Hunyuan A13B Instruct ist Tencents auf Anweisungen abgestimmtes Mixture-of-Experts-Sprachmodell für allgemeine Text- und Reasoning-Aufgaben. Der Anbieter nennt insgesamt 80 Milliarden Parameter, davon 13 Milliarden aktiv. Grouped-Query Attention und spärliche Aktivierung gehören zu seinem Effizienzkonzept. Es bleibt vom vortrainierten Basismodell und separat veröffentlichten quantisierten Instruct-Artefakten getrennt.
Hybrides Denken ist eine ausdrückliche Funktion dieser Ausgabe. Langsames Denken ist der Standard und erzeugt vor der endgültigen Antwort eine Reasoning-Phase. Schnelles Denken überspringt diese Phase und gibt die Antwort direkt zurück. Die Prompt- und Chat-Template-Konventionen des Herstellers wählen zwischen diesen Verhaltensweisen; sie definieren keine Aufwandsstaffel mit low, medium, high und xhigh.
Der Anbieter beschreibt einen vollständigen Kontext von 256K beziehungsweise 262.144 Token, während die Standardkonfiguration den Kontext auf 32K begrenzt, um den Speicherdruck zu senken. Die Aktivierung des vollständigen Kontexts erfordert die passende Modell- und Bereitstellungskonfiguration. Die empfohlene Bereitstellung für lange Kontexte verwendet vier Geräte mit jeweils 96 GB und bfloat16 für Modell und Cache; außerdem weist der Anbieter darauf hin, dass ein FP8-Cache die Generierungsqualität beeinflussen kann. Dies sind Bereitstellungsbedingungen des Anbieters, keine Zusage für eine bestimmte Modellroute.
Für Reasoning über lange Dokumente stellen Sie das relevante Material bereit und definieren Sie Frage, Bedingungen und den zurückzugebenden Bericht. Verlangen Sie stützende Textstellen und legen Sie fest, wie mit fehlenden Belegen umzugehen ist. Für Code oder Mathematik geben Sie die Implementierung oder Voraussetzungen an und fordern Sie die vorgeschlagene Antwort mit den Schritten oder Prüfungen an, die zu ihrer Beurteilung nötig sind.
Das Modell ist auch auf Agenten- und Function-Calling-Aufgaben ausgerichtet. Der Hersteller veröffentlicht einen eigenen Parser und ein Agentenbeispiel für seine generierten Werkzeugaufrufe. Die Anwendung stellt die Werkzeugdefinitionen bereit, führt einen vorgeschlagenen Aufruf aus und liefert das Ergebnis zurück. Halten Sie den Aufruf und die zugehörige Beobachtung zusammen, damit die nächste Gesprächsrunde auf dem tatsächlichen Geschehen aufbauen kann.
Wählen Sie das Denkverhalten passend zur Aufgabe: Eine direkte Antwort kann einer gezielten Anweisung dienen, während eine Reasoning-Phase eine Analyse mit voneinander abhängigen Schritten unterstützt. Legen Sie das gewünschte Endergebnis fest und erhalten Sie die geltenden Bedingungen über Folgefragen hinweg. Prüfen Sie Text, Code oder vorgeschlagenen Aufruf anhand des ursprünglichen Auftrags und der von der umgebenden Anwendung bereitgestellten Belege.
