Nex-N2.5-Pro ist die benannte multimodale Pro-Ausgabe von Nex AGI für langfristige Aufgaben in realen Umgebungen. Gemeinsam mit mini führt sie die visuellen Grundlagen von Nex-N2 fort, mit gezielten Verbesserungen bei Computerbedienung, Webnavigation und visuell gestützter Agentenarbeit. Sie bleibt vom reinen Textmodell Max der Familie getrennt; eine Pro-Aufgabe kann mit visuellen Beobachtungen prüfen, was sich geändert hat, und entscheiden, wie fortzufahren ist.
Bereiten Sie einen Produktivitätsauftrag mit seinen tatsächlichen Quellen und einem klaren Ergebnis vor: einem abgeschlossenen Vergleich, einer Codeänderung oder einem konkreten Zustand, der in einer Anwendung erreicht werden soll. Geben Sie dem Modell den relevanten Screenshot oder Dokumentkontext und nennen Sie die erlaubten Aktionen. Ein praktisches Briefing lautet: „Nutzen Sie diese Quellen und Bildschirmbeobachtungen, um den Vergleich abzuschließen, jedes erforderliche Feld zu prüfen und den endgültigen Datensatz mit den stützenden Belegen zurückzugeben.“
Bewahren Sie bei einer Oberflächenaufgabe sichtbare Beschriftungen und benennen Sie den Zustand, der den Abschluss belegen würde. Stellen Sie bei Programmarbeit Implementierung, beobachteten Fehler und zu bewahrendes Verhalten bereit. Diese Eingaben verbinden die Entscheidungen des Agenten mit dem Ziel des Nutzers, statt einen Plan zu einem vermeintlich abgeschlossenen Ergebnis werden zu lassen.
Der Hersteller trainiert die Familie darauf, fortlaufend zu handeln und sich anhand von Rückmeldungen der Umgebung selbst zu korrigieren. Das Modell kann einen Bildschirm interpretieren und eine Funktion oder Operation vorschlagen, während die Anwendung sie ausführt und die entstehende visuelle oder textliche Beobachtung zurückliefert. Vergleichen Sie diese Beobachtung mit dem genannten Ziel, bevor Sie entscheiden, ob die nächste Aktion nötig ist.
Bewahren Sie Quellen- und Operationskennungen mit ihren Ergebnissen. Erzeugt eine Aufgabe Code, beschafft die Anwendung die tatsächliche Ausführungs- oder Validierungsrückmeldung. Ändert eine Browseraufgabe einen Zustand, ist der neue Bildschirm der Beleg dessen, was geschehen ist. Eine erzeugte Anweisung, vorgeschlagene Koordinate oder schriftlicher Validierungsbefehl bleibt von ihrer beziehungsweise seiner Ausführung getrennt.
Nex-N2.5 verwendet reasoning_effort für drei Modi. None liefert eine direkte Antwort. Medium ist der adaptive Standard und lässt das Modell wählen, ob und wie viel es schlussfolgert. High aktiviert immer Thinking vor der endgültigen Antwort. Der Hersteller empfiehlt temperature 0.7, top-p 0.95 und top-k 40 für sein Referenzprofil.
Definieren Sie das abschließende Artefakt unabhängig vom Reasoning-Modus, einschließlich Sprache, Pflichtdetails und Umgang mit fehlenden Informationen. Die native Vorlage verwendet reasoning_effort; das thinking-Flag eines anderen Modells ist ohne ausdrückliche Übersetzung durch den umgebenden Ablauf keine austauschbare Steuerung.
Der Hersteller dokumentiert strukturierte Funktionsaufrufe und das vom endgültigen Antworttext getrennte Parsen von Reasoning. Stellen Sie Funktionen mit präzisen Zwecken und Parameterdefinitionen bereit. Verwenden Sie zurückgegebene Beobachtungen, um die fortlaufende Aufgabe zu stützen, und legen Sie fest, welches Ergebnis ihren Abschluss ermöglicht. Stellen Sie für Recherche oder Wissensarbeit maßgebliche Passagen oder geeignete Abfragefunktionen bereit, damit Schlussfolgerungen auf tatsächliche Belege zurückgeführt werden können.
