Mercury 2 ist Inceptions Reasoning-Sprachmodell auf Grundlage diffusionsbasierter Textgenerierung. Statt nur sequenziell von links nach rechts zu dekodieren, verfeinert das Modell mehrere Tokens parallel in Richtung des Ergebnisses. Der Hersteller entwickelt dieses Profil für wiederholte interaktive Schritte in Programmierung, Agenten, Abruf und Extraktion. Es akzeptiert schriftliche Anweisungen und Textkontext und erzeugt eine Textantwort, Code, strukturierte Daten oder vorgeschlagene Werkzeugvorgänge.
Die genaue Einführungsbeschreibung nennt einen 128K-Kontext, einstellbares Schlussfolgern, native Werkzeugnutzung und schemakonformes JSON. Diese Funktionen gehören zum dokumentierten Profil von Mercury 2 und sind vom späteren Kontext von Mercury 2.5 sowie den spezialisierten Modellen Voice, Router und Edit getrennt. Legen Sie die Form der abschließenden Antwort ausdrücklich fest, statt aus dem Familiennamen eine Sprach- oder Bearbeitungsausgabe abzuleiten.
Geben Sie für eine einfache Extraktion die Felddefinitionen und die Quellpassage an. Nennen Sie für eine Reasoning-Aufgabe die vollständige Bedingung und die einzuhaltenden Vorgaben. Ein praktisches Briefing lautet: „Vergleichen Sie diese Implementierung mit den Anforderungen, ermitteln Sie die erste Abweichung und geben Sie eine gezielte Korrektur mit stützender Erklärung zurück.“ Das fertige Ergebnis sollte an die Eingabe gebunden bleiben, auch wenn das Modell Zwischenanalysen entwickelt.
Der Hersteller nennt Autovervollständigung, Vorschläge für die nächste Änderung, Refactoring und interaktive Codeagenten als relevante Aufgaben. Stellen Sie die umgebende Implementierung bereit und benennen Sie, was sich ändern soll. Erklären Sie das erwartete Verhalten und bewahren Sie öffentliche Namen oder Schnittstellen, die die Überarbeitung erhalten muss. Ein Änderungsvorschlag kann anschließend auf Eignung geprüft werden, bevor er im tatsächlichen Projekt angewendet wird.
Bei einer werkzeuggeleiteten Entwicklungsaufgabe wählt das Modell aus bereitgestellten Vorgängen, und die Anwendung führt sie aus. Geben Sie reale Fehler, Codeauszüge oder Validierungsbeobachtungen in die nächste Runde zurück. Die generierte Implementierung und ein erfolgreich ausgeführtes Ergebnis sind getrennte Artefakte; die Aufgabe sollte die Beobachtung verlangen, die den Abschluss belegt.
Zu den Herstelleranwendungen von Mercury 2 gehören mehrstufiger Abruf, Reranking und Zusammenfassung. Geben Sie jedem Schritt einen präzisen Zweck: Benennen Sie die zu recherchierende Frage, Kriterien für eine relevante Quelle und die Fakten, die die abschließende Antwort benötigt. Bewahren Sie Quellenkennungen im Ablauf, damit sich eine Zusammenfassung auf ihr Material zurückführen lässt.
Eine strukturierte Ausgabe sollte definierte Felder, klare Typen und eine Konvention für fehlende Informationen haben. Schemakonformität betrifft die Darstellung des Ergebnisses; vergleichen Sie seine Werte mit dem tatsächlichen Dokument oder der Werkzeugbeobachtung. Bewahren Sie bei einer fortgesetzten Aufgabe die nützlichen Feststellungen und offenen Fragen, statt nicht zugehörigen Verlauf anzusammeln.
Mercury 2 kann den Textgenerierungsschritt innerhalb einer Sprach- oder anderen interaktiven Anwendung liefern. Seine dokumentierte Rolle ist dort, Wörter oder Entscheidungen für die umgebenden Komponenten zu erzeugen, die Audio und Wiedergabe übernehmen. Stellen Sie für Transkriptbereinigung die Transkription bereit und legen Sie fest, welcher Wortlaut, welche Namen und welche Bedeutung die Bearbeitung überstehen müssen.
