Sakana Namazu ist das für Japanisch und japanische Geschäftskontexte angepasste Sprachmodell von Sakana AI. Der Hersteller baut auf Kimi K2.6 auf und stimmt japanische Antworten, das Befolgen von Anweisungen und agentenorientierte Arbeit mit eigenen Daten ab. Das Modell verarbeitet Text und Bilder und erzeugt Textergebnisse, darunter Erklärungen, Berichte und vorgeschlagene Funktionsaufrufe.
Sprachliche Anpassung ist ein zentraler Teil des Modellzwecks. Der Hersteller betont natürliche japanische Geschäftsdokumente und E-Mails, Höflichkeitssprache, japanische Eigennamen und Geschäftsgepflogenheiten. Geben Sie für einen Entwurf oder eine Übersetzung Zielgruppe, Beziehung zwischen den Beteiligten und einheitlich zu verwendende Begriffe vor. Verlangen Sie den für diese Situation passenden Formalitätsgrad, statt jede japanische Nachricht als dieselbe Kommunikationsart zu behandeln.
Der Hersteller stellt in seinem Namazu-Dienst Websuche und Codeausführung als eingebaute Werkzeuge bereit. Sein Recherchebeispiel plant eine Untersuchung, sucht wiederholt, gleicht Informationen ab und schreibt einen Bericht. Sein Datenanalysebeispiel verbindet japanische Supportfragen mit Aggregation und Analyse von Bestellinformationen. Dies sind werkzeugverbundene Herstellerabläufe; eine Anwendung mit dem Modell benötigt weiterhin die relevanten Zugriffe und Beobachtungen für ihre eigene Aufgabe.
Benennen Sie für einen Marktforschungsbericht Branche, Zeitraum und zu beantwortende Fragen. Eine hilfreiche Ausgabe trennt quellenbelegte Fakten, Interpretation und Folgen. Geben Sie für Supportanalysen die Anfragekategorien und die für die Aufgabe erlaubten Datensätze vor und verlangen Sie anschließend die wichtigsten Muster und eine Erklärung der Zahlen. Halten Sie Datendefinitionen und Einheiten sichtbar, damit das Ergebnis anhand der bereitgestellten Datensätze geprüft werden kann.
Namazu unterstützt außerdem Bilderkennung und Funktionsaufrufe. Die kreative Herstellerdemonstration verwendet Screenshots als Rückmeldung, während das Modell die nächste Aktion in einer animierten Szene bestimmt. Eine Anwendung kann dasselbe Muster für visuelle Rückmeldung nutzen: das beobachtete Bild bereitstellen, den zu erkennenden Zustand definieren und das Ergebnis der ausgeführten Aktion zurückgeben, bevor sie einen weiteren Schritt verlangt.
Die Spezialisierung auf Japanisch ergänzt die Reasoning- und Programmierarbeit des Modells. Bereiten Sie ein konkretes Ergebnis vor, etwa eine geschäftliche Antwort, eine zweisprachige Überarbeitung, einen Recherchebericht oder eine Analysenotiz. Bewahren Sie Belege und japanische Fachbegriffe der Aufgabe über Anschlussrunden hinweg und unterscheiden Sie eine vorgeschlagene Aktion von der Aktion, die die umgebende Anwendung tatsächlich ausgeführt hat.