Langfristige Arbeit sammelt Kontext aus Quellen, Bildschirmen, Gespräch, Reasoning und Werkzeugrückgaben an. Halten Sie relevante Beobachtungen geordnet und bewahren Sie das Abschlusskriterium über Folgefragen hinweg. Die Pro-Identität des Herstellers belegt für sich weder eine undokumentierte Parameterzahl noch eine universelle Ein-/Ausgabeobergrenze.
Das nützliche Ergebnis ist eine Texterklärung, ein Codeartefakt oder ein abgeschlossener analytischer Datensatz, der anhand der Quellen und Umgebungsbeobachtungen geprüft werden kann. Pro behält seine eigene multimodale Ausgabe und Modussteuerung, ohne die reine Textarchitektur des Max-Modells zu übernehmen oder anzunehmen, jede vorgeschlagene anwendungsübergreifende Operation sei bereits ausgeführt worden.
", "aboutText": "Nex-N2.5-Pro ist die benannte multimodale Pro-Ausgabe von Nex AGI für langfristige Aufgaben in realen Umgebungen. Gemeinsam mit mini führt sie die visuellen Grundlagen von Nex-N2 fort, mit gezielten Verbesserungen bei Computerbedienung, Webnavigation und visuell gestützter Agentenarbeit. Sie bleibt vom reinen Textmodell Max der Familie getrennt; eine Pro-Aufgabe kann mit visuellen Beobachtungen prüfen, was sich geändert hat, und entscheiden, wie fortzufahren ist.\n\n### Ziel, Quelle und Umgebung\n\nBereiten Sie einen Produktivitätsauftrag mit seinen tatsächlichen Quellen und einem klaren Ergebnis vor: einem abgeschlossenen Vergleich, einer Codeänderung oder einem konkreten Zustand, der in einer Anwendung erreicht werden soll. Geben Sie dem Modell den relevanten Screenshot oder Dokumentkontext und nennen Sie die erlaubten Aktionen. Ein praktisches Briefing lautet: „Nutzen Sie diese Quellen und Bildschirmbeobachtungen, um den Vergleich abzuschließen, jedes erforderliche Feld zu prüfen und den endgültigen Datensatz mit den stützenden Belegen zurückzugeben.“\n\nBewahren Sie bei einer Oberflächenaufgabe sichtbare Beschriftungen und benennen Sie den Zustand, der den Abschluss belegen würde. Stellen Sie bei Programmarbeit Implementierung, beobachteten Fehler und zu bewahrendes Verhalten bereit. Diese Eingaben verbinden die Entscheidungen des Agenten mit dem Ziel des Nutzers, statt einen Plan zu einem vermeintlich abgeschlossenen Ergebnis werden zu lassen.\n\n### Visuelle Rückmeldung und Selbstkorrektur\n\nDer Hersteller trainiert die Familie darauf, fortlaufend zu handeln und sich anhand von Rückmeldungen der Umgebung selbst zu korrigieren. Das Modell kann einen Bildschirm interpretieren und eine Funktion oder Operation vorschlagen, während die Anwendung sie ausführt und die entstehende visuelle oder textliche Beobachtung zurückliefert. Vergleichen Sie diese Beobachtung mit dem genannten Ziel, bevor Sie entscheiden, ob die nächste Aktion nötig ist.\n\nBewahren Sie Quellen- und Operationskennungen mit ihren Ergebnissen. Erzeugt eine Aufgabe Code, beschafft die Anwendung die tatsächliche Ausführungs- oder Validierungsrückmeldung. Ändert eine Browseraufgabe einen Zustand, ist der neue Bildschirm der Beleg dessen, was geschehen ist. Eine erzeugte Anweisung, vorgeschlagene Koordinate oder schriftlicher Validierungsbefehl bleibt von ihrer beziehungsweise seiner Ausführung getrennt.\n\n### Thinking-Modi und Herstellerempfehlungen\n\nNex-N2.5 verwendet reasoning_effort für drei Modi. None liefert eine direkte Antwort. Medium ist der adaptive Standard und lässt das Modell wählen, ob und wie viel es schlussfolgert. High aktiviert immer Thinking vor der endgültigen Antwort. Der Hersteller empfiehlt temperature 0.7, top-p 0.95 und top-k 40 für sein Referenzprofil.