Inkling-Small ist das kleinere multimodale Modell mit offenen Gewichten von Thinking Machines Lab für Reasoning, Programmierung, Gespräche und werkzeugnutzende Anwendungen. Es akzeptiert Text, Bilder und Audio und erzeugt Text. Sein Mixture-of-Experts-Design besitzt insgesamt 276 Milliarden Parameter, davon 12 Milliarden aktiv, gegenüber insgesamt 975 Milliarden und 41 Milliarden aktiven Parametern bei Inkling. Small ist ein separat veröffentlichtes Modell mit einem anderen Verhältnis von Effizienz und Fähigkeiten, kein Modus von Inkling für kürzere Ausgaben.
Für eine Codeuntersuchung stellen Sie die betroffenen Dateien, das beobachtete Verhalten und die benötigte Änderung bereit und verlangen Sie anschließend den verantwortlichen Pfad und eine gezielte Korrektur. Ein hilfreiches Endergebnis enthält den vorgeschlagenen Eingriff und die Belege aus allen Prüfungen, die die verbundene Anwendung tatsächlich ausgeführt hat. Für einen Supportassistenten geben Sie die relevante Richtlinie und Gesprächsfakten an und verlangen Sie die nächste Antwort oder eine noch fehlende Frage. Die vorgesehenen Nutzungen umfassen Programmierassistenten, Chatbots, durch Informationsabruf ergänzte Antworten und agentische Systeme mit Anwendungswerkzeugen.
Das Kontextfenster umfasst bis zu eine Million Token. Ordnen Sie ein umfangreiches Repository oder eine Dokumentensammlung mit Dateinamen, Abschnittskennzeichnungen und einer klaren Frage und bewahren Sie die Fakten, die eine spätere Stufe verwenden muss. Ein großes Fenster ist hilfreich für den Vergleich weit auseinanderliegender Informationen, doch das angeforderte Ergebnis sollte konkret bleiben: eine Codeänderung, eine quellenbasierte Erklärung oder extrahierte Felder. Neue oder private Informationen gehören in die bereitgestellten Belege oder zurückgegebenen Abrufergebnisse, statt als Teil des erlernten Wissens vorausgesetzt zu werden.
Der Denkaufwand ist steuerbar. Der Familienleitfaden des Anbieters verwendet stufenlose Werte von einschließlich 0.0 bis unter 1.0, mit den Ausgangsvorgaben none, minimal, low, medium, high und xhigh entsprechend 0.0, 0.1, 0.2, 0.7, 0.9 und 0.99. Der Renderer des Anbieters verwendet standardmäßig high. Ein höherer Aufwand kann mehr Reasoning fördern und ein größeres Generierungsbudget benötigen, garantiert jedoch keine längere oder genauere Antwort. Eine Nulleinstellung lenkt das Modell in Richtung einer Antwort ohne Reasoning, statt dessen Abwesenheit strikt zu erzwingen. Wählen Sie den Aufwand passend zur Aufgabe und halten Sie die Anforderung an die endgültige Ausgabe klar.
Bilder können visuelle Fragen, Diagramm- oder Schaubildinterpretation und mathematisches Reasoning aus sichtbaren Informationen unterstützen. Für gute Leistung verwenden Sie Bilder mit Abmessungen zwischen 40 und 4.096 Pixeln. Bewahren Sie lesbare Beschriftungen und erklären Sie das wichtige Detail. Mit einem konfigurierten Python-Werkzeug kann das Modell visuelles Reasoning mit Zuschneiden, Vergrößern und programmatischer Prüfung eines Dokuments oder Diagramms verbinden. Diese Operationen müssen von der verbundenen Werkzeugumgebung ausgeführt werden; die schriftliche Antwort sollte die daraus zurückgegebenen Beobachtungen verwenden.
Die Audioeingabe ist WAV mit 16 kHz Abtastrate, idealerweise mit Aufnahmen unter zwei Minuten für optimale Leistung. Dies ist eine Vorbereitungsempfehlung, keine harte Dauergarantie. Verwenden Sie eine relevante gesprochene Frage oder einen kurzen Clip und legen Sie fest, ob das schriftliche Ergebnis Sprache transkribieren, eine Frage zur Aufnahme beantworten oder ihren Inhalt zu anderem bereitgestelltem Material in Beziehung setzen soll. Die native Antwort ist Text statt generierter Sprache. Die separate Empfehlung von Inkling für längere Audioinhalte darf nicht auf die Small-Ausgabe übertragen werden.
