Mercury 2.5 ist Inceptions diffusionsbasiertes Reasoning-Sprachmodell. Es folgt auf Mercury 2 mit aktualisiertem Training, das durch Rückmeldungen aus dem Produktivbetrieb und Fehlerfälle geprägt ist, und behält den Fokus der Familie auf reaktionsschneller Textgenerierung bei. Sein veröffentlichtes Profil umfasst einen 260K-Kontext, einstellbares Schlussfolgern, parallele Werkzeugaufrufe und schemakonformes JSON. Die Eingabe ist eine schriftliche Aufgabe mit relevantem Textkontext; die Ausgabe ist Text, Code, ein strukturierter Datensatz oder vorgeschlagener Werkzeugaufrufinhalt.
Die Mercury-Familie generiert Sprache durch parallele Verfeinerung statt ausschließlich durch die Vorhersage eines Tokens nach dem anderen von links nach rechts. Diese Architektur soll wiederholte Modellschritte in einen interaktiven Ablauf einpassen. Einstellbares Schlussfolgern erlaubt dem Herstellerprofil, die Analysetiefe an die Aufgabe anzupassen. Legen Sie das benötigte fertige Ergebnis ausdrücklich fest: Die Antwort kann kurz sein müssen, auch wenn ein Zwischenprozess aufwendiger ist.
Stellen Sie für einen Vergleich die Kriterien und benannten Quellpassagen bereit. Definieren Sie für Extraktion die Felder und ihre Bedeutung. Eine nützliche Aufgabenanweisung lautet: „Wandeln Sie diese Quellpassagen in einen Datensatz der benötigten Spezifikationen um, bewahren Sie Einheiten und benennen Sie die Passage, die jeden Wert stützt.“ Schemakonforme Ausgabe gibt der Anwendung ein geordnetes Ergebnis; die Übereinstimmung mit der Quelle muss weiterhin geprüft werden.
Der Hersteller beschreibt Mercury für Suchplanung, Suchanfragenumformulierung, Faktenstrukturierung, Quellenzusammenfassung und Antwortprüfung. Eine Anwendung kann jedem Schritt einen konkreten Zweck geben und die relevanten Belege an den nächsten weiterreichen. Verlangen Sie bei einer Suchanfragenumformulierung, die tatsächlichen Vorgaben der nutzenden Person zu bewahren, und bei einer Quellenzusammenfassung, die für die abschließende Antwort nötigen Fakten zu erhalten, statt lediglich jede Passage zu verkürzen.
Die parallelen Werkzeugaufrufe von Mercury 2.5 sind nützlich, wenn unabhängige Vorgänge unterschiedliche Beobachtungen für eine Aufgabe gewinnen können. Stellen Sie klare Funktionsdefinitionen und Parameterschemata bereit. Die Anwendung führt die ausgewählten Aufrufe aus und gibt ihre Ergebnisse zurück. Halten Sie Aufrufkennungen und Quellenkennzeichnungen zusammen, damit die abschließende Antwort beobachtete Informationen verwendet und nicht die Annahme, dass ein Werkzeug ausgeführt wurde.
Der Hersteller beschreibt auch Programmierhilfe und unterstützende Vorgänge wie das Verdichten einer langen Sitzung oder das Finden eines geeigneten Werkzeugs. Benennen Sie bei einer Verdichtung, was die nächste Aufgabe benötigt: akzeptierte Anforderungen, aktuelle Fehler, Entscheidungen und die dahinterstehenden Belege. Verlangen Sie vom Modell, diese Punkte zu bewahren und unvollständige Arbeit von einem abgeschlossenen Ergebnis zu unterscheiden.
Stellen Sie für eine Softwareänderung relevanten Code, erwartetes Verhalten und eine fehlschlagende Eingabe oder einen beobachteten Fehler bereit. Verlangen Sie eine gezielte Implementierung mit Erklärung. Wenn eine visuelle oder Sprachanwendung Mercury als Sprachschritt nutzt, stellen Sie den Text oder die Werkzeugbeobachtung bereit, die dieses Modell tatsächlich verarbeitet; Spracherkennung, Sprachsynthese und Medienrendering bleiben getrennte Komponenten.