Der 128K-Kontext enthält Ausgangsmaterial, Gespräch und generierte Inhalte gemeinsam. Reservieren Sie Platz für die abschließende Antwort, halten Sie die Frage während Überarbeitungen sichtbar und behandeln Sie die Kontextkapazität nicht als eigenständiges Ausgabebudget. Prüfen Sie generierte Fakten, Code und extrahierte Felder anhand der ursprünglichen Eingabe. Das nützliche Ergebnis ist eine gezielte Antwort oder ein strukturiertes Resultat, das die genannte Aufgabe voranbringt und mit den tatsächlich bereitgestellten Belegen überprüft werden kann.
", "aboutText": "Mercury 2 ist Inceptions Reasoning-Sprachmodell auf Grundlage diffusionsbasierter Textgenerierung. Statt nur sequenziell von links nach rechts zu dekodieren, verfeinert das Modell mehrere Tokens parallel in Richtung des Ergebnisses. Der Hersteller entwickelt dieses Profil für wiederholte interaktive Schritte in Programmierung, Agenten, Abruf und Extraktion. Es akzeptiert schriftliche Anweisungen und Textkontext und erzeugt eine Textantwort, Code, strukturierte Daten oder vorgeschlagene Werkzeugvorgänge.\n\n### Herstellerprofil\n\nDie genaue Einführungsbeschreibung nennt einen 128K-Kontext, einstellbares Schlussfolgern, native Werkzeugnutzung und schemakonformes JSON. Diese Funktionen gehören zum dokumentierten Profil von Mercury 2 und sind vom späteren Kontext von Mercury 2.5 sowie den spezialisierten Modellen Voice, Router und Edit getrennt. Legen Sie die Form der abschließenden Antwort ausdrücklich fest, statt aus dem Familiennamen eine Sprach- oder Bearbeitungsausgabe abzuleiten.\n\nGeben Sie für eine einfache Extraktion die Felddefinitionen und die Quellpassage an. Nennen Sie für eine Reasoning-Aufgabe die vollständige Bedingung und die einzuhaltenden Vorgaben. Ein praktisches Briefing lautet: „Vergleichen Sie diese Implementierung mit den Anforderungen, ermitteln Sie die erste Abweichung und geben Sie eine gezielte Korrektur mit stützender Erklärung zurück.“ Das fertige Ergebnis sollte an die Eingabe gebunden bleiben, auch wenn das Modell Zwischenanalysen entwickelt.\n\n### Programmier- und Bearbeitungshilfe\n\nDer Hersteller nennt Autovervollständigung, Vorschläge für die nächste Änderung, Refactoring und interaktive Codeagenten als relevante Aufgaben. Stellen Sie die umgebende Implementierung bereit und benennen Sie, was sich ändern soll. Erklären Sie das erwartete Verhalten und bewahren Sie öffentliche Namen oder Schnittstellen, die die Überarbeitung erhalten muss. Ein Änderungsvorschlag kann anschließend auf Eignung geprüft werden, bevor er im tatsächlichen Projekt angewendet wird.\n\nBei einer werkzeuggeleiteten Entwicklungsaufgabe wählt das Modell aus bereitgestellten Vorgängen, und die Anwendung führt sie aus. Geben Sie reale Fehler, Codeauszüge oder Validierungsbeobachtungen in die nächste Runde zurück. Die generierte Implementierung und ein erfolgreich ausgeführtes Ergebnis sind getrennte Artefakte; die Aufgabe sollte die Beobachtung verlangen, die den Abschluss belegt.\n\n### Such- und Agentenschleifen\n\nZu den Herstelleranwendungen von Mercury 2 gehören mehrstufiger Abruf, Reranking und Zusammenfassung. Geben Sie jedem Schritt einen präzisen Zweck: Benennen Sie die zu recherchierende Frage, Kriterien für eine relevante Quelle und die Fakten, die die abschließende Antwort benötigt. Bewahren Sie Quellenkennungen im Ablauf, damit sich eine Zusammenfassung auf ihr Material zurückführen lässt.\n\nEine strukturierte Ausgabe sollte definierte Felder, klare Typen und eine Konvention für fehlende Informationen haben. Schemakonformität betrifft die Darstellung des Ergebnisses; vergleichen Sie seine Werte mit dem tatsächlichen Dokument oder der Werkzeugbeobachtung. Bewahren Sie bei einer fortgesetzten Aufgabe die nützlichen Feststellungen und offenen Fragen, statt nicht zugehörigen Verlauf anzusammeln.\n\n### Interaktive Sprachaufgaben und Grenzen\n\nMercury 2 kann den Textgenerierungsschritt innerhalb einer Sprach- oder anderen interaktiven Anwendung liefern. Seine dokumentierte Rolle ist dort, Wörter oder Entscheidungen für die umgebenden Komponenten zu erzeugen, die Audio und Wiedergabe übernehmen. Stellen Sie für Transkriptbereinigung die Transkription bereit und legen Sie fest, welcher Wortlaut, welche Namen und welche Bedeutung die Bearbeitung überstehen müssen.