Arbeitsabläufe mit Werkzeugnutzung benötigen aussagekräftige Werkzeugbeschreibungen, Argumentdefinitionen und Ergebnisse der von der Anwendung ausgeführten Operationen. Halten Sie ein Abfrageergebnis, eine Berechnung oder eine Dateibeobachtung von der vorgeschlagenen Aktion des Modells getrennt. Bei einer Diagrammabweichung benennen Sie die relevanten Beschriftungen, prüfen Sie die bereitgestellten Werte mit einem Berechnungswerkzeug und verlangen Sie eine Erklärung, die diese Werte anführt. Das Modell ist auf unterschiedliche Programmier- und Agentenumgebungen trainiert; die umgebende Aufgabe und Werkzeuge sollten daher beschrieben und nicht stillschweigend vorausgesetzt werden.
Die offenen Gewichte unterstützen Modellforschung, Fine-Tuning und die Integration in nachgelagerte Produkte. Die Veröffentlichung von Inkling-Small folgt auf einen früheren Preview-Checkpoint und enthält weiteres Training für agentengestützte Programmierung; das endgültige Modell und diese Preview sollten getrennte Identitäten behalten. Für eine spezialisierte Extraktion oder einen Antwortstil nutzt die Anpassung repräsentative Beispiele und ein ausdrückliches Zielverhalten. Ein gewöhnlicher Prompt stellt dagegen Kontext für die aktuelle Anfrage bereit; er erstellt kein neu trainiertes Modell und wechselt nicht zu einem solchen.
Eine hilfreiche Ergebnisprüfung kontrolliert, ob die vorgeschlagene Codeänderung, Transkription, extrahierten Fakten oder schriftliche Antwort zu den bereitgestellten Belegen passen. Legen Sie fest, wie Unsicherheit und fehlende Informationen erscheinen sollen, besonders bei einer Prognose oder Faktenantwort mit unvollständiger Quelle. Der Hersteller trainierte Inkling-Small zur Prognosekalibrierung mit Reinforcement Learning anhand anreizkompatibler Bewertungsregeln für Fragen aus der realen Welt, mit dem Ziel, eine zu den verfügbaren Belegen passende Zuversicht auszudrücken. Bewahren Sie Material und Werkzeugbeobachtungen beim Arbeitsergebnis auf, damit eine Folgefrage ein Problem überarbeiten kann, ohne die ursprüngliche Aufgabe zu verlieren. Die allgemeinen mehrsprachigen und multimodalen Fähigkeiten von Inkling-Small bleiben von einem speziellen Sprachgenerator oder einem garantierten Dienst zur Ausführung externer Aktionen getrennt.