Der 260K-Kontext gehört zum dokumentierten 2.5-Profil und unterscheidet sich vom 128K-Kontext zur Einführung von Mercury 2 sowie von den spezialisierten Modellen Mercury Voice und Router. Planen Sie Ausgangsmaterial, Verlauf, Schlussfolgern und fertiges Ergebnis gemeinsam. Wählen Sie die Ausgabeform vor Aufgabenbeginn und bewahren Sie Platz für eine Antwort mit allen erforderlichen Details.
Ein nützliches fertiges Ergebnis ist eine strukturierte Extraktion, eine quellenbasierte Erklärung, ein Codevorschlag oder eine knappe Zusammenfassung des Aufgabenstands. Prüfen Sie Fakten anhand des bereitgestellten Materials und Code in seiner vorgesehenen Umgebung. Die Diffusionsarchitektur und der Einsatz für reaktionsschnelle Aufgaben belegen für sich weder Richtigkeit noch Zugriff auf eine externe Quelle oder die Ausführung einer vorgeschlagenen Handlung.
", "aboutText": "Mercury 2.5 ist Inceptions diffusionsbasiertes Reasoning-Sprachmodell. Es folgt auf Mercury 2 mit aktualisiertem Training, das durch Rückmeldungen aus dem Produktivbetrieb und Fehlerfälle geprägt ist, und behält den Fokus der Familie auf reaktionsschneller Textgenerierung bei. Sein veröffentlichtes Profil umfasst einen 260K-Kontext, einstellbares Schlussfolgern, parallele Werkzeugaufrufe und schemakonformes JSON. Die Eingabe ist eine schriftliche Aufgabe mit relevantem Textkontext; die Ausgabe ist Text, Code, ein strukturierter Datensatz oder vorgeschlagener Werkzeugaufrufinhalt.\n\n### Diffusion und Schlussfolgern\n\nDie Mercury-Familie generiert Sprache durch parallele Verfeinerung statt ausschließlich durch die Vorhersage eines Tokens nach dem anderen von links nach rechts. Diese Architektur soll wiederholte Modellschritte in einen interaktiven Ablauf einpassen. Einstellbares Schlussfolgern erlaubt dem Herstellerprofil, die Analysetiefe an die Aufgabe anzupassen. Legen Sie das benötigte fertige Ergebnis ausdrücklich fest: Die Antwort kann kurz sein müssen, auch wenn ein Zwischenprozess aufwendiger ist.\n\nStellen Sie für einen Vergleich die Kriterien und benannten Quellpassagen bereit. Definieren Sie für Extraktion die Felder und ihre Bedeutung. Eine nützliche Aufgabenanweisung lautet: „Wandeln Sie diese Quellpassagen in einen Datensatz der benötigten Spezifikationen um, bewahren Sie Einheiten und benennen Sie die Passage, die jeden Wert stützt.“ Schemakonforme Ausgabe gibt der Anwendung ein geordnetes Ergebnis; die Übereinstimmung mit der Quelle muss weiterhin geprüft werden.\n\n### Such- und Abrufabläufe\n\nDer Hersteller beschreibt Mercury für Suchplanung, Suchanfragenumformulierung, Faktenstrukturierung, Quellenzusammenfassung und Antwortprüfung. Eine Anwendung kann jedem Schritt einen konkreten Zweck geben und die relevanten Belege an den nächsten weiterreichen. Verlangen Sie bei einer Suchanfragenumformulierung, die tatsächlichen Vorgaben der nutzenden Person zu bewahren, und bei einer Quellenzusammenfassung, die für die abschließende Antwort nötigen Fakten zu erhalten, statt lediglich jede Passage zu verkürzen.\n\nDie parallelen Werkzeugaufrufe von Mercury 2.5 sind nützlich, wenn unabhängige Vorgänge unterschiedliche Beobachtungen für eine Aufgabe gewinnen können. Stellen Sie klare Funktionsdefinitionen und Parameterschemata bereit. Die Anwendung führt die ausgewählten Aufrufe aus und gibt ihre Ergebnisse zurück. Halten Sie Aufrufkennungen und Quellenkennzeichnungen zusammen, damit die abschließende Antwort beobachtete Informationen verwendet und nicht die Annahme, dass ein Werkzeug ausgeführt wurde.