\n\nDer 128K-Kontext enthält Ausgangsmaterial, Gespräch und generierte Inhalte gemeinsam. Reservieren Sie Platz für die abschließende Antwort, halten Sie die Frage während Überarbeitungen sichtbar und behandeln Sie die Kontextkapazität nicht als eigenständiges Ausgabebudget. Prüfen Sie generierte Fakten, Code und extrahierte Felder anhand der ursprünglichen Eingabe. Das nützliche Ergebnis ist eine gezielte Antwort oder ein strukturiertes Resultat, das die genannte Aufgabe voranbringt und mit den tatsächlich bereitgestellten Belegen überprüft werden kann.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Clean up a dictated task note\n\nClean up this supplied transcript for a task tracker: "Um, ask Rina, no, ask Sam to review invoice INV-209 before Thursday. Keep Rina copied. It is 480 euros, not 840." Remove fillers and false starts while preserving the corrected owner, copied person, invoice ID, deadline and amount. Return one clear task sentence.One cleaned task sentence retaining the final owner, copy instruction, invoice ID, deadline and corrected amount.Check that Sam owns review, Rina is copied and the amount is 480 euros.inception/mercury-2Mercury 2 ist Inceptions diffusionsbasiertes Reasoning-Textmodell für interaktive Programmier-, Such- und Agentenabläufe. Parallele Verfeinerung, 128K-Kontext, einstellbares Schlussfolgern, native Werkzeugnutzung und schemakonformes JSON helfen, gezielte Antworten und strukturierte Ergebnisse aus Text zu erzeugen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Mercury 2 ist Inceptions Reasoning-Sprachmodell auf Grundlage diffusionsbasierter Textgenerierung. Statt nur sequenziell von links nach rechts zu dekodieren, verfeinert das Modell mehrere Tokens parallel in Richtung des Ergebnisses. Der Hersteller entwickelt dieses Profil für wiederholte interaktive Schritte in Programmierung, Agenten, Abruf und Extraktion. Es akzeptiert schriftliche Anweisungen und Textkontext und erzeugt eine Textantwort, Code, strukturierte Daten oder vorgeschlagene Werkzeugvorgänge.
Die genaue Einführungsbeschreibung nennt einen 128K-Kontext, einstellbares Schlussfolgern, native Werkzeugnutzung und schemakonformes JSON. Diese Funktionen gehören zum dokumentierten Profil von Mercury 2 und sind vom späteren Kontext von Mercury 2.5 sowie den spezialisierten Modellen Voice, Router und Edit getrennt. Legen Sie die Form der abschließenden Antwort ausdrücklich fest, statt aus dem Familiennamen eine Sprach- oder Bearbeitungsausgabe abzuleiten.
Geben Sie für eine einfache Extraktion die Felddefinitionen und die Quellpassage an. Nennen Sie für eine Reasoning-Aufgabe die vollständige Bedingung und die einzuhaltenden Vorgaben. Ein praktisches Briefing lautet: „Vergleichen Sie diese Implementierung mit den Anforderungen, ermitteln Sie die erste Abweichung und geben Sie eine gezielte Korrektur mit stützender Erklärung zurück.“ Das fertige Ergebnis sollte an die Eingabe gebunden bleiben, auch wenn das Modell Zwischenanalysen entwickelt.
Der Hersteller nennt Autovervollständigung, Vorschläge für die nächste Änderung, Refactoring und interaktive Codeagenten als relevante Aufgaben. Stellen Sie die umgebende Implementierung bereit und benennen Sie, was sich ändern soll. Erklären Sie das erwartete Verhalten und bewahren Sie öffentliche Namen oder Schnittstellen, die die Überarbeitung erhalten muss. Ein Änderungsvorschlag kann anschließend auf Eignung geprüft werden, bevor er im tatsächlichen Projekt angewendet wird.
Bei einer werkzeuggeleiteten Entwicklungsaufgabe wählt das Modell aus bereitgestellten Vorgängen, und die Anwendung führt sie aus. Geben Sie reale Fehler, Codeauszüge oder Validierungsbeobachtungen in die nächste Runde zurück. Die generierte Implementierung und ein erfolgreich ausgeführtes Ergebnis sind getrennte Artefakte; die Aufgabe sollte die Beobachtung verlangen, die den Abschluss belegt.