", "aboutText": "Inkling-Small ist das kleinere multimodale Modell mit offenen Gewichten von Thinking Machines Lab für Reasoning, Programmierung, Gespräche und werkzeugnutzende Anwendungen. Es akzeptiert Text, Bilder und Audio und erzeugt Text. Sein Mixture-of-Experts-Design besitzt insgesamt 276 Milliarden Parameter, davon 12 Milliarden aktiv, gegenüber insgesamt 975 Milliarden und 41 Milliarden aktiven Parametern bei Inkling. Small ist ein separat veröffentlichtes Modell mit einem anderen Verhältnis von Effizienz und Fähigkeiten, kein Modus von Inkling für kürzere Ausgaben.\n\nFür eine Codeuntersuchung stellen Sie die betroffenen Dateien, das beobachtete Verhalten und die benötigte Änderung bereit und verlangen Sie anschließend den verantwortlichen Pfad und eine gezielte Korrektur. Ein hilfreiches Endergebnis enthält den vorgeschlagenen Eingriff und die Belege aus allen Prüfungen, die die verbundene Anwendung tatsächlich ausgeführt hat. Für einen Supportassistenten geben Sie die relevante Richtlinie und Gesprächsfakten an und verlangen Sie die nächste Antwort oder eine noch fehlende Frage. Die vorgesehenen Nutzungen umfassen Programmierassistenten, Chatbots, durch Informationsabruf ergänzte Antworten und agentische Systeme mit Anwendungswerkzeugen.\n\nDas Kontextfenster umfasst bis zu eine Million Token. Ordnen Sie ein umfangreiches Repository oder eine Dokumentensammlung mit Dateinamen, Abschnittskennzeichnungen und einer klaren Frage und bewahren Sie die Fakten, die eine spätere Stufe verwenden muss. Ein großes Fenster ist hilfreich für den Vergleich weit auseinanderliegender Informationen, doch das angeforderte Ergebnis sollte konkret bleiben: eine Codeänderung, eine quellenbasierte Erklärung oder extrahierte Felder. Neue oder private Informationen gehören in die bereitgestellten Belege oder zurückgegebenen Abrufergebnisse, statt als Teil des erlernten Wissens vorausgesetzt zu werden.\n\nDer Denkaufwand ist steuerbar. Der Familienleitfaden des Anbieters verwendet stufenlose Werte von einschließlich 0.0 bis unter 1.0, mit den Ausgangsvorgaben none, minimal, low, medium, high und xhigh entsprechend 0.0, 0.1, 0.2, 0.7, 0.9 und 0.99. Der Renderer des Anbieters verwendet standardmäßig high. Ein höherer Aufwand kann mehr Reasoning fördern und ein größeres Generierungsbudget benötigen, garantiert jedoch keine längere oder genauere Antwort. Eine Nulleinstellung lenkt das Modell in Richtung einer Antwort ohne Reasoning, statt dessen Abwesenheit strikt zu erzwingen. Wählen Sie den Aufwand passend zur Aufgabe und halten Sie die Anforderung an die endgültige Ausgabe klar.\n\nBilder können visuelle Fragen, Diagramm- oder Schaubildinterpretation und mathematisches Reasoning aus sichtbaren Informationen unterstützen. Für gute Leistung verwenden Sie Bilder mit Abmessungen zwischen 40 und 4.096 Pixeln. Bewahren Sie lesbare Beschriftungen und erklären Sie das wichtige Detail. Mit einem konfigurierten Python-Werkzeug kann das Modell visuelles Reasoning mit Zuschneiden, Vergrößern und programmatischer Prüfung eines Dokuments oder Diagramms verbinden. Diese Operationen müssen von der verbundenen Werkzeugumgebung ausgeführt werden; die schriftliche Antwort sollte die daraus zurückgegebenen Beobachtungen verwenden.\n\nDie Audioeingabe ist WAV mit 16 kHz Abtastrate, idealerweise mit Aufnahmen unter zwei Minuten für optimale Leistung. Dies ist eine Vorbereitungsempfehlung, keine harte Dauergarantie. Verwenden Sie eine relevante gesprochene Frage oder einen kurzen Clip und legen Sie fest, ob das schriftliche Ergebnis Sprache transkribieren, eine Frage zur Aufnahme beantworten oder ihren Inhalt zu anderem bereitgestelltem Material in Beziehung setzen soll. Die native Antwort ist Text statt generierter Sprache. Die separate Empfehlung von Inkling für längere Audioinhalte darf nicht auf die Small-Ausgabe übertragen werden.