\n\n### Programmierung und Kontextarbeit\n\nDer Hersteller beschreibt auch Programmierhilfe und unterstützende Vorgänge wie das Verdichten einer langen Sitzung oder das Finden eines geeigneten Werkzeugs. Benennen Sie bei einer Verdichtung, was die nächste Aufgabe benötigt: akzeptierte Anforderungen, aktuelle Fehler, Entscheidungen und die dahinterstehenden Belege. Verlangen Sie vom Modell, diese Punkte zu bewahren und unvollständige Arbeit von einem abgeschlossenen Ergebnis zu unterscheiden.\n\nStellen Sie für eine Softwareänderung relevanten Code, erwartetes Verhalten und eine fehlschlagende Eingabe oder einen beobachteten Fehler bereit. Verlangen Sie eine gezielte Implementierung mit Erklärung. Wenn eine visuelle oder Sprachanwendung Mercury als Sprachschritt nutzt, stellen Sie den Text oder die Werkzeugbeobachtung bereit, die dieses Modell tatsächlich verarbeitet; Spracherkennung, Sprachsynthese und Medienrendering bleiben getrennte Komponenten.\n\n### Grenzen und Ausgabeprüfung\n\nDer 260K-Kontext gehört zum dokumentierten 2.5-Profil und unterscheidet sich vom 128K-Kontext zur Einführung von Mercury 2 sowie von den spezialisierten Modellen Mercury Voice und Router. Planen Sie Ausgangsmaterial, Verlauf, Schlussfolgern und fertiges Ergebnis gemeinsam. Wählen Sie die Ausgabeform vor Aufgabenbeginn und bewahren Sie Platz für eine Antwort mit allen erforderlichen Details.\n\nEin nützliches fertiges Ergebnis ist eine strukturierte Extraktion, eine quellenbasierte Erklärung, ein Codevorschlag oder eine knappe Zusammenfassung des Aufgabenstands. Prüfen Sie Fakten anhand des bereitgestellten Materials und Code in seiner vorgesehenen Umgebung. Die Diffusionsarchitektur und der Einsatz für reaktionsschnelle Aufgaben belegen für sich weder Richtigkeit noch Zugriff auf eine externe Quelle oder die Ausführung einer vorgeschlagenen Handlung.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Rewrite a constrained retrieval query\n\nRewrite this request into two concise search queries for an application's document retriever: 'Find the approved procedure for recovering failed nightly exports without rerunning completed pages, for the warehouse service, excluding the retired batch runner.' Preserve the service, recovery objective and exclusion. Explain briefly what each query emphasizes; do not perform a search.Two query rewrites with short purpose notes, retaining all mandatory constraints.Neither rewrite drops the warehouse-service scope, completed-page protection or retired-runner exclusion.inception/mercury-2.5Mercury 2.5 ist Inceptions diffusionsbasiertes Reasoning-Textmodell mit einem 260K-Kontext. Einstellbares Schlussfolgern, parallele Werkzeugaufrufe und schemakonformes JSON unterstützen Suche, Extraktion, Programmierhilfe und wiederholte Agentenschritte, die ein klares, strukturiertes Ergebnis benötigen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Mercury 2.5 ist Inceptions diffusionsbasiertes Reasoning-Sprachmodell. Es folgt auf Mercury 2 mit aktualisiertem Training, das durch Rückmeldungen aus dem Produktivbetrieb und Fehlerfälle geprägt ist, und behält den Fokus der Familie auf reaktionsschneller Textgenerierung bei. Sein veröffentlichtes Profil umfasst einen 260K-Kontext, einstellbares Schlussfolgern, parallele Werkzeugaufrufe und schemakonformes JSON. Die Eingabe ist eine schriftliche Aufgabe mit relevantem Textkontext; die Ausgabe ist Text, Code, ein strukturierter Datensatz oder vorgeschlagener Werkzeugaufrufinhalt.