\n\nDefinieren Sie das abschließende Artefakt unabhängig vom Reasoning-Modus, einschließlich Sprache, Pflichtdetails und Umgang mit fehlenden Informationen. Die native Vorlage verwendet reasoning_effort; das thinking-Flag eines anderen Modells ist ohne ausdrückliche Übersetzung durch den umgebenden Ablauf keine austauschbare Steuerung.\n\n### Funktionsaufrufe und nützliche Artefakte\n\nDer Hersteller dokumentiert strukturierte Funktionsaufrufe und das vom endgültigen Antworttext getrennte Parsen von Reasoning. Stellen Sie Funktionen mit präzisen Zwecken und Parameterdefinitionen bereit. Verwenden Sie zurückgegebene Beobachtungen, um die fortlaufende Aufgabe zu stützen, und legen Sie fest, welches Ergebnis ihren Abschluss ermöglicht. Stellen Sie für Recherche oder Wissensarbeit maßgebliche Passagen oder geeignete Abfragefunktionen bereit, damit Schlussfolgerungen auf tatsächliche Belege zurückgeführt werden können.\n\nLangfristige Arbeit sammelt Kontext aus Quellen, Bildschirmen, Gespräch, Reasoning und Werkzeugrückgaben an. Halten Sie relevante Beobachtungen geordnet und bewahren Sie das Abschlusskriterium über Folgefragen hinweg. Die Pro-Identität des Herstellers belegt für sich weder eine undokumentierte Parameterzahl noch eine universelle Ein-/Ausgabeobergrenze.\n\nDas nützliche Ergebnis ist eine Texterklärung, ein Codeartefakt oder ein abgeschlossener analytischer Datensatz, der anhand der Quellen und Umgebungsbeobachtungen geprüft werden kann. Pro behält seine eigene multimodale Ausgabe und Modussteuerung, ohne die reine Textarchitektur des Max-Modells zu übernehmen oder anzunehmen, jede vorgeschlagene anwendungsübergreifende Operation sei bereits ausgeführt worden.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Verify a textual screen-state change\n\nCompare these recorded interface observations. [Before] Invoice I-72: draft; approve button visible. [Action] User clicked approve. [After] Invoice I-72: pending review; approval ID blank. Required completion: approved status with a populated approval ID. State whether completion is established and identify the next evidence to obtain. Use only the recorded text.A before/action/after comparison, an explicit completion finding and one next evidence request.Ensure a clicked button is not treated as proof of approved status or an approval ID.nex-agi/nex-n2.5-proNex-N2.5-Pro ist die multimodale Agentenausgabe von Nex AGI für Computerbedienung, Webnavigation und langfristige Produktivitätsaufgaben. Sie nutzt visuelle Rückmeldungen, Funktionsaufrufe und direkte, adaptive oder Thinking-Modi, um ein definiertes Ziel mit Text, Code und vorgeschlagenen Anwendungsaktionen zu verbinden.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Nex-N2.5-Pro ist die benannte multimodale Pro-Ausgabe von Nex AGI für langfristige Aufgaben in realen Umgebungen. Gemeinsam mit mini führt sie die visuellen Grundlagen von Nex-N2 fort, mit gezielten Verbesserungen bei Computerbedienung, Webnavigation und visuell gestützter Agentenarbeit. Sie bleibt vom reinen Textmodell Max der Familie getrennt; eine Pro-Aufgabe kann mit visuellen Beobachtungen prüfen, was sich geändert hat, und entscheiden, wie fortzufahren ist.