\n\nArbeitsabläufe mit Werkzeugnutzung benötigen aussagekräftige Werkzeugbeschreibungen, Argumentdefinitionen und Ergebnisse der von der Anwendung ausgeführten Operationen. Halten Sie ein Abfrageergebnis, eine Berechnung oder eine Dateibeobachtung von der vorgeschlagenen Aktion des Modells getrennt. Bei einer Diagrammabweichung benennen Sie die relevanten Beschriftungen, prüfen Sie die bereitgestellten Werte mit einem Berechnungswerkzeug und verlangen Sie eine Erklärung, die diese Werte anführt. Das Modell ist auf unterschiedliche Programmier- und Agentenumgebungen trainiert; die umgebende Aufgabe und Werkzeuge sollten daher beschrieben und nicht stillschweigend vorausgesetzt werden.\n\nDie offenen Gewichte unterstützen Modellforschung, Fine-Tuning und die Integration in nachgelagerte Produkte. Die Veröffentlichung von Inkling-Small folgt auf einen früheren Preview-Checkpoint und enthält weiteres Training für agentengestützte Programmierung; das endgültige Modell und diese Preview sollten getrennte Identitäten behalten. Für eine spezialisierte Extraktion oder einen Antwortstil nutzt die Anpassung repräsentative Beispiele und ein ausdrückliches Zielverhalten. Ein gewöhnlicher Prompt stellt dagegen Kontext für die aktuelle Anfrage bereit; er erstellt kein neu trainiertes Modell und wechselt nicht zu einem solchen.\n\nEine hilfreiche Ergebnisprüfung kontrolliert, ob die vorgeschlagene Codeänderung, Transkription, extrahierten Fakten oder schriftliche Antwort zu den bereitgestellten Belegen passen. Legen Sie fest, wie Unsicherheit und fehlende Informationen erscheinen sollen, besonders bei einer Prognose oder Faktenantwort mit unvollständiger Quelle. Der Hersteller trainierte Inkling-Small zur Prognosekalibrierung mit Reinforcement Learning anhand anreizkompatibler Bewertungsregeln für Fragen aus der realen Welt, mit dem Ziel, eine zu den verfügbaren Belegen passende Zuversicht auszudrücken. Bewahren Sie Material und Werkzeugbeobachtungen beim Arbeitsergebnis auf, damit eine Folgefrage ein Problem überarbeiten kann, ohne die ursprüngliche Aufgabe zu verlieren. Die allgemeinen mehrsprachigen und multimodalen Fähigkeiten von Inkling-Small bleiben von einem speziellen Sprachgenerator oder einem garantierten Dienst zur Ausführung externer Aktionen getrennt.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "7ff3ce24637ebb10feeb148bcf66b30a990d7a9dae28fcfc9a98bd5147d9cb99", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "de-at", "methods": [ { "html": "thinkingmachines/inkling-small:freeInkling-Small ist ein multimodales Modell mit offenen Gewichten für Programmierung, Werkzeugnutzung und Schlussfolgern anhand von Text, Bildern und Audio. Sein steuerbarer Thinking-Aufwand und großer Kontext unterstützen gezielte Anwendungsaufgaben mit schriftlichen Ergebnissen; das aktive Modell ist kleiner als bei Inkling.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Inkling-Small ist das kleinere multimodale Modell mit offenen Gewichten von Thinking Machines Lab für Reasoning, Programmierung, Gespräche und werkzeugnutzende Anwendungen. Es akzeptiert Text, Bilder und Audio und erzeugt Text. Sein Mixture-of-Experts-Design besitzt insgesamt 276 Milliarden Parameter, davon 12 Milliarden aktiv, gegenüber insgesamt 975 Milliarden und 41 Milliarden aktiven Parametern bei Inkling. Small ist ein separat veröffentlichtes Modell mit einem anderen Verhältnis von Effizienz und Fähigkeiten, kein Modus von Inkling für kürzere Ausgaben.
Für eine Codeuntersuchung stellen Sie die betroffenen Dateien, das beobachtete Verhalten und die benötigte Änderung bereit und verlangen Sie anschließend den verantwortlichen Pfad und eine gezielte Korrektur. Ein hilfreiches Endergebnis enthält den vorgeschlagenen Eingriff und die Belege aus allen Prüfungen, die die verbundene Anwendung tatsächlich ausgeführt hat. Für einen Supportassistenten geben Sie die relevante Richtlinie und Gesprächsfakten an und verlangen Sie die nächste Antwort oder eine noch fehlende Frage. Die vorgesehenen Nutzungen umfassen Programmierassistenten, Chatbots, durch Informationsabruf ergänzte Antworten und agentische Systeme mit Anwendungswerkzeugen.