", "aboutText": "Sakana Namazu ist das für Japanisch und japanische Geschäftskontexte angepasste Sprachmodell von Sakana AI. Der Hersteller baut auf Kimi K2.6 auf und stimmt japanische Antworten, das Befolgen von Anweisungen und agentenorientierte Arbeit mit eigenen Daten ab. Das Modell verarbeitet Text und Bilder und erzeugt Textergebnisse, darunter Erklärungen, Berichte und vorgeschlagene Funktionsaufrufe.\n\nSprachliche Anpassung ist ein zentraler Teil des Modellzwecks. Der Hersteller betont natürliche japanische Geschäftsdokumente und E-Mails, Höflichkeitssprache, japanische Eigennamen und Geschäftsgepflogenheiten. Geben Sie für einen Entwurf oder eine Übersetzung Zielgruppe, Beziehung zwischen den Beteiligten und einheitlich zu verwendende Begriffe vor. Verlangen Sie den für diese Situation passenden Formalitätsgrad, statt jede japanische Nachricht als dieselbe Kommunikationsart zu behandeln.\n\nDer Hersteller stellt in seinem Namazu-Dienst Websuche und Codeausführung als eingebaute Werkzeuge bereit. Sein Recherchebeispiel plant eine Untersuchung, sucht wiederholt, gleicht Informationen ab und schreibt einen Bericht. Sein Datenanalysebeispiel verbindet japanische Supportfragen mit Aggregation und Analyse von Bestellinformationen. Dies sind werkzeugverbundene Herstellerabläufe; eine Anwendung mit dem Modell benötigt weiterhin die relevanten Zugriffe und Beobachtungen für ihre eigene Aufgabe.\n\nBenennen Sie für einen Marktforschungsbericht Branche, Zeitraum und zu beantwortende Fragen. Eine hilfreiche Ausgabe trennt quellenbelegte Fakten, Interpretation und Folgen. Geben Sie für Supportanalysen die Anfragekategorien und die für die Aufgabe erlaubten Datensätze vor und verlangen Sie anschließend die wichtigsten Muster und eine Erklärung der Zahlen. Halten Sie Datendefinitionen und Einheiten sichtbar, damit das Ergebnis anhand der bereitgestellten Datensätze geprüft werden kann.\n\nNamazu unterstützt außerdem Bilderkennung und Funktionsaufrufe. Die kreative Herstellerdemonstration verwendet Screenshots als Rückmeldung, während das Modell die nächste Aktion in einer animierten Szene bestimmt. Eine Anwendung kann dasselbe Muster für visuelle Rückmeldung nutzen: das beobachtete Bild bereitstellen, den zu erkennenden Zustand definieren und das Ergebnis der ausgeführten Aktion zurückgeben, bevor sie einen weiteren Schritt verlangt.\n\nDie Spezialisierung auf Japanisch ergänzt die Reasoning- und Programmierarbeit des Modells. Bereiten Sie ein konkretes Ergebnis vor, etwa eine geschäftliche Antwort, eine zweisprachige Überarbeitung, einen Recherchebericht oder eine Analysenotiz. Bewahren Sie Belege und japanische Fachbegriffe der Aufgabe über Anschlussrunden hinweg und unterscheiden Sie eine vorgeschlagene Aktion von der Aktion, die die umgebende Anwendung tatsächlich ausgeführt hat.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Draft a Japanese business reschedule email\n\nDraft a polite Japanese business email to an existing external partner, Ms Tanaka. Ask to move the meeting from 10:00 to 11:00 on the same Tuesday because the preceding workshop runs longer. Acknowledge the inconvenience and ask whether the new time suits her. Keep the date unspecified, preserve the two times, and do not imply she has accepted.A concise Japanese email with a subject, respectful greeting, reschedule request and confirmation question.The email uses appropriate partner-facing politeness and retains the request as pending rather than confirmed.sakana/sakana-namazuSakana Namazu ist Sakana AIs auf Japanisch spezialisiertes Modell für Geschäftsdokumente, Recherche und Agentenabläufe. Es verbindet japanische Sprache und kulturellen Kontext mit Reasoning, Bilderkennung sowie Such- und Codewerkzeugen des Herstellers.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Sakana Namazu ist das für Japanisch und japanische Geschäftskontexte angepasste Sprachmodell von Sakana AI. Der Hersteller baut auf Kimi K2.6 auf und stimmt japanische Antworten, das Befolgen von Anweisungen und agentenorientierte Arbeit mit eigenen Daten ab. Das Modell verarbeitet Text und Bilder und erzeugt Textergebnisse, darunter Erklärungen, Berichte und vorgeschlagene Funktionsaufrufe.