", "aboutText": "Hunyuan A13B Instruct ist Tencents auf Anweisungen abgestimmtes Mixture-of-Experts-Sprachmodell für allgemeine Text- und Reasoning-Aufgaben. Der Anbieter nennt insgesamt 80 Milliarden Parameter, davon 13 Milliarden aktiv. Grouped-Query Attention und spärliche Aktivierung gehören zu seinem Effizienzkonzept. Es bleibt vom vortrainierten Basismodell und separat veröffentlichten quantisierten Instruct-Artefakten getrennt.\n\nHybrides Denken ist eine ausdrückliche Funktion dieser Ausgabe. Langsames Denken ist der Standard und erzeugt vor der endgültigen Antwort eine Reasoning-Phase. Schnelles Denken überspringt diese Phase und gibt die Antwort direkt zurück. Die Prompt- und Chat-Template-Konventionen des Herstellers wählen zwischen diesen Verhaltensweisen; sie definieren keine Aufwandsstaffel mit low, medium, high und xhigh.\n\nDer Anbieter beschreibt einen vollständigen Kontext von 256K beziehungsweise 262.144 Token, während die Standardkonfiguration den Kontext auf 32K begrenzt, um den Speicherdruck zu senken. Die Aktivierung des vollständigen Kontexts erfordert die passende Modell- und Bereitstellungskonfiguration. Die empfohlene Bereitstellung für lange Kontexte verwendet vier Geräte mit jeweils 96 GB und bfloat16 für Modell und Cache; außerdem weist der Anbieter darauf hin, dass ein FP8-Cache die Generierungsqualität beeinflussen kann. Dies sind Bereitstellungsbedingungen des Anbieters, keine Zusage für eine bestimmte Modellroute.\n\nFür Reasoning über lange Dokumente stellen Sie das relevante Material bereit und definieren Sie Frage, Bedingungen und den zurückzugebenden Bericht. Verlangen Sie stützende Textstellen und legen Sie fest, wie mit fehlenden Belegen umzugehen ist. Für Code oder Mathematik geben Sie die Implementierung oder Voraussetzungen an und fordern Sie die vorgeschlagene Antwort mit den Schritten oder Prüfungen an, die zu ihrer Beurteilung nötig sind.\n\nDas Modell ist auch auf Agenten- und Function-Calling-Aufgaben ausgerichtet. Der Hersteller veröffentlicht einen eigenen Parser und ein Agentenbeispiel für seine generierten Werkzeugaufrufe. Die Anwendung stellt die Werkzeugdefinitionen bereit, führt einen vorgeschlagenen Aufruf aus und liefert das Ergebnis zurück. Halten Sie den Aufruf und die zugehörige Beobachtung zusammen, damit die nächste Gesprächsrunde auf dem tatsächlichen Geschehen aufbauen kann.\n\nWählen Sie das Denkverhalten passend zur Aufgabe: Eine direkte Antwort kann einer gezielten Anweisung dienen, während eine Reasoning-Phase eine Analyse mit voneinander abhängigen Schritten unterstützt. Legen Sie das gewünschte Endergebnis fest und erhalten Sie die geltenden Bedingungen über Folgefragen hinweg. Prüfen Sie Text, Code oder vorgeschlagenen Aufruf anhand des ursprünglichen Auftrags und der von der umgebenden Anwendung bereitgestellten Belege.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Check a routing rule against cases\n\nA workshop rule says: route wooden items to bench W; route metal items to bench M; mixed-material items require supervisor review. A draft sends anything containing wood to W. Evaluate cases 'wood only', 'metal only' and 'wood plus metal'. Return the first rule conflict and a corrected decision sequence without adding new material categories.A case analysis and corrected routing sequence preserving the mixed-material exception.The wood-plus-metal item must go to supervisor review rather than directly to W.tencent/hunyuan-a13b-instructHunyuan A13B Instruct von Tencent ist ein MoE-Textmodell mit 80 Milliarden Parametern, davon 13 Milliarden aktiv, und hybridem Denken. Es unterstützt einen erweiterten Kontext von 256K und werkzeugorientierte Aufgaben, mit langsamem Denken als Standard und einer Auswahl für direkte Antworten.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Hunyuan A13B Instruct ist Tencents auf Anweisungen abgestimmtes Mixture-of-Experts-Sprachmodell für allgemeine Text- und Reasoning-Aufgaben. Der Anbieter nennt insgesamt 80 Milliarden Parameter, davon 13 Milliarden aktiv. Grouped-Query Attention und spärliche Aktivierung gehören zu seinem Effizienzkonzept. Es bleibt vom vortrainierten Basismodell und separat veröffentlichten quantisierten Instruct-Artefakten getrennt.