Das Kontextfenster umfasst bis zu eine Million Token. Ordnen Sie ein umfangreiches Repository oder eine Dokumentensammlung mit Dateinamen, Abschnittskennzeichnungen und einer klaren Frage und bewahren Sie die Fakten, die eine spätere Stufe verwenden muss. Ein großes Fenster ist hilfreich für den Vergleich weit auseinanderliegender Informationen, doch das angeforderte Ergebnis sollte konkret bleiben: eine Codeänderung, eine quellenbasierte Erklärung oder extrahierte Felder. Neue oder private Informationen gehören in die bereitgestellten Belege oder zurückgegebenen Abrufergebnisse, statt als Teil des erlernten Wissens vorausgesetzt zu werden.
Der Denkaufwand ist steuerbar. Der Familienleitfaden des Anbieters verwendet stufenlose Werte von einschließlich 0.0 bis unter 1.0, mit den Ausgangsvorgaben none, minimal, low, medium, high und xhigh entsprechend 0.0, 0.1, 0.2, 0.7, 0.9 und 0.99. Der Renderer des Anbieters verwendet standardmäßig high. Ein höherer Aufwand kann mehr Reasoning fördern und ein größeres Generierungsbudget benötigen, garantiert jedoch keine längere oder genauere Antwort. Eine Nulleinstellung lenkt das Modell in Richtung einer Antwort ohne Reasoning, statt dessen Abwesenheit strikt zu erzwingen. Wählen Sie den Aufwand passend zur Aufgabe und halten Sie die Anforderung an die endgültige Ausgabe klar.
Bilder können visuelle Fragen, Diagramm- oder Schaubildinterpretation und mathematisches Reasoning aus sichtbaren Informationen unterstützen. Für gute Leistung verwenden Sie Bilder mit Abmessungen zwischen 40 und 4.096 Pixeln. Bewahren Sie lesbare Beschriftungen und erklären Sie das wichtige Detail. Mit einem konfigurierten Python-Werkzeug kann das Modell visuelles Reasoning mit Zuschneiden, Vergrößern und programmatischer Prüfung eines Dokuments oder Diagramms verbinden. Diese Operationen müssen von der verbundenen Werkzeugumgebung ausgeführt werden; die schriftliche Antwort sollte die daraus zurückgegebenen Beobachtungen verwenden.
Die Audioeingabe ist WAV mit 16 kHz Abtastrate, idealerweise mit Aufnahmen unter zwei Minuten für optimale Leistung. Dies ist eine Vorbereitungsempfehlung, keine harte Dauergarantie. Verwenden Sie eine relevante gesprochene Frage oder einen kurzen Clip und legen Sie fest, ob das schriftliche Ergebnis Sprache transkribieren, eine Frage zur Aufnahme beantworten oder ihren Inhalt zu anderem bereitgestelltem Material in Beziehung setzen soll. Die native Antwort ist Text statt generierter Sprache. Die separate Empfehlung von Inkling für längere Audioinhalte darf nicht auf die Small-Ausgabe übertragen werden.
Arbeitsabläufe mit Werkzeugnutzung benötigen aussagekräftige Werkzeugbeschreibungen, Argumentdefinitionen und Ergebnisse der von der Anwendung ausgeführten Operationen. Halten Sie ein Abfrageergebnis, eine Berechnung oder eine Dateibeobachtung von der vorgeschlagenen Aktion des Modells getrennt. Bei einer Diagrammabweichung benennen Sie die relevanten Beschriftungen, prüfen Sie die bereitgestellten Werte mit einem Berechnungswerkzeug und verlangen Sie eine Erklärung, die diese Werte anführt. Das Modell ist auf unterschiedliche Programmier- und Agentenumgebungen trainiert; die umgebende Aufgabe und Werkzeuge sollten daher beschrieben und nicht stillschweigend vorausgesetzt werden.
Die offenen Gewichte unterstützen Modellforschung, Fine-Tuning und die Integration in nachgelagerte Produkte. Die Veröffentlichung von Inkling-Small folgt auf einen früheren Preview-Checkpoint und enthält weiteres Training für agentengestützte Programmierung; das endgültige Modell und diese Preview sollten getrennte Identitäten behalten. Für eine spezialisierte Extraktion oder einen Antwortstil nutzt die Anpassung repräsentative Beispiele und ein ausdrückliches Zielverhalten. Ein gewöhnlicher Prompt stellt dagegen Kontext für die aktuelle Anfrage bereit; er erstellt kein neu trainiertes Modell und wechselt nicht zu einem solchen.
