Step 3.5 Flash ist das dünn besetzte Mixture-of-Experts-Textmodell von StepFun für Reasoning und agentenorientierte Arbeit. Die veröffentlichte Spezifikation nennt insgesamt 196,81 Milliarden Parameter einschließlich des Vorhersagekopfs; etwa 11 Milliarden Parameter sind pro Token aktiv. Es verarbeitet schriftliche Anweisungen und Gespräche und erzeugt Text, Code und vorgeschlagene Werkzeuginteraktionen.
Seine Grundarchitektur mit 45 Schichten kombiniert Sliding-Window Attention und vollständige Attention im Verhältnis drei zu eins und unterstützt einen Kontext von 256K. Jede Expertenschicht besitzt 288 geroutete Experten sowie einen gemeinsamen Experten; acht geroutete Experten werden pro Token ausgewählt. Ein Multi-Token-Prediction-Kopf gehört zum Effizienzkonzept des Anbieters. Diese Architekturentscheidungen beschreiben das Modell; die Geschwindigkeit einer bestimmten Anwendung hängt auch von ihrer Bereitstellung und Auslastung ab.
Die zentralen Aufgabenbereiche sind Reasoning, Programmierung und längere Agentenabläufe. Für einen Softwareauftrag geben Sie das erwartete Verhalten, den relevanten Quelltext und einen tatsächlichen Fehler oder eine gewünschte Änderung an. Verlangen Sie das vorgeschlagene Arbeitsergebnis und die zu seiner Beurteilung nötigen Prüfungen. In einer verbundenen Anwendung geben Sie die Ergebnisse von Befehlen und Prüfungen zurück, bevor das Modell seinen nächsten Schritt auswählt.
Für Analysen mit langem Kontext definieren Sie die Frage und die wichtigen Abschnitte des Materials. Ein hilfreicher Bericht benennt seine Schlussfolgerung, die stützenden Belege und jede fehlende Beobachtung. Halten Sie das aktuelle Ziel und frühere bestätigte Erkenntnisse über Folgefragen hinweg verfügbar, damit das Modell vom Aufgabenstand aus weiterarbeiten kann, statt ihn aus einem unvollständigen Prompt zu rekonstruieren.
StepFun veröffentlicht Anleitungen zur Integration und lokalen Bereitstellung für Programmier- und Rechercheanwendungen. Die Werkzeugausführung gehört zum umgebenden Arbeitsablauf: Das Modell liefert die vorgeschlagene Aktion, die Anwendung führt sie aus und gibt das Ergebnis zurück. Unterschiedliche konvertierte oder quantisierte Artefakte haben eigene Bereitstellungsbedingungen; der allgemeine Modellname wählt keines davon aus.
Die bekannten Probleme des Anbieters sind konkret. Das Modell kann lange Generierungsverläufe verwenden, und die Stabilität kann in spezialisierten Bereichen oder ausgedehnten Gesprächen über mehrere Runden abnehmen. Gemeldete Symptome sind wiederholtes Reasoning, gemischtsprachige Ausgaben und Widersprüche zu Zeit oder Identität. Geben Sie Antwortsprache und aktuelle Aufgabe klar an, erhalten Sie die relevanten Beobachtungen und prüfen Sie das endgültige Arbeitsergebnis anhand des gesetzten Ziels. Halten Sie diese Textausgabe von Step 3.7 Flash mit seinem zusätzlichen Vision-Encoder und seiner Bildeingabe getrennt.
