Ling 3.1 Flash ist inclusionAIs hybrides Reasoning-Sprachmodell für Aufgaben mit mehreren Stufen statt nur einer kurzen Antwort. Der Hersteller positioniert es für alltägliche Büroarbeit, umfangreiche Softwareentwicklung und komplexe Agentenabläufe. Es verwendet eine Mixture-of-Experts-Architektur mit insgesamt etwa 560 Milliarden Parametern und ungefähr 25 Milliarden aktiven Parametern pro Token und verbindet damit große Modellkapazität mit einem kleineren Umfang aktiver Berechnung.
Sein zentrales Entwicklungsziel ist, den Aufgabenstand zu bewahren und bei längeren Arbeiten den Kurs zu korrigieren. In einem werkzeugverbundenen Ablauf kann das Modell mehrere Schritte planen, Zwischenergebnisse interpretieren und den nächsten Schritt überarbeiten, wenn sich die Beleglage ändert. Geben Sie ein präzises Ziel, die verfügbaren Materialien und eine Abschlussdefinition vor. Zum Beispiel: „Prüfen Sie diese Vorfallsnotizen, ermitteln Sie die ungeklärten Ursachen und erstellen Sie einen priorisierten Untersuchungsplan. Benennen Sie für jede Handlung die Belege, anhand derer sich beurteilen lässt, ob sie gewirkt hat.“ So wird aus einer vagen Anfrage ein Ergebnis, das sich prüfen und fortsetzen lässt.
Für Büroarbeit sind unter anderem Quellnotizen, aus Dokumenten extrahierter Text, Tabellen mit klaren Spaltendefinitionen und die vorgesehene Zielgruppe eines Berichts nützliche Eingaben. Legen Sie Zeitraum, Einheiten und Vergleichsgrundlage fest. Verlangen Sie ein schriftliches Ergebnis wie ein Managementbriefing, eine Berichtsgliederung oder eine Erklärung der wesentlichen Änderungen. Ein Beispiel lautet: „Erklären Sie ausschließlich anhand dieser Quartalstabellen die größten Veränderungen, unterscheiden Sie beobachtete Werte von Annahmen und entwerfen Sie ein Briefing mit den unbeantworteten Fragen am Schluss.“ Bewahren Sie Quellenkennzeichnungen bei der Eingabe, damit sich die resultierenden Aussagen auf das richtige Material zurückführen lassen.
Für Softwareentwicklung hebt der Hersteller sprachübergreifendes Refactoring, Leistungsoptimierung und die Analyse häufig genutzter Bereiche einer Codebasis hervor. Stellen Sie die relevanten Dateien als Text, das zu bewahrende Verhalten, Abhängigkeitsversionen sowie fehlerhafte Ausgaben oder Messungen bereit. Eine nützliche Anfrage verlangt einen Änderungsvorschlag und die zu seiner Beurteilung nötigen Prüfungen: „Überarbeiten Sie diesen Parser und bewahren Sie dabei das dokumentierte Ausgabeformat. Erklären Sie das betroffene Verhalten, zeigen Sie den überarbeiteten Code und benennen Sie Fälle, die eine Regression aufdecken würden.“ Stellen Sie für Leistungsoptimierung tatsächliche Profile oder Zeitmessungen bereit und verlangen Sie, jede Empfehlung mit einem gemessenen Engpass zu verknüpfen.
Sammeln Sie für fachliche Analysen die relevanten Regeln, Definitionen und Belege, bevor Sie eine Empfehlung anfordern. Ling 3.1 Flash soll verstreute Informationen zusammenführen, Kennzahlen interpretieren und Handlungsvorschläge entwickeln. Verlangen Sie einen Vergleich, der Annahmen und noch benötigte Informationen nennt, statt eines unbelegten Urteils. Stellen Sie beispielsweise mehrere Projektvorschläge bereit und verlangen Sie eine Entscheidungsvorlage mit denselben Kriterien für jeden Vorschlag, wobei quellenbelegte Beobachtungen von abgeleiteten Folgen getrennt sind. Verlangen Sie bei widersprüchlichen Belegen die widersprechenden Passagen und die Frage, die den Widerspruch klären würde.