Sprachliche Anpassung ist ein zentraler Teil des Modellzwecks. Der Hersteller betont natürliche japanische Geschäftsdokumente und E-Mails, Höflichkeitssprache, japanische Eigennamen und Geschäftsgepflogenheiten. Geben Sie für einen Entwurf oder eine Übersetzung Zielgruppe, Beziehung zwischen den Beteiligten und einheitlich zu verwendende Begriffe vor. Verlangen Sie den für diese Situation passenden Formalitätsgrad, statt jede japanische Nachricht als dieselbe Kommunikationsart zu behandeln.
Der Hersteller stellt in seinem Namazu-Dienst Websuche und Codeausführung als eingebaute Werkzeuge bereit. Sein Recherchebeispiel plant eine Untersuchung, sucht wiederholt, gleicht Informationen ab und schreibt einen Bericht. Sein Datenanalysebeispiel verbindet japanische Supportfragen mit Aggregation und Analyse von Bestellinformationen. Dies sind werkzeugverbundene Herstellerabläufe; eine Anwendung mit dem Modell benötigt weiterhin die relevanten Zugriffe und Beobachtungen für ihre eigene Aufgabe.
Benennen Sie für einen Marktforschungsbericht Branche, Zeitraum und zu beantwortende Fragen. Eine hilfreiche Ausgabe trennt quellenbelegte Fakten, Interpretation und Folgen. Geben Sie für Supportanalysen die Anfragekategorien und die für die Aufgabe erlaubten Datensätze vor und verlangen Sie anschließend die wichtigsten Muster und eine Erklärung der Zahlen. Halten Sie Datendefinitionen und Einheiten sichtbar, damit das Ergebnis anhand der bereitgestellten Datensätze geprüft werden kann.
Namazu unterstützt außerdem Bilderkennung und Funktionsaufrufe. Die kreative Herstellerdemonstration verwendet Screenshots als Rückmeldung, während das Modell die nächste Aktion in einer animierten Szene bestimmt. Eine Anwendung kann dasselbe Muster für visuelle Rückmeldung nutzen: das beobachtete Bild bereitstellen, den zu erkennenden Zustand definieren und das Ergebnis der ausgeführten Aktion zurückgeben, bevor sie einen weiteren Schritt verlangt.
Die Spezialisierung auf Japanisch ergänzt die Reasoning- und Programmierarbeit des Modells. Bereiten Sie ein konkretes Ergebnis vor, etwa eine geschäftliche Antwort, eine zweisprachige Überarbeitung, einen Recherchebericht oder eine Analysenotiz. Bewahren Sie Belege und japanische Fachbegriffe der Aufgabe über Anschlussrunden hinweg und unterscheiden Sie eine vorgeschlagene Aktion von der Aktion, die die umgebende Anwendung tatsächlich ausgeführt hat.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits sakana/sakana-namazu | 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 $0.0019 / 1K Tokens Ausgabe · Ausgabetoken $0.008 / 1K Tokens Eingabe · Cache lesen $0.0003 / 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 $0.0019 / 1K Tokens Ausgabe · Ausgabetoken $0.008 / 1K Tokens Eingabe · Cache lesen $0.0003 / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "sakana/sakana-namazu", "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='sakana/sakana-namazu',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='sakana/sakana-namazu',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 sakana/sakana-namazu
Verwenden Sie die oben angezeigten Methodenpfade.
sakana/sakana-namazuSakana Namazu ist Sakana AIs auf Japanisch spezialisiertes Modell für Geschäftsdokumente, Recherche und Agentenabläufe. Es verbindet japanische Sprache und kulturellen Kontext mit Reasoning, Bilderkennung sowie Such- und Codewerkzeugen des Herstellers.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Sakana Namazu ist das für Japanisch und japanische Geschäftskontexte angepasste Sprachmodell von Sakana AI. Der Hersteller baut auf Kimi K2.6 auf und stimmt japanische Antworten, das Befolgen von Anweisungen und agentenorientierte Arbeit mit eigenen Daten ab. Das Modell verarbeitet Text und Bilder und erzeugt Textergebnisse, darunter Erklärungen, Berichte und vorgeschlagene Funktionsaufrufe.