Zu den Herstelleranwendungen von Mercury 2 gehören mehrstufiger Abruf, Reranking und Zusammenfassung. Geben Sie jedem Schritt einen präzisen Zweck: Benennen Sie die zu recherchierende Frage, Kriterien für eine relevante Quelle und die Fakten, die die abschließende Antwort benötigt. Bewahren Sie Quellenkennungen im Ablauf, damit sich eine Zusammenfassung auf ihr Material zurückführen lässt.
Eine strukturierte Ausgabe sollte definierte Felder, klare Typen und eine Konvention für fehlende Informationen haben. Schemakonformität betrifft die Darstellung des Ergebnisses; vergleichen Sie seine Werte mit dem tatsächlichen Dokument oder der Werkzeugbeobachtung. Bewahren Sie bei einer fortgesetzten Aufgabe die nützlichen Feststellungen und offenen Fragen, statt nicht zugehörigen Verlauf anzusammeln.
Mercury 2 kann den Textgenerierungsschritt innerhalb einer Sprach- oder anderen interaktiven Anwendung liefern. Seine dokumentierte Rolle ist dort, Wörter oder Entscheidungen für die umgebenden Komponenten zu erzeugen, die Audio und Wiedergabe übernehmen. Stellen Sie für Transkriptbereinigung die Transkription bereit und legen Sie fest, welcher Wortlaut, welche Namen und welche Bedeutung die Bearbeitung überstehen müssen.
Der 128K-Kontext enthält Ausgangsmaterial, Gespräch und generierte Inhalte gemeinsam. Reservieren Sie Platz für die abschließende Antwort, halten Sie die Frage während Überarbeitungen sichtbar und behandeln Sie die Kontextkapazität nicht als eigenständiges Ausgabebudget. Prüfen Sie generierte Fakten, Code und extrahierte Felder anhand der ursprünglichen Eingabe. Das nützliche Ergebnis ist eine gezielte Antwort oder ein strukturiertes Resultat, das die genannte Aufgabe voranbringt und mit den tatsächlich bereitgestellten Belegen überprüft werden kann.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits inception/mercury-2 | 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 $0.0005 / 1K Tokens Ausgabe · Ausgabetoken $0.0015 / 1K Tokens Eingabe · Cache lesen $0.00005 / 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 $0.0005 / 1K Tokens Ausgabe · Ausgabetoken $0.0015 / 1K Tokens Eingabe · Cache lesen $0.00005 / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${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", "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',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',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
Verwenden Sie die oben angezeigten Methodenpfade.
inception/mercury-2Mercury 2 ist Inceptions diffusionsbasiertes Reasoning-Textmodell für interaktive Programmier-, Such- und Agentenabläufe. Parallele Verfeinerung, 128K-Kontext, einstellbares Schlussfolgern, native Werkzeugnutzung und schemakonformes JSON helfen, gezielte Antworten und strukturierte Ergebnisse aus Text zu erzeugen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Mercury 2 ist Inceptions Reasoning-Sprachmodell auf Grundlage diffusionsbasierter Textgenerierung. Statt nur sequenziell von links nach rechts zu dekodieren, verfeinert das Modell mehrere Tokens parallel in Richtung des Ergebnisses. Der Hersteller entwickelt dieses Profil für wiederholte interaktive Schritte in Programmierung, Agenten, Abruf und Extraktion. Es akzeptiert schriftliche Anweisungen und Textkontext und erzeugt eine Textantwort, Code, strukturierte Daten oder vorgeschlagene Werkzeugvorgänge.
Die genaue Einführungsbeschreibung nennt einen 128K-Kontext, einstellbares Schlussfolgern, native Werkzeugnutzung und schemakonformes JSON. Diese Funktionen gehören zum dokumentierten Profil von Mercury 2 und sind vom späteren Kontext von Mercury 2.5 sowie den spezialisierten Modellen Voice, Router und Edit getrennt. Legen Sie die Form der abschließenden Antwort ausdrücklich fest, statt aus dem Familiennamen eine Sprach- oder Bearbeitungsausgabe abzuleiten.