Bereiten Sie einen Produktivitätsauftrag mit seinen tatsächlichen Quellen und einem klaren Ergebnis vor: einem abgeschlossenen Vergleich, einer Codeänderung oder einem konkreten Zustand, der in einer Anwendung erreicht werden soll. Geben Sie dem Modell den relevanten Screenshot oder Dokumentkontext und nennen Sie die erlaubten Aktionen. Ein praktisches Briefing lautet: „Nutzen Sie diese Quellen und Bildschirmbeobachtungen, um den Vergleich abzuschließen, jedes erforderliche Feld zu prüfen und den endgültigen Datensatz mit den stützenden Belegen zurückzugeben.“
Bewahren Sie bei einer Oberflächenaufgabe sichtbare Beschriftungen und benennen Sie den Zustand, der den Abschluss belegen würde. Stellen Sie bei Programmarbeit Implementierung, beobachteten Fehler und zu bewahrendes Verhalten bereit. Diese Eingaben verbinden die Entscheidungen des Agenten mit dem Ziel des Nutzers, statt einen Plan zu einem vermeintlich abgeschlossenen Ergebnis werden zu lassen.
Der Hersteller trainiert die Familie darauf, fortlaufend zu handeln und sich anhand von Rückmeldungen der Umgebung selbst zu korrigieren. Das Modell kann einen Bildschirm interpretieren und eine Funktion oder Operation vorschlagen, während die Anwendung sie ausführt und die entstehende visuelle oder textliche Beobachtung zurückliefert. Vergleichen Sie diese Beobachtung mit dem genannten Ziel, bevor Sie entscheiden, ob die nächste Aktion nötig ist.
Bewahren Sie Quellen- und Operationskennungen mit ihren Ergebnissen. Erzeugt eine Aufgabe Code, beschafft die Anwendung die tatsächliche Ausführungs- oder Validierungsrückmeldung. Ändert eine Browseraufgabe einen Zustand, ist der neue Bildschirm der Beleg dessen, was geschehen ist. Eine erzeugte Anweisung, vorgeschlagene Koordinate oder schriftlicher Validierungsbefehl bleibt von ihrer beziehungsweise seiner Ausführung getrennt.
Nex-N2.5 verwendet reasoning_effort für drei Modi. None liefert eine direkte Antwort. Medium ist der adaptive Standard und lässt das Modell wählen, ob und wie viel es schlussfolgert. High aktiviert immer Thinking vor der endgültigen Antwort. Der Hersteller empfiehlt temperature 0.7, top-p 0.95 und top-k 40 für sein Referenzprofil.
Definieren Sie das abschließende Artefakt unabhängig vom Reasoning-Modus, einschließlich Sprache, Pflichtdetails und Umgang mit fehlenden Informationen. Die native Vorlage verwendet reasoning_effort; das thinking-Flag eines anderen Modells ist ohne ausdrückliche Übersetzung durch den umgebenden Ablauf keine austauschbare Steuerung.
Der Hersteller dokumentiert strukturierte Funktionsaufrufe und das vom endgültigen Antworttext getrennte Parsen von Reasoning. Stellen Sie Funktionen mit präzisen Zwecken und Parameterdefinitionen bereit. Verwenden Sie zurückgegebene Beobachtungen, um die fortlaufende Aufgabe zu stützen, und legen Sie fest, welches Ergebnis ihren Abschluss ermöglicht. Stellen Sie für Recherche oder Wissensarbeit maßgebliche Passagen oder geeignete Abfragefunktionen bereit, damit Schlussfolgerungen auf tatsächliche Belege zurückgeführt werden können.
