Pareto 26.10 Preview ist die Preview-Ausgabe des kombinierten Sprachmodells von Unbiased. Mehrere Modelle bearbeiten dieselbe Anfrage parallel, und eine aufgabenabhängige Synthese erzeugt eine einzelne Antwort. Die Zusammensetzung kann sich ändern, während der Anbieter die Veröffentlichung weiterentwickelt. Der Preview-Name bezeichnet somit eine sich entwickelnde Ausgabe und keine eingefrorene Zusammenstellung von Komponentenmodellen.
Pareto akzeptiert schriftliche Prompts und Bildmaterial und gibt eine Textantwort zurück. Zu den dokumentierten Anwendungsbereichen gehören wissensintensives Reasoning, Recherche und agentengestützte Programmierung. Der Hersteller stellt die Preview als Weiterentwicklung der vorherigen Pareto-Veröffentlichung vor, mit besonderem Augenmerk auf ausgedehnte Agentenabläufe. Diese Ausgabe bleibt von der unversionierten Pareto-Auswahl und der früheren Veröffentlichung 26.9 getrennt.
Für einen Rechercheauftrag stellen Sie die Frage, das Quellenmaterial und die Entscheidung bereit, die die Antwort unterstützen soll. Ein hilfreicher Prompt kann eine Belegtabelle mit einer Aussage, der stützenden Textstelle und jedem ungelösten Widerspruch verlangen. Ist ein Bild Teil der Belege, benennen Sie das zu untersuchende sichtbare Merkmal und erklären Sie seinen Bezug zur schriftlichen Frage. Die resultierende Antwort kann anschließend eine Vergleichsnotiz, eine Problemliste oder eine Reihe von Fragen für weitere Untersuchungen bilden.
Für Softwarearbeit fügen Sie relevanten Code, erwartetes Verhalten und den beobachteten Fehler hinzu. Verlangen Sie eine vorgeschlagene Änderung und anschließend eine Erklärung, wie sie geprüft werden kann. Unterscheiden Sie in einem verbundenen Programmierablauf den vom Modell vorgeschlagenen Befehl oder Patch vom Ergebnis, das die Ausführungswerkzeuge der Anwendung zurückgeben. Eine Folgenachricht kann dieses Ergebnis bereitstellen und das Modell auffordern, die vorgeschlagene Änderung anhand der neuen Belege zu überarbeiten.
Bereiten Sie lange Aufträge um ein konkretes Arbeitsergebnis herum vor: die Abschnitte eines Berichts, die von einer Änderung betroffenen Dateien oder die bei einer Prüfung erwarteten Felder. Halten Sie Aufgabenbedingungen und die neuesten bestätigten Erkenntnisse im Gespräch, damit spätere Runden einen klaren Ausgangspunkt haben. Eine Repository-Untersuchung kann beispielsweise mit einer knappen Änderungszusammenfassung, der betroffenen Komponente und einer Liste der von Entwickelnden auszuführenden Prüfungen enden. Dies sind Möglichkeiten zur Organisation von Aufgabe und Ausgabe, keine zusätzlichen Modellmodi.
Der Anbieter dokumentiert Gesprächsanfragen und gestreamte Antworten in eigenen Integrationsformaten. Diese beschreiben, wie der Hersteller Pareto bereitstellt; die Modellmischung selbst liefert die Sprachmodellantwort. Externe Informationssammlung, Befehlsausführung und Änderungen an Dateien der Nutzenden hängen von der umgebenden Anwendung und ihren Werkzeugen ab.