Die Mercury-Familie generiert Sprache durch parallele Verfeinerung statt ausschließlich durch die Vorhersage eines Tokens nach dem anderen von links nach rechts. Diese Architektur soll wiederholte Modellschritte in einen interaktiven Ablauf einpassen. Einstellbares Schlussfolgern erlaubt dem Herstellerprofil, die Analysetiefe an die Aufgabe anzupassen. Legen Sie das benötigte fertige Ergebnis ausdrücklich fest: Die Antwort kann kurz sein müssen, auch wenn ein Zwischenprozess aufwendiger ist.
Stellen Sie für einen Vergleich die Kriterien und benannten Quellpassagen bereit. Definieren Sie für Extraktion die Felder und ihre Bedeutung. Eine nützliche Aufgabenanweisung lautet: „Wandeln Sie diese Quellpassagen in einen Datensatz der benötigten Spezifikationen um, bewahren Sie Einheiten und benennen Sie die Passage, die jeden Wert stützt.“ Schemakonforme Ausgabe gibt der Anwendung ein geordnetes Ergebnis; die Übereinstimmung mit der Quelle muss weiterhin geprüft werden.
Der Hersteller beschreibt Mercury für Suchplanung, Suchanfragenumformulierung, Faktenstrukturierung, Quellenzusammenfassung und Antwortprüfung. Eine Anwendung kann jedem Schritt einen konkreten Zweck geben und die relevanten Belege an den nächsten weiterreichen. Verlangen Sie bei einer Suchanfragenumformulierung, die tatsächlichen Vorgaben der nutzenden Person zu bewahren, und bei einer Quellenzusammenfassung, die für die abschließende Antwort nötigen Fakten zu erhalten, statt lediglich jede Passage zu verkürzen.
Die parallelen Werkzeugaufrufe von Mercury 2.5 sind nützlich, wenn unabhängige Vorgänge unterschiedliche Beobachtungen für eine Aufgabe gewinnen können. Stellen Sie klare Funktionsdefinitionen und Parameterschemata bereit. Die Anwendung führt die ausgewählten Aufrufe aus und gibt ihre Ergebnisse zurück. Halten Sie Aufrufkennungen und Quellenkennzeichnungen zusammen, damit die abschließende Antwort beobachtete Informationen verwendet und nicht die Annahme, dass ein Werkzeug ausgeführt wurde.
Der Hersteller beschreibt auch Programmierhilfe und unterstützende Vorgänge wie das Verdichten einer langen Sitzung oder das Finden eines geeigneten Werkzeugs. Benennen Sie bei einer Verdichtung, was die nächste Aufgabe benötigt: akzeptierte Anforderungen, aktuelle Fehler, Entscheidungen und die dahinterstehenden Belege. Verlangen Sie vom Modell, diese Punkte zu bewahren und unvollständige Arbeit von einem abgeschlossenen Ergebnis zu unterscheiden.
Stellen Sie für eine Softwareänderung relevanten Code, erwartetes Verhalten und eine fehlschlagende Eingabe oder einen beobachteten Fehler bereit. Verlangen Sie eine gezielte Implementierung mit Erklärung. Wenn eine visuelle oder Sprachanwendung Mercury als Sprachschritt nutzt, stellen Sie den Text oder die Werkzeugbeobachtung bereit, die dieses Modell tatsächlich verarbeitet; Spracherkennung, Sprachsynthese und Medienrendering bleiben getrennte Komponenten.