Langfristige Arbeit sammelt Kontext aus Quellen, Bildschirmen, Gespräch, Reasoning und Werkzeugrückgaben an. Halten Sie relevante Beobachtungen geordnet und bewahren Sie das Abschlusskriterium über Folgefragen hinweg. Die Pro-Identität des Herstellers belegt für sich weder eine undokumentierte Parameterzahl noch eine universelle Ein-/Ausgabeobergrenze.
Das nützliche Ergebnis ist eine Texterklärung, ein Codeartefakt oder ein abgeschlossener analytischer Datensatz, der anhand der Quellen und Umgebungsbeobachtungen geprüft werden kann. Pro behält seine eigene multimodale Ausgabe und Modussteuerung, ohne die reine Textarchitektur des Max-Modells zu übernehmen oder anzunehmen, jede vorgeschlagene anwendungsübergreifende Operation sei bereits ausgeführt worden.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits nex-agi/nex-n2.5-pro | 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 $0.00015 / 1K Tokens Ausgabe · Ausgabetoken $0.0005 / 1K Tokens Eingabe · Cache lesen $0.00003 / 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 $0.00015 / 1K Tokens Ausgabe · Ausgabetoken $0.0005 / 1K Tokens Eingabe · Cache lesen $0.00003 / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "nex-agi/nex-n2.5-pro", "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='nex-agi/nex-n2.5-pro',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='nex-agi/nex-n2.5-pro',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 nex-agi/nex-n2.5-pro
Verwenden Sie die oben angezeigten Methodenpfade.
nex-agi/nex-n2.5-proNex-N2.5-Pro ist die multimodale Agentenausgabe von Nex AGI für Computerbedienung, Webnavigation und langfristige Produktivitätsaufgaben. Sie nutzt visuelle Rückmeldungen, Funktionsaufrufe und direkte, adaptive oder Thinking-Modi, um ein definiertes Ziel mit Text, Code und vorgeschlagenen Anwendungsaktionen zu verbinden.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Nex-N2.5-Pro ist die benannte multimodale Pro-Ausgabe von Nex AGI für langfristige Aufgaben in realen Umgebungen. Gemeinsam mit mini führt sie die visuellen Grundlagen von Nex-N2 fort, mit gezielten Verbesserungen bei Computerbedienung, Webnavigation und visuell gestützter Agentenarbeit. Sie bleibt vom reinen Textmodell Max der Familie getrennt; eine Pro-Aufgabe kann mit visuellen Beobachtungen prüfen, was sich geändert hat, und entscheiden, wie fortzufahren ist.
Bereiten Sie einen Produktivitätsauftrag mit seinen tatsächlichen Quellen und einem klaren Ergebnis vor: einem abgeschlossenen Vergleich, einer Codeänderung oder einem konkreten Zustand, der in einer Anwendung erreicht werden soll. Geben Sie dem Modell den relevanten Screenshot oder Dokumentkontext und nennen Sie die erlaubten Aktionen. Ein praktisches Briefing lautet: „Nutzen Sie diese Quellen und Bildschirmbeobachtungen, um den Vergleich abzuschließen, jedes erforderliche Feld zu prüfen und den endgültigen Datensatz mit den stützenden Belegen zurückzugeben.“
Bewahren Sie bei einer Oberflächenaufgabe sichtbare Beschriftungen und benennen Sie den Zustand, der den Abschluss belegen würde. Stellen Sie bei Programmarbeit Implementierung, beobachteten Fehler und zu bewahrendes Verhalten bereit. Diese Eingaben verbinden die Entscheidungen des Agenten mit dem Ziel des Nutzers, statt einen Plan zu einem vermeintlich abgeschlossenen Ergebnis werden zu lassen.
Der Hersteller trainiert die Familie darauf, fortlaufend zu handeln und sich anhand von Rückmeldungen der Umgebung selbst zu korrigieren. Das Modell kann einen Bildschirm interpretieren und eine Funktion oder Operation vorschlagen, während die Anwendung sie ausführt und die entstehende visuelle oder textliche Beobachtung zurückliefert. Vergleichen Sie diese Beobachtung mit dem genannten Ziel, bevor Sie entscheiden, ob die nächste Aktion nötig ist.