Der Hersteller unterscheidet eine modellseitige Kontextobergrenze von 1 Million Tokens vom derzeit durch seinen offiziellen Dienst freigegebenen 256K-Kontext. Diese Werte beschreiben unterschiedliche Grenzen. Ordnen Sie Arbeitsmaterial nach dem geltenden Fenster und reservieren Sie Platz für die Antwort; eine Obergrenze des Modells bedeutet nicht, dass jede Schnittstelle so viel Eingabe akzeptiert. Halten Sie für eine große Aufgabe Ziel, abgeschlossene Entscheidungen, offene Fragen und Quellenverweise zusammen. Verwenden Sie ausdrückliche Grenzen um Dokumente und Code, damit zu analysierendes Material nicht mit zu befolgenden Anweisungen verwechselt wird.
Bereiten Sie werkzeugverbundene Aufgaben mit klaren Werkzeugbeschreibungen, erwarteten Argumenten und nützlichen Ergebnisaufzeichnungen vor. Führen Sie tatsächliche Ergebnisse in das Gespräch zurück, damit der nächste Vorschlag auf Beobachtungen beruht. Verlangen Sie vom Modell eine Erklärung, was ein zurückgegebenes Ergebnis verändert und welche Belege noch fehlen. Das agentenorientierte Modelldesign unterstützt dieses Planungs- und Rückkopplungsmuster; die umgebende Anwendung führt die Werkzeugschritte aus und bewahrt ihre Ergebnisse. Ein vorgeschlagener Befehl, eine Codeänderung oder ein Bericht ist besonders nützlich, wenn sein Status klar ist: vorgeschlagen, mit aufgezeichnetem Ergebnis ausgeführt oder noch zu überprüfen.
Ling 3.1 Flash gehört zur Sprachmodellreihe; die separate Ausgabe Ling 3.0 Flash VL ist das visuelle Modell des Herstellers. Bereiten Sie für diese Textaufgabe textuelles Ausgangsmaterial vor und bewahren Sie dessen Struktur, Kennzeichnungen und Herkunft. Legen Sie Ausgabesprache und -form fest, etwa eine knappe Notiz, eine Tabelle von Feststellungen, eine Patch-Erklärung oder einen nummerierten Plan. Verlangen Sie, dass das Modell fehlende Informationen kennzeichnet, und prüfen Sie das gewünschte Ergebnis anhand der ursprünglichen Vorgaben. Auch lange Abläufe benötigen die Kontrolle von Zwischenergebnissen: Eine frühe falsche Annahme kann sonst in spätere Schlussfolgerungen übernommen und zu einem überzeugend wirkenden Abschlussbericht ausgearbeitet werden.