", "aboutText": "Pareto 26.10 Preview ist die Preview-Ausgabe des kombinierten Sprachmodells von Unbiased. Mehrere Modelle bearbeiten dieselbe Anfrage parallel, und eine aufgabenabhängige Synthese erzeugt eine einzelne Antwort. Die Zusammensetzung kann sich ändern, während der Anbieter die Veröffentlichung weiterentwickelt. Der Preview-Name bezeichnet somit eine sich entwickelnde Ausgabe und keine eingefrorene Zusammenstellung von Komponentenmodellen.\n\nPareto akzeptiert schriftliche Prompts und Bildmaterial und gibt eine Textantwort zurück. Zu den dokumentierten Anwendungsbereichen gehören wissensintensives Reasoning, Recherche und agentengestützte Programmierung. Der Hersteller stellt die Preview als Weiterentwicklung der vorherigen Pareto-Veröffentlichung vor, mit besonderem Augenmerk auf ausgedehnte Agentenabläufe. Diese Ausgabe bleibt von der unversionierten Pareto-Auswahl und der früheren Veröffentlichung 26.9 getrennt.\n\nFür einen Rechercheauftrag stellen Sie die Frage, das Quellenmaterial und die Entscheidung bereit, die die Antwort unterstützen soll. Ein hilfreicher Prompt kann eine Belegtabelle mit einer Aussage, der stützenden Textstelle und jedem ungelösten Widerspruch verlangen. Ist ein Bild Teil der Belege, benennen Sie das zu untersuchende sichtbare Merkmal und erklären Sie seinen Bezug zur schriftlichen Frage. Die resultierende Antwort kann anschließend eine Vergleichsnotiz, eine Problemliste oder eine Reihe von Fragen für weitere Untersuchungen bilden.\n\nFür Softwarearbeit fügen Sie relevanten Code, erwartetes Verhalten und den beobachteten Fehler hinzu. Verlangen Sie eine vorgeschlagene Änderung und anschließend eine Erklärung, wie sie geprüft werden kann. Unterscheiden Sie in einem verbundenen Programmierablauf den vom Modell vorgeschlagenen Befehl oder Patch vom Ergebnis, das die Ausführungswerkzeuge der Anwendung zurückgeben. Eine Folgenachricht kann dieses Ergebnis bereitstellen und das Modell auffordern, die vorgeschlagene Änderung anhand der neuen Belege zu überarbeiten.\n\nBereiten Sie lange Aufträge um ein konkretes Arbeitsergebnis herum vor: die Abschnitte eines Berichts, die von einer Änderung betroffenen Dateien oder die bei einer Prüfung erwarteten Felder. Halten Sie Aufgabenbedingungen und die neuesten bestätigten Erkenntnisse im Gespräch, damit spätere Runden einen klaren Ausgangspunkt haben. Eine Repository-Untersuchung kann beispielsweise mit einer knappen Änderungszusammenfassung, der betroffenen Komponente und einer Liste der von Entwickelnden auszuführenden Prüfungen enden. Dies sind Möglichkeiten zur Organisation von Aufgabe und Ausgabe, keine zusätzlichen Modellmodi.\n\nDer Anbieter dokumentiert Gesprächsanfragen und gestreamte Antworten in eigenen Integrationsformaten. Diese beschreiben, wie der Hersteller Pareto bereitstellt; die Modellmischung selbst liefert die Sprachmodellantwort. Externe Informationssammlung, Befehlsausführung und Änderungen an Dateien der Nutzenden hängen von der umgebenden Anwendung und ihren Werkzeugen ab.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Build a decision evidence table\n\nPrepare an evidence table for choosing a document editor. S1: Editor A supports tracked changes; offline editing is not mentioned. S2: Editor B supports offline editing; tracked changes require an add-on. Requirements: both features must be included without add-ons. State whether either option is established as compliant and list only the missing facts that could change that conclusion.A requirement-by-editor evidence table, a qualified conclusion and targeted unanswered questions.Check that omitted offline support is marked unknown and an add-on feature is not treated as included.unbiased/pareto-26.10-previewPareto 26.10 Preview von Unbiased führt mehrere Sprachmodelle zu einer Antwort für Reasoning-, Recherche- und Programmieraufgaben zusammen. Es akzeptiert Text und Bilder; hinter der benannten Preview-Ausgabe steht eine veränderliche Modellmischung.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Pareto 26.10 Preview ist die Preview-Ausgabe des kombinierten Sprachmodells von Unbiased. Mehrere Modelle bearbeiten dieselbe Anfrage parallel, und eine aufgabenabhängige Synthese erzeugt eine einzelne Antwort. Die Zusammensetzung kann sich ändern, während der Anbieter die Veröffentlichung weiterentwickelt. Der Preview-Name bezeichnet somit eine sich entwickelnde Ausgabe und keine eingefrorene Zusammenstellung von Komponentenmodellen.
