verwenden Sie dieses Ergebnis im nächsten Gesprächsschritt, statt einen Handlungsvorschlag als ausgeführte Handlung zu behandeln.
Halten Sie bei längeren Aufgaben den relevanten Fehler, die Korrektur und die Beobachtungen aus der Überprüfung in einer knappen Aufzeichnung fest. Fordern Sie den fertigen Code oder das Analyseergebnis getrennt von der Zwischendiskussion an. Kürzere Denkverläufe sind nur dann nützlich, wenn die Ausgabe weiterhin das geforderte Verhalten erfüllt und die für ihre Prüfung nötigen Belege enthält.
Der Herstellerkatalog von Ember-1 unterstützt Bildeingaben. Eine visuelle Programmieraufgabe kann einen Screenshot mit Anforderungen und Quellcode verbinden und eine Erklärung oder Umsetzung verlangen, die sich auf das Sichtbare stützt. Kennzeichnen Sie jedes Bild und unterscheiden Sie den aktuellen Zustand vom gewünschten Ergebnis. Sorgen Sie dafür, dass wichtiger Text lesbar ist, und verlangen Sie, dass die Antwort das sichtbare Detail benennt, auf dem eine Feststellung beruht.
Der Hersteller gibt einen Kontext in der Größenordnung von einer Million Tokens an. Das ist eine Angabe zur Kapazität für Quellenmaterial und keine eigenständige Zusage ebenso vieler Antwort-Tokens. Prompt, Quellenmaterial, Werkzeugverlauf und erzeugte Denkschritte teilen sich das jeweils geltende Anfragebudget. Ordnen Sie ein großes Repository oder eine Dokumentensammlung nach der tatsächlichen Fragestellung und halten Sie Platz für das Ergebnis frei.
Ein nützliches Arbeitsergebnis ist ein gezielter Patch, eine durch Belege gestützte Erklärung oder ein abgeschlossener Vergleich anhand festgelegter Kriterien. Stellen Sie für eine Tatsache, die von aktuellen Informationen abhängt, eine maßgebliche Textstelle oder ein geeignetes Recherchewerkzeug bereit. Die Ausrichtung des Modells auf kürzere Denkverläufe macht fehlende Belege nicht verfügbar, führt keine Funktion aus und prüft Code nicht eigenständig. Prüfen Sie das entstandene Arbeitsergebnis anhand der Anforderungen und der Beobachtungen, die der umgebende Arbeitsablauf zurückgeliefert hat.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits fireworks/ember-1 | 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 $0.006 / 1K Tokens Ausgabe · Ausgabetoken $0.03 / 1K Tokens Eingabe · Cache lesen $0.0006 / 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 $0.006 / 1K Tokens Ausgabe · Ausgabetoken $0.03 / 1K Tokens Eingabe · Cache lesen $0.0006 / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "fireworks/ember-1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'fireworks/ember-1', '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': 'fireworks/ember-1', '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 fireworks/ember-1
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Fix an inclusive upper-bound error\n\nFind the bug in this Python function: def allowed(age):\n return age > 18 and age < 65\nThe rule permits ages 18 through 65 inclusive. Return the corrected function, explain the boundary error and write tests for ages 17, 18, 65 and 66. Treat the supplied rule as authoritative.A minimal corrected function, a boundary explanation and four executable test cases.Check that both endpoints are accepted and both adjacent out-of-range values are rejected.