Der 260K-Kontext gehört zum dokumentierten 2.5-Profil und unterscheidet sich vom 128K-Kontext zur Einführung von Mercury 2 sowie von den spezialisierten Modellen Mercury Voice und Router. Planen Sie Ausgangsmaterial, Verlauf, Schlussfolgern und fertiges Ergebnis gemeinsam. Wählen Sie die Ausgabeform vor Aufgabenbeginn und bewahren Sie Platz für eine Antwort mit allen erforderlichen Details.
Ein nützliches fertiges Ergebnis ist eine strukturierte Extraktion, eine quellenbasierte Erklärung, ein Codevorschlag oder eine knappe Zusammenfassung des Aufgabenstands. Prüfen Sie Fakten anhand des bereitgestellten Materials und Code in seiner vorgesehenen Umgebung. Die Diffusionsarchitektur und der Einsatz für reaktionsschnelle Aufgaben belegen für sich weder Richtigkeit noch Zugriff auf eine externe Quelle oder die Ausführung einer vorgeschlagenen Handlung.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits inception/mercury-2.5 | 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 $0.0004 / 1K Tokens Ausgabe · Ausgabetoken $0.0015 / 1K Tokens Eingabe · Cache lesen $0.00004 / 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 $0.0004 / 1K Tokens Ausgabe · Ausgabetoken $0.0015 / 1K Tokens Eingabe · Cache lesen $0.00004 / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "inception/mercury-2.5", "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='inception/mercury-2.5',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='inception/mercury-2.5',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 inception/mercury-2.5
Verwenden Sie die oben angezeigten Methodenpfade.
inception/mercury-2.5Mercury 2.5 ist Inceptions diffusionsbasiertes Reasoning-Textmodell mit einem 260K-Kontext. Einstellbares Schlussfolgern, parallele Werkzeugaufrufe und schemakonformes JSON unterstützen Suche, Extraktion, Programmierhilfe und wiederholte Agentenschritte, die ein klares, strukturiertes Ergebnis benötigen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Mercury 2.5 ist Inceptions diffusionsbasiertes Reasoning-Sprachmodell. Es folgt auf Mercury 2 mit aktualisiertem Training, das durch Rückmeldungen aus dem Produktivbetrieb und Fehlerfälle geprägt ist, und behält den Fokus der Familie auf reaktionsschneller Textgenerierung bei. Sein veröffentlichtes Profil umfasst einen 260K-Kontext, einstellbares Schlussfolgern, parallele Werkzeugaufrufe und schemakonformes JSON. Die Eingabe ist eine schriftliche Aufgabe mit relevantem Textkontext; die Ausgabe ist Text, Code, ein strukturierter Datensatz oder vorgeschlagener Werkzeugaufrufinhalt.
Die Mercury-Familie generiert Sprache durch parallele Verfeinerung statt ausschließlich durch die Vorhersage eines Tokens nach dem anderen von links nach rechts. Diese Architektur soll wiederholte Modellschritte in einen interaktiven Ablauf einpassen. Einstellbares Schlussfolgern erlaubt dem Herstellerprofil, die Analysetiefe an die Aufgabe anzupassen. Legen Sie das benötigte fertige Ergebnis ausdrücklich fest: Die Antwort kann kurz sein müssen, auch wenn ein Zwischenprozess aufwendiger ist.
Stellen Sie für einen Vergleich die Kriterien und benannten Quellpassagen bereit. Definieren Sie für Extraktion die Felder und ihre Bedeutung. Eine nützliche Aufgabenanweisung lautet: „Wandeln Sie diese Quellpassagen in einen Datensatz der benötigten Spezifikationen um, bewahren Sie Einheiten und benennen Sie die Passage, die jeden Wert stützt.“ Schemakonforme Ausgabe gibt der Anwendung ein geordnetes Ergebnis; die Übereinstimmung mit der Quelle muss weiterhin geprüft werden.
Der Hersteller beschreibt Mercury für Suchplanung, Suchanfragenumformulierung, Faktenstrukturierung, Quellenzusammenfassung und Antwortprüfung. Eine Anwendung kann jedem Schritt einen konkreten Zweck geben und die relevanten Belege an den nächsten weiterreichen. Verlangen Sie bei einer Suchanfragenumformulierung, die tatsächlichen Vorgaben der nutzenden Person zu bewahren, und bei einer Quellenzusammenfassung, die für die abschließende Antwort nötigen Fakten zu erhalten, statt lediglich jede Passage zu verkürzen.