Eine hilfreiche Ergebnisprüfung kontrolliert, ob die vorgeschlagene Codeänderung, Transkription, extrahierten Fakten oder schriftliche Antwort zu den bereitgestellten Belegen passen. Legen Sie fest, wie Unsicherheit und fehlende Informationen erscheinen sollen, besonders bei einer Prognose oder Faktenantwort mit unvollständiger Quelle. Der Hersteller trainierte Inkling-Small zur Prognosekalibrierung mit Reinforcement Learning anhand anreizkompatibler Bewertungsregeln für Fragen aus der realen Welt, mit dem Ziel, eine zu den verfügbaren Belegen passende Zuversicht auszudrücken. Bewahren Sie Material und Werkzeugbeobachtungen beim Arbeitsergebnis auf, damit eine Folgefrage ein Problem überarbeiten kann, ohne die ursprüngliche Aufgabe zu verlieren. Die allgemeinen mehrsprachigen und multimodalen Fähigkeiten von Inkling-Small bleiben von einem speziellen Sprachgenerator oder einem garantierten Dienst zur Ausführung externer Aktionen getrennt.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits thinkingmachines/inkling-small:free | Standard— |
Feldmessages | Typarray | AnforderungErforderlich | Werte und Limits | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits false | Standardfalse |
Feldmax_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Maximum: 262 144 | Standard— |
Feldmax_completion_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Maximum: 262 144 | Standard— |
Feldn | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Maximum: 128 | Standard— |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits | Standard— |
Feldseed | Typinteger | AnforderungOptional | Werte und Limits | Standard— |
Feldstop | Typ | AnforderungOptional | Werte und Limits | Standard— |
Feldfrequency_penalty | Typnumber | AnforderungOptional | Werte und Limits | Standard— |
Feldpresence_penalty | Typnumber | AnforderungOptional | Werte und Limits | Standard— |
Felduser | Typstring | AnforderungOptional | Werte und Limits | Standard— |
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages |
Parameteroptional | Vertragstream, max_tokens, max_completion_tokens, n, temperature, top_p, seed, stop, frequency_penalty, presence_penalty, user |
Parametermaterial_types | Vertragtext |
Parameterconditions | VertragUse literal text messages only. Cache controls, tools, image/audio/video content and streamed responses are unavailable for this method., The complete encoded JSON request must not exceed 1048576 bytes. |
Lebenszyklus: synchronous_json
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Tokens | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0 / 1K Tokens Ausgabe · Ausgabetoken $0 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nexport AILOOT_API_KEY\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "thinkingmachines/inkling-small:free", "messages": [{"role": "user", "content": "Summarize the supplied text in three concise points."}], "stream": false}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\n# Submit once. Retain the complete result, original identifiers and every response header.\nJSON
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Retain the complete response, all actual results, original identifiers, usage and response headers.
Preserve the original response, headers and X-Client-Request-ID. An uncertain outcome does not authorize another creation.
Ailoot Ultra thinkingmachines/inkling-small:free
Verwenden Sie die oben angezeigten Methodenpfade.
thinkingmachines/inkling-small:freeInkling-Small ist ein multimodales Modell mit offenen Gewichten für Programmierung, Werkzeugnutzung und Schlussfolgern anhand von Text, Bildern und Audio. Sein steuerbarer Thinking-Aufwand und großer Kontext unterstützen gezielte Anwendungsaufgaben mit schriftlichen Ergebnissen; das aktive Modell ist kleiner als bei Inkling.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Inkling-Small ist das kleinere multimodale Modell mit offenen Gewichten von Thinking Machines Lab für Reasoning, Programmierung, Gespräche und werkzeugnutzende Anwendungen. Es akzeptiert Text, Bilder und Audio und erzeugt Text. Sein Mixture-of-Experts-Design besitzt insgesamt 276 Milliarden Parameter, davon 12 Milliarden aktiv, gegenüber insgesamt 975 Milliarden und 41 Milliarden aktiven Parametern bei Inkling. Small ist ein separat veröffentlichtes Modell mit einem anderen Verhältnis von Effizienz und Fähigkeiten, kein Modus von Inkling für kürzere Ausgaben.