", "aboutText": "Step 3.5 Flash ist das dünn besetzte Mixture-of-Experts-Textmodell von StepFun für Reasoning und agentenorientierte Arbeit. Die veröffentlichte Spezifikation nennt insgesamt 196,81 Milliarden Parameter einschließlich des Vorhersagekopfs; etwa 11 Milliarden Parameter sind pro Token aktiv. Es verarbeitet schriftliche Anweisungen und Gespräche und erzeugt Text, Code und vorgeschlagene Werkzeuginteraktionen.\n\nSeine Grundarchitektur mit 45 Schichten kombiniert Sliding-Window Attention und vollständige Attention im Verhältnis drei zu eins und unterstützt einen Kontext von 256K. Jede Expertenschicht besitzt 288 geroutete Experten sowie einen gemeinsamen Experten; acht geroutete Experten werden pro Token ausgewählt. Ein Multi-Token-Prediction-Kopf gehört zum Effizienzkonzept des Anbieters. Diese Architekturentscheidungen beschreiben das Modell; die Geschwindigkeit einer bestimmten Anwendung hängt auch von ihrer Bereitstellung und Auslastung ab.\n\nDie zentralen Aufgabenbereiche sind Reasoning, Programmierung und längere Agentenabläufe. Für einen Softwareauftrag geben Sie das erwartete Verhalten, den relevanten Quelltext und einen tatsächlichen Fehler oder eine gewünschte Änderung an. Verlangen Sie das vorgeschlagene Arbeitsergebnis und die zu seiner Beurteilung nötigen Prüfungen. In einer verbundenen Anwendung geben Sie die Ergebnisse von Befehlen und Prüfungen zurück, bevor das Modell seinen nächsten Schritt auswählt.\n\nFür Analysen mit langem Kontext definieren Sie die Frage und die wichtigen Abschnitte des Materials. Ein hilfreicher Bericht benennt seine Schlussfolgerung, die stützenden Belege und jede fehlende Beobachtung. Halten Sie das aktuelle Ziel und frühere bestätigte Erkenntnisse über Folgefragen hinweg verfügbar, damit das Modell vom Aufgabenstand aus weiterarbeiten kann, statt ihn aus einem unvollständigen Prompt zu rekonstruieren.\n\nStepFun veröffentlicht Anleitungen zur Integration und lokalen Bereitstellung für Programmier- und Rechercheanwendungen. Die Werkzeugausführung gehört zum umgebenden Arbeitsablauf: Das Modell liefert die vorgeschlagene Aktion, die Anwendung führt sie aus und gibt das Ergebnis zurück. Unterschiedliche konvertierte oder quantisierte Artefakte haben eigene Bereitstellungsbedingungen; der allgemeine Modellname wählt keines davon aus.\n\nDie bekannten Probleme des Anbieters sind konkret. Das Modell kann lange Generierungsverläufe verwenden, und die Stabilität kann in spezialisierten Bereichen oder ausgedehnten Gesprächen über mehrere Runden abnehmen. Gemeldete Symptome sind wiederholtes Reasoning, gemischtsprachige Ausgaben und Widersprüche zu Zeit oder Identität. Geben Sie Antwortsprache und aktuelle Aufgabe klar an, erhalten Sie die relevanten Beobachtungen und prüfen Sie das endgültige Arbeitsergebnis anhand des gesetzten Ziels. Halten Sie diese Textausgabe von Step 3.7 Flash mit seinem zusätzlichen Vision-Encoder und seiner Bildeingabe getrennt.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Repair a stale accumulator default\n\nReview this Python function: def collect(value, items=[]): items.append(value); return items. Separate calls unexpectedly share earlier values. Propose a correction that preserves caller-supplied list mutation but creates a fresh list when the argument is omitted. Include tests for two omitted-argument calls and a call with an explicit list. Explain the changed default behavior.A corrected function and tests distinguishing fresh defaults from deliberate mutation of a supplied list.Omitted calls do not share state, while an explicit caller list retains the documented mutation behavior.stepfun/step-3.5-flashStep 3.5 Flash von StepFun ist ein dünn besetztes Textmodell für Reasoning, Code und Agentenabläufe. Es aktiviert etwa 11 Milliarden Parameter seines Modells der 196-Milliarden-Klasse, verbindet gleitende und vollständige Attention und unterstützt einen Kontext von 256K.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Step 3.5 Flash ist das dünn besetzte Mixture-of-Experts-Textmodell von StepFun für Reasoning und agentenorientierte Arbeit. Die veröffentlichte Spezifikation nennt insgesamt 196,81 Milliarden Parameter einschließlich des Vorhersagekopfs; etwa 11 Milliarden Parameter sind pro Token aktiv. Es verarbeitet schriftliche Anweisungen und Gespräche und erzeugt Text, Code und vorgeschlagene Werkzeuginteraktionen.