Sprachliche Anpassung ist ein zentraler Teil des Modellzwecks. Der Hersteller betont natürliche japanische Geschäftsdokumente und E-Mails, Höflichkeitssprache, japanische Eigennamen und Geschäftsgepflogenheiten. Geben Sie für einen Entwurf oder eine Übersetzung Zielgruppe, Beziehung zwischen den Beteiligten und einheitlich zu verwendende Begriffe vor. Verlangen Sie den für diese Situation passenden Formalitätsgrad, statt jede japanische Nachricht als dieselbe Kommunikationsart zu behandeln.
Der Hersteller stellt in seinem Namazu-Dienst Websuche und Codeausführung als eingebaute Werkzeuge bereit. Sein Recherchebeispiel plant eine Untersuchung, sucht wiederholt, gleicht Informationen ab und schreibt einen Bericht. Sein Datenanalysebeispiel verbindet japanische Supportfragen mit Aggregation und Analyse von Bestellinformationen. Dies sind werkzeugverbundene Herstellerabläufe; eine Anwendung mit dem Modell benötigt weiterhin die relevanten Zugriffe und Beobachtungen für ihre eigene Aufgabe.
Benennen Sie für einen Marktforschungsbericht Branche, Zeitraum und zu beantwortende Fragen. Eine hilfreiche Ausgabe trennt quellenbelegte Fakten, Interpretation und Folgen. Geben Sie für Supportanalysen die Anfragekategorien und die für die Aufgabe erlaubten Datensätze vor und verlangen Sie anschließend die wichtigsten Muster und eine Erklärung der Zahlen. Halten Sie Datendefinitionen und Einheiten sichtbar, damit das Ergebnis anhand der bereitgestellten Datensätze geprüft werden kann.
Namazu unterstützt außerdem Bilderkennung und Funktionsaufrufe. Die kreative Herstellerdemonstration verwendet Screenshots als Rückmeldung, während das Modell die nächste Aktion in einer animierten Szene bestimmt. Eine Anwendung kann dasselbe Muster für visuelle Rückmeldung nutzen: das beobachtete Bild bereitstellen, den zu erkennenden Zustand definieren und das Ergebnis der ausgeführten Aktion zurückgeben, bevor sie einen weiteren Schritt verlangt.
Die Spezialisierung auf Japanisch ergänzt die Reasoning- und Programmierarbeit des Modells. Bereiten Sie ein konkretes Ergebnis vor, etwa eine geschäftliche Antwort, eine zweisprachige Überarbeitung, einen Recherchebericht oder eine Analysenotiz. Bewahren Sie Belege und japanische Fachbegriffe der Aufgabe über Anschlussrunden hinweg und unterscheiden Sie eine vorgeschlagene Aktion von der Aktion, die die umgebende Anwendung tatsächlich ausgeführt hat.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits sakana/sakana-namazu | 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 $0.0019 / 1K Tokens Ausgabe · Ausgabetoken $0.008 / 1K Tokens Eingabe · Cache lesen $0.0003 / 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 $0.0019 / 1K Tokens Ausgabe · Ausgabetoken $0.008 / 1K Tokens Eingabe · Cache lesen $0.0003 / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "sakana/sakana-namazu",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'sakana/sakana-namazu', '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': 'sakana/sakana-namazu', '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 sakana/sakana-namazu
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Draft a Japanese business reschedule email\n\nDraft a polite Japanese business email to an existing external partner, Ms Tanaka. Ask to move the meeting from 10:00 to 11:00 on the same Tuesday because the preceding workshop runs longer. Acknowledge the inconvenience and ask whether the new time suits her. Keep the date unspecified, preserve the two times, and do not imply she has accepted.A concise Japanese email with a subject, respectful greeting, reschedule request and confirmation question.The email uses appropriate partner-facing politeness and retains the request as pending rather than confirmed.