", "aboutText": "Ling 3.1 Flash ist inclusionAIs hybrides Reasoning-Sprachmodell für Aufgaben mit mehreren Stufen statt nur einer kurzen Antwort. Der Hersteller positioniert es für alltägliche Büroarbeit, umfangreiche Softwareentwicklung und komplexe Agentenabläufe. Es verwendet eine Mixture-of-Experts-Architektur mit insgesamt etwa 560 Milliarden Parametern und ungefähr 25 Milliarden aktiven Parametern pro Token und verbindet damit große Modellkapazität mit einem kleineren Umfang aktiver Berechnung.\n\nSein zentrales Entwicklungsziel ist, den Aufgabenstand zu bewahren und bei längeren Arbeiten den Kurs zu korrigieren. In einem werkzeugverbundenen Ablauf kann das Modell mehrere Schritte planen, Zwischenergebnisse interpretieren und den nächsten Schritt überarbeiten, wenn sich die Beleglage ändert. Geben Sie ein präzises Ziel, die verfügbaren Materialien und eine Abschlussdefinition vor. Zum Beispiel: „Prüfen Sie diese Vorfallsnotizen, ermitteln Sie die ungeklärten Ursachen und erstellen Sie einen priorisierten Untersuchungsplan. Benennen Sie für jede Handlung die Belege, anhand derer sich beurteilen lässt, ob sie gewirkt hat.“ So wird aus einer vagen Anfrage ein Ergebnis, das sich prüfen und fortsetzen lässt.\n\nFür Büroarbeit sind unter anderem Quellnotizen, aus Dokumenten extrahierter Text, Tabellen mit klaren Spaltendefinitionen und die vorgesehene Zielgruppe eines Berichts nützliche Eingaben. Legen Sie Zeitraum, Einheiten und Vergleichsgrundlage fest. Verlangen Sie ein schriftliches Ergebnis wie ein Managementbriefing, eine Berichtsgliederung oder eine Erklärung der wesentlichen Änderungen. Ein Beispiel lautet: „Erklären Sie ausschließlich anhand dieser Quartalstabellen die größten Veränderungen, unterscheiden Sie beobachtete Werte von Annahmen und entwerfen Sie ein Briefing mit den unbeantworteten Fragen am Schluss.“ Bewahren Sie Quellenkennzeichnungen bei der Eingabe, damit sich die resultierenden Aussagen auf das richtige Material zurückführen lassen.\n\nFür Softwareentwicklung hebt der Hersteller sprachübergreifendes Refactoring, Leistungsoptimierung und die Analyse häufig genutzter Bereiche einer Codebasis hervor. Stellen Sie die relevanten Dateien als Text, das zu bewahrende Verhalten, Abhängigkeitsversionen sowie fehlerhafte Ausgaben oder Messungen bereit. Eine nützliche Anfrage verlangt einen Änderungsvorschlag und die zu seiner Beurteilung nötigen Prüfungen: „Überarbeiten Sie diesen Parser und bewahren Sie dabei das dokumentierte Ausgabeformat. Erklären Sie das betroffene Verhalten, zeigen Sie den überarbeiteten Code und benennen Sie Fälle, die eine Regression aufdecken würden.“ Stellen Sie für Leistungsoptimierung tatsächliche Profile oder Zeitmessungen bereit und verlangen Sie, jede Empfehlung mit einem gemessenen Engpass zu verknüpfen.\n\nSammeln Sie für fachliche Analysen die relevanten Regeln, Definitionen und Belege, bevor Sie eine Empfehlung anfordern. Ling 3.1 Flash soll verstreute Informationen zusammenführen, Kennzahlen interpretieren und Handlungsvorschläge entwickeln. Verlangen Sie einen Vergleich, der Annahmen und noch benötigte Informationen nennt, statt eines unbelegten Urteils. Stellen Sie beispielsweise mehrere Projektvorschläge bereit und verlangen Sie eine Entscheidungsvorlage mit denselben Kriterien für jeden Vorschlag, wobei quellenbelegte Beobachtungen von abgeleiteten Folgen getrennt sind. Verlangen Sie bei widersprüchlichen Belegen die widersprechenden Passagen und die Frage, die den Widerspruch klären würde.