Seine Grundarchitektur mit 45 Schichten kombiniert Sliding-Window Attention und vollständige Attention im Verhältnis drei zu eins und unterstützt einen Kontext von 256K. Jede Expertenschicht besitzt 288 geroutete Experten sowie einen gemeinsamen Experten; acht geroutete Experten werden pro Token ausgewählt. Ein Multi-Token-Prediction-Kopf gehört zum Effizienzkonzept des Anbieters. Diese Architekturentscheidungen beschreiben das Modell; die Geschwindigkeit einer bestimmten Anwendung hängt auch von ihrer Bereitstellung und Auslastung ab.
Die zentralen Aufgabenbereiche sind Reasoning, Programmierung und längere Agentenabläufe. Für einen Softwareauftrag geben Sie das erwartete Verhalten, den relevanten Quelltext und einen tatsächlichen Fehler oder eine gewünschte Änderung an. Verlangen Sie das vorgeschlagene Arbeitsergebnis und die zu seiner Beurteilung nötigen Prüfungen. In einer verbundenen Anwendung geben Sie die Ergebnisse von Befehlen und Prüfungen zurück, bevor das Modell seinen nächsten Schritt auswählt.
Für Analysen mit langem Kontext definieren Sie die Frage und die wichtigen Abschnitte des Materials. Ein hilfreicher Bericht benennt seine Schlussfolgerung, die stützenden Belege und jede fehlende Beobachtung. Halten Sie das aktuelle Ziel und frühere bestätigte Erkenntnisse über Folgefragen hinweg verfügbar, damit das Modell vom Aufgabenstand aus weiterarbeiten kann, statt ihn aus einem unvollständigen Prompt zu rekonstruieren.
StepFun veröffentlicht Anleitungen zur Integration und lokalen Bereitstellung für Programmier- und Rechercheanwendungen. Die Werkzeugausführung gehört zum umgebenden Arbeitsablauf: Das Modell liefert die vorgeschlagene Aktion, die Anwendung führt sie aus und gibt das Ergebnis zurück. Unterschiedliche konvertierte oder quantisierte Artefakte haben eigene Bereitstellungsbedingungen; der allgemeine Modellname wählt keines davon aus.
Die bekannten Probleme des Anbieters sind konkret. Das Modell kann lange Generierungsverläufe verwenden, und die Stabilität kann in spezialisierten Bereichen oder ausgedehnten Gesprächen über mehrere Runden abnehmen. Gemeldete Symptome sind wiederholtes Reasoning, gemischtsprachige Ausgaben und Widersprüche zu Zeit oder Identität. Geben Sie Antwortsprache und aktuelle Aufgabe klar an, erhalten Sie die relevanten Beobachtungen und prüfen Sie das endgültige Arbeitsergebnis anhand des gesetzten Ziels. Halten Sie diese Textausgabe von Step 3.7 Flash mit seinem zusätzlichen Vision-Encoder und seiner Bildeingabe getrennt.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits stepfun/step-3.5-flash | 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 $0.00022 / 1K Tokens Ausgabe · Ausgabetoken $0.00066 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.00022 / 1K Tokens Ausgabe · Ausgabetoken $0.00066 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "stepfun/step-3.5-flash", "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='stepfun/step-3.5-flash',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='stepfun/step-3.5-flash',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 stepfun/step-3.5-flash
Verwenden Sie die oben angezeigten Methodenpfade.
stepfun/step-3.5-flashStep 3.5 Flash von StepFun ist ein dünn besetztes Textmodell für Reasoning, Code und Agentenabläufe. Es aktiviert etwa 11 Milliarden Parameter seines Modells der 196-Milliarden-Klasse, verbindet gleitende und vollständige Attention und unterstützt einen Kontext von 256K.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Step 3.5 Flash ist das dünn besetzte Mixture-of-Experts-Textmodell von StepFun für Reasoning und agentenorientierte Arbeit. Die veröffentlichte Spezifikation nennt insgesamt 196,81 Milliarden Parameter einschließlich des Vorhersagekopfs; etwa 11 Milliarden Parameter sind pro Token aktiv. Es verarbeitet schriftliche Anweisungen und Gespräche und erzeugt Text, Code und vorgeschlagene Werkzeuginteraktionen.