Pareto akzeptiert schriftliche Prompts und Bildmaterial und gibt eine Textantwort zurück. Zu den dokumentierten Anwendungsbereichen gehören wissensintensives Reasoning, Recherche und agentengestützte Programmierung. Der Hersteller stellt die Preview als Weiterentwicklung der vorherigen Pareto-Veröffentlichung vor, mit besonderem Augenmerk auf ausgedehnte Agentenabläufe. Diese Ausgabe bleibt von der unversionierten Pareto-Auswahl und der früheren Veröffentlichung 26.9 getrennt.
Für einen Rechercheauftrag stellen Sie die Frage, das Quellenmaterial und die Entscheidung bereit, die die Antwort unterstützen soll. Ein hilfreicher Prompt kann eine Belegtabelle mit einer Aussage, der stützenden Textstelle und jedem ungelösten Widerspruch verlangen. Ist ein Bild Teil der Belege, benennen Sie das zu untersuchende sichtbare Merkmal und erklären Sie seinen Bezug zur schriftlichen Frage. Die resultierende Antwort kann anschließend eine Vergleichsnotiz, eine Problemliste oder eine Reihe von Fragen für weitere Untersuchungen bilden.
Für Softwarearbeit fügen Sie relevanten Code, erwartetes Verhalten und den beobachteten Fehler hinzu. Verlangen Sie eine vorgeschlagene Änderung und anschließend eine Erklärung, wie sie geprüft werden kann. Unterscheiden Sie in einem verbundenen Programmierablauf den vom Modell vorgeschlagenen Befehl oder Patch vom Ergebnis, das die Ausführungswerkzeuge der Anwendung zurückgeben. Eine Folgenachricht kann dieses Ergebnis bereitstellen und das Modell auffordern, die vorgeschlagene Änderung anhand der neuen Belege zu überarbeiten.
Bereiten Sie lange Aufträge um ein konkretes Arbeitsergebnis herum vor: die Abschnitte eines Berichts, die von einer Änderung betroffenen Dateien oder die bei einer Prüfung erwarteten Felder. Halten Sie Aufgabenbedingungen und die neuesten bestätigten Erkenntnisse im Gespräch, damit spätere Runden einen klaren Ausgangspunkt haben. Eine Repository-Untersuchung kann beispielsweise mit einer knappen Änderungszusammenfassung, der betroffenen Komponente und einer Liste der von Entwickelnden auszuführenden Prüfungen enden. Dies sind Möglichkeiten zur Organisation von Aufgabe und Ausgabe, keine zusätzlichen Modellmodi.
Der Anbieter dokumentiert Gesprächsanfragen und gestreamte Antworten in eigenen Integrationsformaten. Diese beschreiben, wie der Hersteller Pareto bereitstellt; die Modellmischung selbst liefert die Sprachmodellantwort. Externe Informationssammlung, Befehlsausführung und Änderungen an Dateien der Nutzenden hängen von der umgebenden Anwendung und ihren Werkzeugen ab.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits unbiased/pareto-26.10-preview | 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 $0.0016 / 1K Tokens Ausgabe · Ausgabetoken $0.0064 / 1K Tokens Eingabe · Cache lesen $0.00006 / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0016 / 1K Tokens Ausgabe · Ausgabetoken $0.0064 / 1K Tokens Eingabe · Cache lesen $0.00006 / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "unbiased/pareto-26.10-preview", "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='unbiased/pareto-26.10-preview',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='unbiased/pareto-26.10-preview',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 unbiased/pareto-26.10-preview
Verwenden Sie die oben angezeigten Methodenpfade.
unbiased/pareto-26.10-previewPareto 26.10 Preview von Unbiased führt mehrere Sprachmodelle zu einer Antwort für Reasoning-, Recherche- und Programmieraufgaben zusammen. Es akzeptiert Text und Bilder; hinter der benannten Preview-Ausgabe steht eine veränderliche Modellmischung.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Pareto 26.10 Preview ist die Preview-Ausgabe des kombinierten Sprachmodells von Unbiased. Mehrere Modelle bearbeiten dieselbe Anfrage parallel, und eine aufgabenabhängige Synthese erzeugt eine einzelne Antwort. Die Zusammensetzung kann sich ändern, während der Anbieter die Veröffentlichung weiterentwickelt. Der Preview-Name bezeichnet somit eine sich entwickelnde Ausgabe und keine eingefrorene Zusammenstellung von Komponentenmodellen.