\n\nDer Hersteller unterscheidet eine modellseitige Kontextobergrenze von 1 Million Tokens vom derzeit durch seinen offiziellen Dienst freigegebenen 256K-Kontext. Diese Werte beschreiben unterschiedliche Grenzen. Ordnen Sie Arbeitsmaterial nach dem geltenden Fenster und reservieren Sie Platz für die Antwort; eine Obergrenze des Modells bedeutet nicht, dass jede Schnittstelle so viel Eingabe akzeptiert. Halten Sie für eine große Aufgabe Ziel, abgeschlossene Entscheidungen, offene Fragen und Quellenverweise zusammen. Verwenden Sie ausdrückliche Grenzen um Dokumente und Code, damit zu analysierendes Material nicht mit zu befolgenden Anweisungen verwechselt wird.\n\nBereiten Sie werkzeugverbundene Aufgaben mit klaren Werkzeugbeschreibungen, erwarteten Argumenten und nützlichen Ergebnisaufzeichnungen vor. Führen Sie tatsächliche Ergebnisse in das Gespräch zurück, damit der nächste Vorschlag auf Beobachtungen beruht. Verlangen Sie vom Modell eine Erklärung, was ein zurückgegebenes Ergebnis verändert und welche Belege noch fehlen. Das agentenorientierte Modelldesign unterstützt dieses Planungs- und Rückkopplungsmuster; die umgebende Anwendung führt die Werkzeugschritte aus und bewahrt ihre Ergebnisse. Ein vorgeschlagener Befehl, eine Codeänderung oder ein Bericht ist besonders nützlich, wenn sein Status klar ist: vorgeschlagen, mit aufgezeichnetem Ergebnis ausgeführt oder noch zu überprüfen.\n\nLing 3.1 Flash gehört zur Sprachmodellreihe; die separate Ausgabe Ling 3.0 Flash VL ist das visuelle Modell des Herstellers. Bereiten Sie für diese Textaufgabe textuelles Ausgangsmaterial vor und bewahren Sie dessen Struktur, Kennzeichnungen und Herkunft. Legen Sie Ausgabesprache und -form fest, etwa eine knappe Notiz, eine Tabelle von Feststellungen, eine Patch-Erklärung oder einen nummerierten Plan. Verlangen Sie, dass das Modell fehlende Informationen kennzeichnet, und prüfen Sie das gewünschte Ergebnis anhand der ursprünglichen Vorgaben. Auch lange Abläufe benötigen die Kontrolle von Zwischenergebnissen: Eine frühe falsche Annahme kann sonst in spätere Schlussfolgerungen übernommen und zu einem überzeugend wirkenden Abschlussbericht ausgearbeitet werden.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "5fc850d8619dd03343ba6564dc025a9e233f658bc0680d92b8ec031e26cf89ef", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "de-at", "methods": [ { "html": "inclusionai/ling-3.1-flashLing 3.1 Flash ist inclusionAIs hybrides Reasoning-Modell für Büroarbeit, umfangreiche Softwareentwicklung und komplexe Agenten. Seine dünn besetzte Architektur mit 560 Milliarden Parametern aktiviert etwa 25 Milliarden pro Token und unterstützt mehrstufige Planung, Werkzeuginteraktion und Überarbeitung anhand von Zwischenergebnissen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Ling 3.1 Flash ist inclusionAIs hybrides Reasoning-Sprachmodell für Aufgaben mit mehreren Stufen statt nur einer kurzen Antwort. Der Hersteller positioniert es für alltägliche Büroarbeit, umfangreiche Softwareentwicklung und komplexe Agentenabläufe. Es verwendet eine Mixture-of-Experts-Architektur mit insgesamt etwa 560 Milliarden Parametern und ungefähr 25 Milliarden aktiven Parametern pro Token und verbindet damit große Modellkapazität mit einem kleineren Umfang aktiver Berechnung.
Sein zentrales Entwicklungsziel ist, den Aufgabenstand zu bewahren und bei längeren Arbeiten den Kurs zu korrigieren. In einem werkzeugverbundenen Ablauf kann das Modell mehrere Schritte planen, Zwischenergebnisse interpretieren und den nächsten Schritt überarbeiten, wenn sich die Beleglage ändert. Geben Sie ein präzises Ziel, die verfügbaren Materialien und eine Abschlussdefinition vor. Zum Beispiel: „Prüfen Sie diese Vorfallsnotizen, ermitteln Sie die ungeklärten Ursachen und erstellen Sie einen priorisierten Untersuchungsplan. Benennen Sie für jede Handlung die Belege, anhand derer sich beurteilen lässt, ob sie gewirkt hat.“ So wird aus einer vagen Anfrage ein Ergebnis, das sich prüfen und fortsetzen lässt.