Seine Grundarchitektur mit 45 Schichten kombiniert Sliding-Window Attention und vollständige Attention im Verhältnis drei zu eins und unterstützt einen Kontext von 256K. Jede Expertenschicht besitzt 288 geroutete Experten sowie einen gemeinsamen Experten; acht geroutete Experten werden pro Token ausgewählt. Ein Multi-Token-Prediction-Kopf gehört zum Effizienzkonzept des Anbieters. Diese Architekturentscheidungen beschreiben das Modell; die Geschwindigkeit einer bestimmten Anwendung hängt auch von ihrer Bereitstellung und Auslastung ab.
Die zentralen Aufgabenbereiche sind Reasoning, Programmierung und längere Agentenabläufe. Für einen Softwareauftrag geben Sie das erwartete Verhalten, den relevanten Quelltext und einen tatsächlichen Fehler oder eine gewünschte Änderung an. Verlangen Sie das vorgeschlagene Arbeitsergebnis und die zu seiner Beurteilung nötigen Prüfungen. In einer verbundenen Anwendung geben Sie die Ergebnisse von Befehlen und Prüfungen zurück, bevor das Modell seinen nächsten Schritt auswählt.
Für Analysen mit langem Kontext definieren Sie die Frage und die wichtigen Abschnitte des Materials. Ein hilfreicher Bericht benennt seine Schlussfolgerung, die stützenden Belege und jede fehlende Beobachtung. Halten Sie das aktuelle Ziel und frühere bestätigte Erkenntnisse über Folgefragen hinweg verfügbar, damit das Modell vom Aufgabenstand aus weiterarbeiten kann, statt ihn aus einem unvollständigen Prompt zu rekonstruieren.
StepFun veröffentlicht Anleitungen zur Integration und lokalen Bereitstellung für Programmier- und Rechercheanwendungen. Die Werkzeugausführung gehört zum umgebenden Arbeitsablauf: Das Modell liefert die vorgeschlagene Aktion, die Anwendung führt sie aus und gibt das Ergebnis zurück. Unterschiedliche konvertierte oder quantisierte Artefakte haben eigene Bereitstellungsbedingungen; der allgemeine Modellname wählt keines davon aus.
Die bekannten Probleme des Anbieters sind konkret. Das Modell kann lange Generierungsverläufe verwenden, und die Stabilität kann in spezialisierten Bereichen oder ausgedehnten Gesprächen über mehrere Runden abnehmen. Gemeldete Symptome sind wiederholtes Reasoning, gemischtsprachige Ausgaben und Widersprüche zu Zeit oder Identität. Geben Sie Antwortsprache und aktuelle Aufgabe klar an, erhalten Sie die relevanten Beobachtungen und prüfen Sie das endgültige Arbeitsergebnis anhand des gesetzten Ziels. Halten Sie diese Textausgabe von Step 3.7 Flash mit seinem zusätzlichen Vision-Encoder und seiner Bildeingabe getrennt.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits stepfun/step-3.5-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 $0.00022 / 1K Tokens Ausgabe · Ausgabetoken $0.00066 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.00022 / 1K Tokens Ausgabe · Ausgabetoken $0.00066 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "stepfun/step-3.5-flash",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'stepfun/step-3.5-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': 'stepfun/step-3.5-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 stepfun/step-3.5-flash
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Repair a stale accumulator default\n\nReview this Python function: def collect(value, items=[]): items.append(value); return items. Separate calls unexpectedly share earlier values. Propose a correction that preserves caller-supplied list mutation but creates a fresh list when the argument is omitted. Include tests for two omitted-argument calls and a call with an explicit list. Explain the changed default behavior.A corrected function and tests distinguishing fresh defaults from deliberate mutation of a supplied list.Omitted calls do not share state, while an explicit caller list retains the documented mutation behavior.