Bewahren Sie Quellen- und Operationskennungen mit ihren Ergebnissen. Erzeugt eine Aufgabe Code, beschafft die Anwendung die tatsächliche Ausführungs- oder Validierungsrückmeldung. Ändert eine Browseraufgabe einen Zustand, ist der neue Bildschirm der Beleg dessen, was geschehen ist. Eine erzeugte Anweisung, vorgeschlagene Koordinate oder schriftlicher Validierungsbefehl bleibt von ihrer beziehungsweise seiner Ausführung getrennt.
Nex-N2.5 verwendet reasoning_effort für drei Modi. None liefert eine direkte Antwort. Medium ist der adaptive Standard und lässt das Modell wählen, ob und wie viel es schlussfolgert. High aktiviert immer Thinking vor der endgültigen Antwort. Der Hersteller empfiehlt temperature 0.7, top-p 0.95 und top-k 40 für sein Referenzprofil.
Definieren Sie das abschließende Artefakt unabhängig vom Reasoning-Modus, einschließlich Sprache, Pflichtdetails und Umgang mit fehlenden Informationen. Die native Vorlage verwendet reasoning_effort; das thinking-Flag eines anderen Modells ist ohne ausdrückliche Übersetzung durch den umgebenden Ablauf keine austauschbare Steuerung.
Der Hersteller dokumentiert strukturierte Funktionsaufrufe und das vom endgültigen Antworttext getrennte Parsen von Reasoning. Stellen Sie Funktionen mit präzisen Zwecken und Parameterdefinitionen bereit. Verwenden Sie zurückgegebene Beobachtungen, um die fortlaufende Aufgabe zu stützen, und legen Sie fest, welches Ergebnis ihren Abschluss ermöglicht. Stellen Sie für Recherche oder Wissensarbeit maßgebliche Passagen oder geeignete Abfragefunktionen bereit, damit Schlussfolgerungen auf tatsächliche Belege zurückgeführt werden können.
Langfristige Arbeit sammelt Kontext aus Quellen, Bildschirmen, Gespräch, Reasoning und Werkzeugrückgaben an. Halten Sie relevante Beobachtungen geordnet und bewahren Sie das Abschlusskriterium über Folgefragen hinweg. Die Pro-Identität des Herstellers belegt für sich weder eine undokumentierte Parameterzahl noch eine universelle Ein-/Ausgabeobergrenze.
Das nützliche Ergebnis ist eine Texterklärung, ein Codeartefakt oder ein abgeschlossener analytischer Datensatz, der anhand der Quellen und Umgebungsbeobachtungen geprüft werden kann. Pro behält seine eigene multimodale Ausgabe und Modussteuerung, ohne die reine Textarchitektur des Max-Modells zu übernehmen oder anzunehmen, jede vorgeschlagene anwendungsübergreifende Operation sei bereits ausgeführt worden.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits nex-agi/nex-n2.5-pro | 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 $0.00015 / 1K Tokens Ausgabe · Ausgabetoken $0.0005 / 1K Tokens Eingabe · Cache lesen $0.00003 / 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 $0.00015 / 1K Tokens Ausgabe · Ausgabetoken $0.0005 / 1K Tokens Eingabe · Cache lesen $0.00003 / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "nex-agi/nex-n2.5-pro",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'nex-agi/nex-n2.5-pro', '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': 'nex-agi/nex-n2.5-pro', '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 nex-agi/nex-n2.5-pro
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Verify a textual screen-state change\n\nCompare these recorded interface observations. [Before] Invoice I-72: draft; approve button visible. [Action] User clicked approve. [After] Invoice I-72: pending review; approval ID blank. Required completion: approved status with a populated approval ID. State whether completion is established and identify the next evidence to obtain. Use only the recorded text.A before/action/after comparison, an explicit completion finding and one next evidence request.Ensure a clicked button is not treated as proof of approved status or an approval ID.