Pareto akzeptiert schriftliche Prompts und Bildmaterial und gibt eine Textantwort zurück. Zu den dokumentierten Anwendungsbereichen gehören wissensintensives Reasoning, Recherche und agentengestützte Programmierung. Der Hersteller stellt die Preview als Weiterentwicklung der vorherigen Pareto-Veröffentlichung vor, mit besonderem Augenmerk auf ausgedehnte Agentenabläufe. Diese Ausgabe bleibt von der unversionierten Pareto-Auswahl und der früheren Veröffentlichung 26.9 getrennt.
Für einen Rechercheauftrag stellen Sie die Frage, das Quellenmaterial und die Entscheidung bereit, die die Antwort unterstützen soll. Ein hilfreicher Prompt kann eine Belegtabelle mit einer Aussage, der stützenden Textstelle und jedem ungelösten Widerspruch verlangen. Ist ein Bild Teil der Belege, benennen Sie das zu untersuchende sichtbare Merkmal und erklären Sie seinen Bezug zur schriftlichen Frage. Die resultierende Antwort kann anschließend eine Vergleichsnotiz, eine Problemliste oder eine Reihe von Fragen für weitere Untersuchungen bilden.
Für Softwarearbeit fügen Sie relevanten Code, erwartetes Verhalten und den beobachteten Fehler hinzu. Verlangen Sie eine vorgeschlagene Änderung und anschließend eine Erklärung, wie sie geprüft werden kann. Unterscheiden Sie in einem verbundenen Programmierablauf den vom Modell vorgeschlagenen Befehl oder Patch vom Ergebnis, das die Ausführungswerkzeuge der Anwendung zurückgeben. Eine Folgenachricht kann dieses Ergebnis bereitstellen und das Modell auffordern, die vorgeschlagene Änderung anhand der neuen Belege zu überarbeiten.
Bereiten Sie lange Aufträge um ein konkretes Arbeitsergebnis herum vor: die Abschnitte eines Berichts, die von einer Änderung betroffenen Dateien oder die bei einer Prüfung erwarteten Felder. Halten Sie Aufgabenbedingungen und die neuesten bestätigten Erkenntnisse im Gespräch, damit spätere Runden einen klaren Ausgangspunkt haben. Eine Repository-Untersuchung kann beispielsweise mit einer knappen Änderungszusammenfassung, der betroffenen Komponente und einer Liste der von Entwickelnden auszuführenden Prüfungen enden. Dies sind Möglichkeiten zur Organisation von Aufgabe und Ausgabe, keine zusätzlichen Modellmodi.
Der Anbieter dokumentiert Gesprächsanfragen und gestreamte Antworten in eigenen Integrationsformaten. Diese beschreiben, wie der Hersteller Pareto bereitstellt; die Modellmischung selbst liefert die Sprachmodellantwort. Externe Informationssammlung, Befehlsausführung und Änderungen an Dateien der Nutzenden hängen von der umgebenden Anwendung und ihren Werkzeugen ab.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits unbiased/pareto-26.10-preview | 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 $0.0016 / 1K Tokens Ausgabe · Ausgabetoken $0.0064 / 1K Tokens Eingabe · Cache lesen $0.00006 / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0016 / 1K Tokens Ausgabe · Ausgabetoken $0.0064 / 1K Tokens Eingabe · Cache lesen $0.00006 / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "unbiased/pareto-26.10-preview",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'unbiased/pareto-26.10-preview', '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': 'unbiased/pareto-26.10-preview', '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 unbiased/pareto-26.10-preview
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Build a decision evidence table\n\nPrepare an evidence table for choosing a document editor. S1: Editor A supports tracked changes; offline editing is not mentioned. S2: Editor B supports offline editing; tracked changes require an add-on. Requirements: both features must be included without add-ons. State whether either option is established as compliant and list only the missing facts that could change that conclusion.A requirement-by-editor evidence table, a qualified conclusion and targeted unanswered questions.Check that omitted offline support is marked unknown and an add-on feature is not treated as included.