Für eine Codeuntersuchung stellen Sie die betroffenen Dateien, das beobachtete Verhalten und die benötigte Änderung bereit und verlangen Sie anschließend den verantwortlichen Pfad und eine gezielte Korrektur. Ein hilfreiches Endergebnis enthält den vorgeschlagenen Eingriff und die Belege aus allen Prüfungen, die die verbundene Anwendung tatsächlich ausgeführt hat. Für einen Supportassistenten geben Sie die relevante Richtlinie und Gesprächsfakten an und verlangen Sie die nächste Antwort oder eine noch fehlende Frage. Die vorgesehenen Nutzungen umfassen Programmierassistenten, Chatbots, durch Informationsabruf ergänzte Antworten und agentische Systeme mit Anwendungswerkzeugen.
Das Kontextfenster umfasst bis zu eine Million Token. Ordnen Sie ein umfangreiches Repository oder eine Dokumentensammlung mit Dateinamen, Abschnittskennzeichnungen und einer klaren Frage und bewahren Sie die Fakten, die eine spätere Stufe verwenden muss. Ein großes Fenster ist hilfreich für den Vergleich weit auseinanderliegender Informationen, doch das angeforderte Ergebnis sollte konkret bleiben: eine Codeänderung, eine quellenbasierte Erklärung oder extrahierte Felder. Neue oder private Informationen gehören in die bereitgestellten Belege oder zurückgegebenen Abrufergebnisse, statt als Teil des erlernten Wissens vorausgesetzt zu werden.
Der Denkaufwand ist steuerbar. Der Familienleitfaden des Anbieters verwendet stufenlose Werte von einschließlich 0.0 bis unter 1.0, mit den Ausgangsvorgaben none, minimal, low, medium, high und xhigh entsprechend 0.0, 0.1, 0.2, 0.7, 0.9 und 0.99. Der Renderer des Anbieters verwendet standardmäßig high. Ein höherer Aufwand kann mehr Reasoning fördern und ein größeres Generierungsbudget benötigen, garantiert jedoch keine längere oder genauere Antwort. Eine Nulleinstellung lenkt das Modell in Richtung einer Antwort ohne Reasoning, statt dessen Abwesenheit strikt zu erzwingen. Wählen Sie den Aufwand passend zur Aufgabe und halten Sie die Anforderung an die endgültige Ausgabe klar.
Bilder können visuelle Fragen, Diagramm- oder Schaubildinterpretation und mathematisches Reasoning aus sichtbaren Informationen unterstützen. Für gute Leistung verwenden Sie Bilder mit Abmessungen zwischen 40 und 4.096 Pixeln. Bewahren Sie lesbare Beschriftungen und erklären Sie das wichtige Detail. Mit einem konfigurierten Python-Werkzeug kann das Modell visuelles Reasoning mit Zuschneiden, Vergrößern und programmatischer Prüfung eines Dokuments oder Diagramms verbinden. Diese Operationen müssen von der verbundenen Werkzeugumgebung ausgeführt werden; die schriftliche Antwort sollte die daraus zurückgegebenen Beobachtungen verwenden.
Die Audioeingabe ist WAV mit 16 kHz Abtastrate, idealerweise mit Aufnahmen unter zwei Minuten für optimale Leistung. Dies ist eine Vorbereitungsempfehlung, keine harte Dauergarantie. Verwenden Sie eine relevante gesprochene Frage oder einen kurzen Clip und legen Sie fest, ob das schriftliche Ergebnis Sprache transkribieren, eine Frage zur Aufnahme beantworten oder ihren Inhalt zu anderem bereitgestelltem Material in Beziehung setzen soll. Die native Antwort ist Text statt generierter Sprache. Die separate Empfehlung von Inkling für längere Audioinhalte darf nicht auf die Small-Ausgabe übertragen werden.