Für Büroarbeit sind unter anderem Quellnotizen, aus Dokumenten extrahierter Text, Tabellen mit klaren Spaltendefinitionen und die vorgesehene Zielgruppe eines Berichts nützliche Eingaben. Legen Sie Zeitraum, Einheiten und Vergleichsgrundlage fest. Verlangen Sie ein schriftliches Ergebnis wie ein Managementbriefing, eine Berichtsgliederung oder eine Erklärung der wesentlichen Änderungen. Ein Beispiel lautet: „Erklären Sie ausschließlich anhand dieser Quartalstabellen die größten Veränderungen, unterscheiden Sie beobachtete Werte von Annahmen und entwerfen Sie ein Briefing mit den unbeantworteten Fragen am Schluss.“ Bewahren Sie Quellenkennzeichnungen bei der Eingabe, damit sich die resultierenden Aussagen auf das richtige Material zurückführen lassen.
Für Softwareentwicklung hebt der Hersteller sprachübergreifendes Refactoring, Leistungsoptimierung und die Analyse häufig genutzter Bereiche einer Codebasis hervor. Stellen Sie die relevanten Dateien als Text, das zu bewahrende Verhalten, Abhängigkeitsversionen sowie fehlerhafte Ausgaben oder Messungen bereit. Eine nützliche Anfrage verlangt einen Änderungsvorschlag und die zu seiner Beurteilung nötigen Prüfungen: „Überarbeiten Sie diesen Parser und bewahren Sie dabei das dokumentierte Ausgabeformat. Erklären Sie das betroffene Verhalten, zeigen Sie den überarbeiteten Code und benennen Sie Fälle, die eine Regression aufdecken würden.“ Stellen Sie für Leistungsoptimierung tatsächliche Profile oder Zeitmessungen bereit und verlangen Sie, jede Empfehlung mit einem gemessenen Engpass zu verknüpfen.
Sammeln Sie für fachliche Analysen die relevanten Regeln, Definitionen und Belege, bevor Sie eine Empfehlung anfordern. Ling 3.1 Flash soll verstreute Informationen zusammenführen, Kennzahlen interpretieren und Handlungsvorschläge entwickeln. Verlangen Sie einen Vergleich, der Annahmen und noch benötigte Informationen nennt, statt eines unbelegten Urteils. Stellen Sie beispielsweise mehrere Projektvorschläge bereit und verlangen Sie eine Entscheidungsvorlage mit denselben Kriterien für jeden Vorschlag, wobei quellenbelegte Beobachtungen von abgeleiteten Folgen getrennt sind. Verlangen Sie bei widersprüchlichen Belegen die widersprechenden Passagen und die Frage, die den Widerspruch klären würde.
Der Hersteller unterscheidet eine modellseitige Kontextobergrenze von 1 Million Tokens vom derzeit durch seinen offiziellen Dienst freigegebenen 256K-Kontext. Diese Werte beschreiben unterschiedliche Grenzen. Ordnen Sie Arbeitsmaterial nach dem geltenden Fenster und reservieren Sie Platz für die Antwort; eine Obergrenze des Modells bedeutet nicht, dass jede Schnittstelle so viel Eingabe akzeptiert. Halten Sie für eine große Aufgabe Ziel, abgeschlossene Entscheidungen, offene Fragen und Quellenverweise zusammen. Verwenden Sie ausdrückliche Grenzen um Dokumente und Code, damit zu analysierendes Material nicht mit zu befolgenden Anweisungen verwechselt wird.