Hybrides Denken ist eine ausdrückliche Funktion dieser Ausgabe. Langsames Denken ist der Standard und erzeugt vor der endgültigen Antwort eine Reasoning-Phase. Schnelles Denken überspringt diese Phase und gibt die Antwort direkt zurück. Die Prompt- und Chat-Template-Konventionen des Herstellers wählen zwischen diesen Verhaltensweisen; sie definieren keine Aufwandsstaffel mit low, medium, high und xhigh.
Der Anbieter beschreibt einen vollständigen Kontext von 256K beziehungsweise 262.144 Token, während die Standardkonfiguration den Kontext auf 32K begrenzt, um den Speicherdruck zu senken. Die Aktivierung des vollständigen Kontexts erfordert die passende Modell- und Bereitstellungskonfiguration. Die empfohlene Bereitstellung für lange Kontexte verwendet vier Geräte mit jeweils 96 GB und bfloat16 für Modell und Cache; außerdem weist der Anbieter darauf hin, dass ein FP8-Cache die Generierungsqualität beeinflussen kann. Dies sind Bereitstellungsbedingungen des Anbieters, keine Zusage für eine bestimmte Modellroute.
Für Reasoning über lange Dokumente stellen Sie das relevante Material bereit und definieren Sie Frage, Bedingungen und den zurückzugebenden Bericht. Verlangen Sie stützende Textstellen und legen Sie fest, wie mit fehlenden Belegen umzugehen ist. Für Code oder Mathematik geben Sie die Implementierung oder Voraussetzungen an und fordern Sie die vorgeschlagene Antwort mit den Schritten oder Prüfungen an, die zu ihrer Beurteilung nötig sind.
Das Modell ist auch auf Agenten- und Function-Calling-Aufgaben ausgerichtet. Der Hersteller veröffentlicht einen eigenen Parser und ein Agentenbeispiel für seine generierten Werkzeugaufrufe. Die Anwendung stellt die Werkzeugdefinitionen bereit, führt einen vorgeschlagenen Aufruf aus und liefert das Ergebnis zurück. Halten Sie den Aufruf und die zugehörige Beobachtung zusammen, damit die nächste Gesprächsrunde auf dem tatsächlichen Geschehen aufbauen kann.
Wählen Sie das Denkverhalten passend zur Aufgabe: Eine direkte Antwort kann einer gezielten Anweisung dienen, während eine Reasoning-Phase eine Analyse mit voneinander abhängigen Schritten unterstützt. Legen Sie das gewünschte Endergebnis fest und erhalten Sie die geltenden Bedingungen über Folgefragen hinweg. Prüfen Sie Text, Code oder vorgeschlagenen Aufruf anhand des ursprünglichen Auftrags und der von der umgebenden Anwendung bereitgestellten Belege.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits tencent/hunyuan-a13b-instruct | 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 $0.00028 / 1K Tokens Ausgabe · Ausgabetoken $0.0012 / 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 $0.00028 / 1K Tokens Ausgabe · Ausgabetoken $0.0012 / 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": "tencent/hunyuan-a13b-instruct", "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='tencent/hunyuan-a13b-instruct',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='tencent/hunyuan-a13b-instruct',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 tencent/hunyuan-a13b-instruct
Verwenden Sie die oben angezeigten Methodenpfade.
tencent/hunyuan-a13b-instructHunyuan A13B Instruct von Tencent ist ein MoE-Textmodell mit 80 Milliarden Parametern, davon 13 Milliarden aktiv, und hybridem Denken. Es unterstützt einen erweiterten Kontext von 256K und werkzeugorientierte Aufgaben, mit langsamem Denken als Standard und einer Auswahl für direkte Antworten.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Hunyuan A13B Instruct ist Tencents auf Anweisungen abgestimmtes Mixture-of-Experts-Sprachmodell für allgemeine Text- und Reasoning-Aufgaben. Der Anbieter nennt insgesamt 80 Milliarden Parameter, davon 13 Milliarden aktiv. Grouped-Query Attention und spärliche Aktivierung gehören zu seinem Effizienzkonzept. Es bleibt vom vortrainierten Basismodell und separat veröffentlichten quantisierten Instruct-Artefakten getrennt.