Die parallelen Werkzeugaufrufe von Mercury 2.5 sind nützlich, wenn unabhängige Vorgänge unterschiedliche Beobachtungen für eine Aufgabe gewinnen können. Stellen Sie klare Funktionsdefinitionen und Parameterschemata bereit. Die Anwendung führt die ausgewählten Aufrufe aus und gibt ihre Ergebnisse zurück. Halten Sie Aufrufkennungen und Quellenkennzeichnungen zusammen, damit die abschließende Antwort beobachtete Informationen verwendet und nicht die Annahme, dass ein Werkzeug ausgeführt wurde.
Der Hersteller beschreibt auch Programmierhilfe und unterstützende Vorgänge wie das Verdichten einer langen Sitzung oder das Finden eines geeigneten Werkzeugs. Benennen Sie bei einer Verdichtung, was die nächste Aufgabe benötigt: akzeptierte Anforderungen, aktuelle Fehler, Entscheidungen und die dahinterstehenden Belege. Verlangen Sie vom Modell, diese Punkte zu bewahren und unvollständige Arbeit von einem abgeschlossenen Ergebnis zu unterscheiden.
Stellen Sie für eine Softwareänderung relevanten Code, erwartetes Verhalten und eine fehlschlagende Eingabe oder einen beobachteten Fehler bereit. Verlangen Sie eine gezielte Implementierung mit Erklärung. Wenn eine visuelle oder Sprachanwendung Mercury als Sprachschritt nutzt, stellen Sie den Text oder die Werkzeugbeobachtung bereit, die dieses Modell tatsächlich verarbeitet; Spracherkennung, Sprachsynthese und Medienrendering bleiben getrennte Komponenten.
Der 260K-Kontext gehört zum dokumentierten 2.5-Profil und unterscheidet sich vom 128K-Kontext zur Einführung von Mercury 2 sowie von den spezialisierten Modellen Mercury Voice und Router. Planen Sie Ausgangsmaterial, Verlauf, Schlussfolgern und fertiges Ergebnis gemeinsam. Wählen Sie die Ausgabeform vor Aufgabenbeginn und bewahren Sie Platz für eine Antwort mit allen erforderlichen Details.
Ein nützliches fertiges Ergebnis ist eine strukturierte Extraktion, eine quellenbasierte Erklärung, ein Codevorschlag oder eine knappe Zusammenfassung des Aufgabenstands. Prüfen Sie Fakten anhand des bereitgestellten Materials und Code in seiner vorgesehenen Umgebung. Die Diffusionsarchitektur und der Einsatz für reaktionsschnelle Aufgaben belegen für sich weder Richtigkeit noch Zugriff auf eine externe Quelle oder die Ausführung einer vorgeschlagenen Handlung.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits inception/mercury-2.5 | 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 $0.0004 / 1K Tokens Ausgabe · Ausgabetoken $0.0015 / 1K Tokens Eingabe · Cache lesen $0.00004 / 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 $0.0004 / 1K Tokens Ausgabe · Ausgabetoken $0.0015 / 1K Tokens Eingabe · Cache lesen $0.00004 / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "inception/mercury-2.5",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'inception/mercury-2.5', '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': 'inception/mercury-2.5', '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 inception/mercury-2.5
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Rewrite a constrained retrieval query\n\nRewrite this request into two concise search queries for an application's document retriever: 'Find the approved procedure for recovering failed nightly exports without rerunning completed pages, for the warehouse service, excluding the retired batch runner.' Preserve the service, recovery objective and exclusion. Explain briefly what each query emphasizes; do not perform a search.Two query rewrites with short purpose notes, retaining all mandatory constraints.Neither rewrite drops the warehouse-service scope, completed-page protection or retired-runner exclusion.