Bereiten Sie werkzeugverbundene Aufgaben mit klaren Werkzeugbeschreibungen, erwarteten Argumenten und nützlichen Ergebnisaufzeichnungen vor. Führen Sie tatsächliche Ergebnisse in das Gespräch zurück, damit der nächste Vorschlag auf Beobachtungen beruht. Verlangen Sie vom Modell eine Erklärung, was ein zurückgegebenes Ergebnis verändert und welche Belege noch fehlen. Das agentenorientierte Modelldesign unterstützt dieses Planungs- und Rückkopplungsmuster; die umgebende Anwendung führt die Werkzeugschritte aus und bewahrt ihre Ergebnisse. Ein vorgeschlagener Befehl, eine Codeänderung oder ein Bericht ist besonders nützlich, wenn sein Status klar ist: vorgeschlagen, mit aufgezeichnetem Ergebnis ausgeführt oder noch zu überprüfen.
Ling 3.1 Flash gehört zur Sprachmodellreihe; die separate Ausgabe Ling 3.0 Flash VL ist das visuelle Modell des Herstellers. Bereiten Sie für diese Textaufgabe textuelles Ausgangsmaterial vor und bewahren Sie dessen Struktur, Kennzeichnungen und Herkunft. Legen Sie Ausgabesprache und -form fest, etwa eine knappe Notiz, eine Tabelle von Feststellungen, eine Patch-Erklärung oder einen nummerierten Plan. Verlangen Sie, dass das Modell fehlende Informationen kennzeichnet, und prüfen Sie das gewünschte Ergebnis anhand der ursprünglichen Vorgaben. Auch lange Abläufe benötigen die Kontrolle von Zwischenergebnissen: Eine frühe falsche Annahme kann sonst in spätere Schlussfolgerungen übernommen und zu einem überzeugend wirkenden Abschlussbericht ausgearbeitet werden.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits inclusionai/ling-3.1-flash | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Modellabhängig | Standard— |
Feldmessages[].content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Textgespräch | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Text · UTF8-Text
messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages |
Parametermaterial_types | Vertragtext |
Parametermessages | VertragNachrichtenarray mit role/content-Struktur |
Parameterfile_material | VertragTatsächliches UTF-8-Dokument als wörtlicher Text eingefügt; keine Datei-ID abgeleitet |
Parameteroptional_controls | Vertragstream |
Parametercontrol_scope | VertragTextgespräch; stream ist ein boolescher Wert und standardmäßig false. |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
Methodenaliasnamen: /chat/completions
Lebenszyklus: synchronous_or_streamed
Die genaue Modell-ID zusammen mit messages senden.
Die Kontextlänge ist keine Ausgabeobergrenze.
Eine Textdatei kann wörtlichen Text liefern; Bild-, Audio- und Dateiobjekteingaben benötigen eine exakte Zuordnung.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
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 $0.0006 / 1K Tokens Ausgabe · Ausgabetoken $0.0018 / 1K Tokens Eingabe · Cache lesen $0.00012 / 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 $0.0006 / 1K Tokens Ausgabe · Ausgabetoken $0.0018 / 1K Tokens Eingabe · Cache lesen $0.00012 / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"inclusionai/ling-3.1-flash","messages":[{"role":"user","content":"hello"}],"stream":false}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model="inclusionai/ling-3.1-flash", messages=[{"role":"user","content":"hello"}], stream=False)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\njson oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Antwortvarianten mit ihren Inhalten, Werkzeugaufrufen und Reasoning-Daten beibehalten. In SSE die Deltas nach Varianten- und Werkzeugindex zusammensetzen; endgültigen Beendigungsgrund und Verbrauchsdaten beibehalten.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldchoices[].index | Typinteger |
Feldchoices[].message.content | Typstring|null |
Feldchoices[].message.tool_calls | Typtool_call[] |
Feldchoices[].message.reasoning_content | Typstring |
Feldchoices[].message.reasoning_details | Typobject|array |
Feldchoices[].finish_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra inclusionai/ling-3.1-flash
/chat/completions
inclusionai/ling-3.1-flashLing 3.1 Flash ist inclusionAIs hybrides Reasoning-Modell für Büroarbeit, umfangreiche Softwareentwicklung und komplexe Agenten. Seine dünn besetzte Architektur mit 560 Milliarden Parametern aktiviert etwa 25 Milliarden pro Token und unterstützt mehrstufige Planung, Werkzeuginteraktion und Überarbeitung anhand von Zwischenergebnissen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Ling 3.1 Flash ist inclusionAIs hybrides Reasoning-Sprachmodell für Aufgaben mit mehreren Stufen statt nur einer kurzen Antwort. Der Hersteller positioniert es für alltägliche Büroarbeit, umfangreiche Softwareentwicklung und komplexe Agentenabläufe. Es verwendet eine Mixture-of-Experts-Architektur mit insgesamt etwa 560 Milliarden Parametern und ungefähr 25 Milliarden aktiven Parametern pro Token und verbindet damit große Modellkapazität mit einem kleineren Umfang aktiver Berechnung.