Arbeitsabläufe mit Werkzeugnutzung benötigen aussagekräftige Werkzeugbeschreibungen, Argumentdefinitionen und Ergebnisse der von der Anwendung ausgeführten Operationen. Halten Sie ein Abfrageergebnis, eine Berechnung oder eine Dateibeobachtung von der vorgeschlagenen Aktion des Modells getrennt. Bei einer Diagrammabweichung benennen Sie die relevanten Beschriftungen, prüfen Sie die bereitgestellten Werte mit einem Berechnungswerkzeug und verlangen Sie eine Erklärung, die diese Werte anführt. Das Modell ist auf unterschiedliche Programmier- und Agentenumgebungen trainiert; die umgebende Aufgabe und Werkzeuge sollten daher beschrieben und nicht stillschweigend vorausgesetzt werden.
Die offenen Gewichte unterstützen Modellforschung, Fine-Tuning und die Integration in nachgelagerte Produkte. Die Veröffentlichung von Inkling-Small folgt auf einen früheren Preview-Checkpoint und enthält weiteres Training für agentengestützte Programmierung; das endgültige Modell und diese Preview sollten getrennte Identitäten behalten. Für eine spezialisierte Extraktion oder einen Antwortstil nutzt die Anpassung repräsentative Beispiele und ein ausdrückliches Zielverhalten. Ein gewöhnlicher Prompt stellt dagegen Kontext für die aktuelle Anfrage bereit; er erstellt kein neu trainiertes Modell und wechselt nicht zu einem solchen.
Eine hilfreiche Ergebnisprüfung kontrolliert, ob die vorgeschlagene Codeänderung, Transkription, extrahierten Fakten oder schriftliche Antwort zu den bereitgestellten Belegen passen. Legen Sie fest, wie Unsicherheit und fehlende Informationen erscheinen sollen, besonders bei einer Prognose oder Faktenantwort mit unvollständiger Quelle. Der Hersteller trainierte Inkling-Small zur Prognosekalibrierung mit Reinforcement Learning anhand anreizkompatibler Bewertungsregeln für Fragen aus der realen Welt, mit dem Ziel, eine zu den verfügbaren Belegen passende Zuversicht auszudrücken. Bewahren Sie Material und Werkzeugbeobachtungen beim Arbeitsergebnis auf, damit eine Folgefrage ein Problem überarbeiten kann, ohne die ursprüngliche Aufgabe zu verlieren. Die allgemeinen mehrsprachigen und multimodalen Fähigkeiten von Inkling-Small bleiben von einem speziellen Sprachgenerator oder einem garantierten Dienst zur Ausführung externer Aktionen getrennt.
POST /v1/messagestexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits thinkingmachines/inkling-small:free | Standard— |
Feldmessages | Typarray | AnforderungErforderlich | Werte und Limits | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits false | Standardfalse |
Feldsystem | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits Minimum: 1 Maximum: 262 144 | Standard— |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits | Standard— |
Feldtop_k | Typinteger | AnforderungOptional | Werte und Limits | Standard— |
Feldstop_sequences | Typarray | AnforderungOptional | Werte und Limits | Standard— |
Feldmetadata | Typobject | AnforderungOptional | Werte und Limits | Standard— |
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional | Vertragstream, system, temperature, top_p, top_k, stop_sequences, metadata |
Parametermaterial_types | Vertragtext |
Parameterconditions | VertragUse literal text messages only. Cache controls, tools, image/audio/video content and streamed responses are unavailable for this method., The complete encoded JSON request must not exceed 1048576 bytes. |
Lebenszyklus: synchronous_json
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Tokens | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0 / 1K Tokens Ausgabe · Ausgabetoken $0 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nexport AILOOT_API_KEY\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "thinkingmachines/inkling-small:free", "messages": [{"role": "user", "content": "Summarize the supplied text in three concise points."}], "stream": false, "max_tokens": 256}')\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/messages \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\n# Submit once. Retain the complete result, original identifiers and every response header.\nJSON
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Retain the complete response, all actual results, original identifiers, usage and response headers.
Preserve the original response, headers and X-Client-Request-ID. An uncertain outcome does not authorize another creation.
Ailoot Ultra thinkingmachines/inkling-small:free
Verwenden Sie die oben angezeigten Methodenpfade.