Geben Sie für eine einfache Extraktion die Felddefinitionen und die Quellpassage an. Nennen Sie für eine Reasoning-Aufgabe die vollständige Bedingung und die einzuhaltenden Vorgaben. Ein praktisches Briefing lautet: „Vergleichen Sie diese Implementierung mit den Anforderungen, ermitteln Sie die erste Abweichung und geben Sie eine gezielte Korrektur mit stützender Erklärung zurück.“ Das fertige Ergebnis sollte an die Eingabe gebunden bleiben, auch wenn das Modell Zwischenanalysen entwickelt.
Der Hersteller nennt Autovervollständigung, Vorschläge für die nächste Änderung, Refactoring und interaktive Codeagenten als relevante Aufgaben. Stellen Sie die umgebende Implementierung bereit und benennen Sie, was sich ändern soll. Erklären Sie das erwartete Verhalten und bewahren Sie öffentliche Namen oder Schnittstellen, die die Überarbeitung erhalten muss. Ein Änderungsvorschlag kann anschließend auf Eignung geprüft werden, bevor er im tatsächlichen Projekt angewendet wird.
Bei einer werkzeuggeleiteten Entwicklungsaufgabe wählt das Modell aus bereitgestellten Vorgängen, und die Anwendung führt sie aus. Geben Sie reale Fehler, Codeauszüge oder Validierungsbeobachtungen in die nächste Runde zurück. Die generierte Implementierung und ein erfolgreich ausgeführtes Ergebnis sind getrennte Artefakte; die Aufgabe sollte die Beobachtung verlangen, die den Abschluss belegt.
Zu den Herstelleranwendungen von Mercury 2 gehören mehrstufiger Abruf, Reranking und Zusammenfassung. Geben Sie jedem Schritt einen präzisen Zweck: Benennen Sie die zu recherchierende Frage, Kriterien für eine relevante Quelle und die Fakten, die die abschließende Antwort benötigt. Bewahren Sie Quellenkennungen im Ablauf, damit sich eine Zusammenfassung auf ihr Material zurückführen lässt.
Eine strukturierte Ausgabe sollte definierte Felder, klare Typen und eine Konvention für fehlende Informationen haben. Schemakonformität betrifft die Darstellung des Ergebnisses; vergleichen Sie seine Werte mit dem tatsächlichen Dokument oder der Werkzeugbeobachtung. Bewahren Sie bei einer fortgesetzten Aufgabe die nützlichen Feststellungen und offenen Fragen, statt nicht zugehörigen Verlauf anzusammeln.
Mercury 2 kann den Textgenerierungsschritt innerhalb einer Sprach- oder anderen interaktiven Anwendung liefern. Seine dokumentierte Rolle ist dort, Wörter oder Entscheidungen für die umgebenden Komponenten zu erzeugen, die Audio und Wiedergabe übernehmen. Stellen Sie für Transkriptbereinigung die Transkription bereit und legen Sie fest, welcher Wortlaut, welche Namen und welche Bedeutung die Bearbeitung überstehen müssen.
Der 128K-Kontext enthält Ausgangsmaterial, Gespräch und generierte Inhalte gemeinsam. Reservieren Sie Platz für die abschließende Antwort, halten Sie die Frage während Überarbeitungen sichtbar und behandeln Sie die Kontextkapazität nicht als eigenständiges Ausgabebudget. Prüfen Sie generierte Fakten, Code und extrahierte Felder anhand der ursprünglichen Eingabe. Das nützliche Ergebnis ist eine gezielte Antwort oder ein strukturiertes Resultat, das die genannte Aufgabe voranbringt und mit den tatsächlich bereitgestellten Belegen überprüft werden kann.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits inception/mercury-2 | 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 $0.0005 / 1K Tokens Ausgabe · Ausgabetoken $0.0015 / 1K Tokens Eingabe · Cache lesen $0.00005 / 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 $0.0005 / 1K Tokens Ausgabe · Ausgabetoken $0.0015 / 1K Tokens Eingabe · Cache lesen $0.00005 / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "inception/mercury-2",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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', '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', '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
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Clean up a dictated task note\n\nClean up this supplied transcript for a task tracker: "Um, ask Rina, no, ask Sam to review invoice INV-209 before Thursday. Keep Rina copied. It is 480 euros, not 840." Remove fillers and false starts while preserving the corrected owner, copied person, invoice ID, deadline and amount. Return one clear task sentence.One cleaned task sentence retaining the final owner, copy instruction, invoice ID, deadline and corrected amount.Check that Sam owns review, Rina is copied and the amount is 480 euros.