Sein zentrales Entwicklungsziel ist, den Aufgabenstand zu bewahren und bei längeren Arbeiten den Kurs zu korrigieren. In einem werkzeugverbundenen Ablauf kann das Modell mehrere Schritte planen, Zwischenergebnisse interpretieren und den nächsten Schritt überarbeiten, wenn sich die Beleglage ändert. Geben Sie ein präzises Ziel, die verfügbaren Materialien und eine Abschlussdefinition vor. Zum Beispiel: „Prüfen Sie diese Vorfallsnotizen, ermitteln Sie die ungeklärten Ursachen und erstellen Sie einen priorisierten Untersuchungsplan. Benennen Sie für jede Handlung die Belege, anhand derer sich beurteilen lässt, ob sie gewirkt hat.“ So wird aus einer vagen Anfrage ein Ergebnis, das sich prüfen und fortsetzen lässt.
Für Büroarbeit sind unter anderem Quellnotizen, aus Dokumenten extrahierter Text, Tabellen mit klaren Spaltendefinitionen und die vorgesehene Zielgruppe eines Berichts nützliche Eingaben. Legen Sie Zeitraum, Einheiten und Vergleichsgrundlage fest. Verlangen Sie ein schriftliches Ergebnis wie ein Managementbriefing, eine Berichtsgliederung oder eine Erklärung der wesentlichen Änderungen. Ein Beispiel lautet: „Erklären Sie ausschließlich anhand dieser Quartalstabellen die größten Veränderungen, unterscheiden Sie beobachtete Werte von Annahmen und entwerfen Sie ein Briefing mit den unbeantworteten Fragen am Schluss.“ Bewahren Sie Quellenkennzeichnungen bei der Eingabe, damit sich die resultierenden Aussagen auf das richtige Material zurückführen lassen.
Für Softwareentwicklung hebt der Hersteller sprachübergreifendes Refactoring, Leistungsoptimierung und die Analyse häufig genutzter Bereiche einer Codebasis hervor. Stellen Sie die relevanten Dateien als Text, das zu bewahrende Verhalten, Abhängigkeitsversionen sowie fehlerhafte Ausgaben oder Messungen bereit. Eine nützliche Anfrage verlangt einen Änderungsvorschlag und die zu seiner Beurteilung nötigen Prüfungen: „Überarbeiten Sie diesen Parser und bewahren Sie dabei das dokumentierte Ausgabeformat. Erklären Sie das betroffene Verhalten, zeigen Sie den überarbeiteten Code und benennen Sie Fälle, die eine Regression aufdecken würden.“ Stellen Sie für Leistungsoptimierung tatsächliche Profile oder Zeitmessungen bereit und verlangen Sie, jede Empfehlung mit einem gemessenen Engpass zu verknüpfen.