Hybrides Denken ist eine ausdrückliche Funktion dieser Ausgabe. Langsames Denken ist der Standard und erzeugt vor der endgültigen Antwort eine Reasoning-Phase. Schnelles Denken überspringt diese Phase und gibt die Antwort direkt zurück. Die Prompt- und Chat-Template-Konventionen des Herstellers wählen zwischen diesen Verhaltensweisen; sie definieren keine Aufwandsstaffel mit low, medium, high und xhigh.
Der Anbieter beschreibt einen vollständigen Kontext von 256K beziehungsweise 262.144 Token, während die Standardkonfiguration den Kontext auf 32K begrenzt, um den Speicherdruck zu senken. Die Aktivierung des vollständigen Kontexts erfordert die passende Modell- und Bereitstellungskonfiguration. Die empfohlene Bereitstellung für lange Kontexte verwendet vier Geräte mit jeweils 96 GB und bfloat16 für Modell und Cache; außerdem weist der Anbieter darauf hin, dass ein FP8-Cache die Generierungsqualität beeinflussen kann. Dies sind Bereitstellungsbedingungen des Anbieters, keine Zusage für eine bestimmte Modellroute.
Für Reasoning über lange Dokumente stellen Sie das relevante Material bereit und definieren Sie Frage, Bedingungen und den zurückzugebenden Bericht. Verlangen Sie stützende Textstellen und legen Sie fest, wie mit fehlenden Belegen umzugehen ist. Für Code oder Mathematik geben Sie die Implementierung oder Voraussetzungen an und fordern Sie die vorgeschlagene Antwort mit den Schritten oder Prüfungen an, die zu ihrer Beurteilung nötig sind.
Das Modell ist auch auf Agenten- und Function-Calling-Aufgaben ausgerichtet. Der Hersteller veröffentlicht einen eigenen Parser und ein Agentenbeispiel für seine generierten Werkzeugaufrufe. Die Anwendung stellt die Werkzeugdefinitionen bereit, führt einen vorgeschlagenen Aufruf aus und liefert das Ergebnis zurück. Halten Sie den Aufruf und die zugehörige Beobachtung zusammen, damit die nächste Gesprächsrunde auf dem tatsächlichen Geschehen aufbauen kann.
Wählen Sie das Denkverhalten passend zur Aufgabe: Eine direkte Antwort kann einer gezielten Anweisung dienen, während eine Reasoning-Phase eine Analyse mit voneinander abhängigen Schritten unterstützt. Legen Sie das gewünschte Endergebnis fest und erhalten Sie die geltenden Bedingungen über Folgefragen hinweg. Prüfen Sie Text, Code oder vorgeschlagenen Aufruf anhand des ursprünglichen Auftrags und der von der umgebenden Anwendung bereitgestellten Belege.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits tencent/hunyuan-a13b-instruct | 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 $0.00028 / 1K Tokens Ausgabe · Ausgabetoken $0.0012 / 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 $0.00028 / 1K Tokens Ausgabe · Ausgabetoken $0.0012 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "tencent/hunyuan-a13b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'tencent/hunyuan-a13b-instruct', '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': 'tencent/hunyuan-a13b-instruct', '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 tencent/hunyuan-a13b-instruct
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Check a routing rule against cases\n\nA workshop rule says: route wooden items to bench W; route metal items to bench M; mixed-material items require supervisor review. A draft sends anything containing wood to W. Evaluate cases 'wood only', 'metal only' and 'wood plus metal'. Return the first rule conflict and a corrected decision sequence without adding new material categories.A case analysis and corrected routing sequence preserving the mixed-material exception.The wood-plus-metal item must go to supervisor review rather than directly to W.