Sammeln Sie für fachliche Analysen die relevanten Regeln, Definitionen und Belege, bevor Sie eine Empfehlung anfordern. Ling 3.1 Flash soll verstreute Informationen zusammenführen, Kennzahlen interpretieren und Handlungsvorschläge entwickeln. Verlangen Sie einen Vergleich, der Annahmen und noch benötigte Informationen nennt, statt eines unbelegten Urteils. Stellen Sie beispielsweise mehrere Projektvorschläge bereit und verlangen Sie eine Entscheidungsvorlage mit denselben Kriterien für jeden Vorschlag, wobei quellenbelegte Beobachtungen von abgeleiteten Folgen getrennt sind. Verlangen Sie bei widersprüchlichen Belegen die widersprechenden Passagen und die Frage, die den Widerspruch klären würde.
Der Hersteller unterscheidet eine modellseitige Kontextobergrenze von 1 Million Tokens vom derzeit durch seinen offiziellen Dienst freigegebenen 256K-Kontext. Diese Werte beschreiben unterschiedliche Grenzen. Ordnen Sie Arbeitsmaterial nach dem geltenden Fenster und reservieren Sie Platz für die Antwort; eine Obergrenze des Modells bedeutet nicht, dass jede Schnittstelle so viel Eingabe akzeptiert. Halten Sie für eine große Aufgabe Ziel, abgeschlossene Entscheidungen, offene Fragen und Quellenverweise zusammen. Verwenden Sie ausdrückliche Grenzen um Dokumente und Code, damit zu analysierendes Material nicht mit zu befolgenden Anweisungen verwechselt wird.
Bereiten Sie werkzeugverbundene Aufgaben mit klaren Werkzeugbeschreibungen, erwarteten Argumenten und nützlichen Ergebnisaufzeichnungen vor. Führen Sie tatsächliche Ergebnisse in das Gespräch zurück, damit der nächste Vorschlag auf Beobachtungen beruht. Verlangen Sie vom Modell eine Erklärung, was ein zurückgegebenes Ergebnis verändert und welche Belege noch fehlen. Das agentenorientierte Modelldesign unterstützt dieses Planungs- und Rückkopplungsmuster; die umgebende Anwendung führt die Werkzeugschritte aus und bewahrt ihre Ergebnisse. Ein vorgeschlagener Befehl, eine Codeänderung oder ein Bericht ist besonders nützlich, wenn sein Status klar ist: vorgeschlagen, mit aufgezeichnetem Ergebnis ausgeführt oder noch zu überprüfen.
Ling 3.1 Flash gehört zur Sprachmodellreihe; die separate Ausgabe Ling 3.0 Flash VL ist das visuelle Modell des Herstellers. Bereiten Sie für diese Textaufgabe textuelles Ausgangsmaterial vor und bewahren Sie dessen Struktur, Kennzeichnungen und Herkunft. Legen Sie Ausgabesprache und -form fest, etwa eine knappe Notiz, eine Tabelle von Feststellungen, eine Patch-Erklärung oder einen nummerierten Plan. Verlangen Sie, dass das Modell fehlende Informationen kennzeichnet, und prüfen Sie das gewünschte Ergebnis anhand der ursprünglichen Vorgaben. Auch lange Abläufe benötigen die Kontrolle von Zwischenergebnissen: Eine frühe falsche Annahme kann sonst in spätere Schlussfolgerungen übernommen und zu einem überzeugend wirkenden Abschlussbericht ausgearbeitet werden.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits inclusionai/ling-3.1-flash | 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 $0.0006 / 1K Tokens Ausgabe · Ausgabetoken $0.0018 / 1K Tokens Eingabe · Cache lesen $0.00012 / 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 $0.0006 / 1K Tokens Ausgabe · Ausgabetoken $0.0018 / 1K Tokens Eingabe · Cache lesen $0.00012 / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "inclusionai/ling-3.1-flash",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'inclusionai/ling-3.1-flash', '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': 'inclusionai/ling-3.1-flash', '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 inclusionai/ling-3.1-flash
/chat/completions