Modelle

Pareto 26.9

Markdown · JSON

Pareto 26.9

unbiased/pareto-26.9
UnbiasedTextEingabe $ 0,005 / 1KAusgabe $ 0,015 / 1K

Vorgängerversion des zusammengesetzten Textmodells von Unbiased mit einem Kontext von 262 144 Token für ausdrücklich auf eine Version festgelegte Arbeitsabläufe.

Vorheriges Release der Pareto-Familie

Pareto 26.9 ist eine eigenständige Version des zusammengesetzten Modells von Unbiased. In der Pareto-Familie wird eine Anfrage unter Beteiligung mehrerer führender und offener Modelle verarbeitet; deren Ergebnisse werden zu einer gemeinsamen Antwort zusammengeführt. Nutzer arbeiten mit einem Pareto-Modell und wählen nicht jede Komponente manuell aus. Der Entwickler weist darauf hin, dass die Zusammensetzung der Basismodelle wechseln kann.

Version 26.9 blieb nach Erscheinen der stabilen 26.10 bestehen. Ihr genauer Bezeichner unbiased/pareto-26.9 ermöglicht die ausdrückliche Auswahl des vorherigen Releases in einer Anwendung. Dies ist für bestehende Arbeitsabläufe und Vergleiche sinnvoll, bei denen die verwendete Version benannt werden soll, statt automatisch zur nächsten zu wechseln. Die Festlegung des Namens bedeutet nicht, dass die interne Zusammensetzung unveränderlich wird.

Arbeit mit bereitgestellten Materialien

In Ailoot nimmt diese Version Text entgegen und erstellt eine Textantwort. Ihr Kontextfenster umfasst 262 144 Token. Es enthält Anweisungen, Verlauf, Ausgangsmaterialien und Antwort; in den Metadaten des Modells ist ein Antwortumfang von bis zu 131 072 Token angegeben. Release 26.10 besitzt ein größeres Kontextfenster. Bei der Wahl von 26.9 sollten Sie daher vorab die tatsächlich zur Aufgabe gehörenden Dokumente und Ausschnitte auswählen.

Der Arbeitsablauf kann auf dem Vergleich mehrerer Texte aufbauen. Übergeben Sie Anforderungen, Lösungsvarianten und Auswahlkriterien und fordern Sie anschließend eine Vergleichstabelle mit Argumenten zu jedem Kriterium an. Definieren Sie bei einem langen Dokument das Analyseziel: Widersprüche aufdecken, eine inhaltliche Zusammenfassung erstellen, Fragen an den Verfasser sammeln oder eine überarbeitete Struktur vorbereiten. Die Namen der Ausgangsausschnitte helfen, Schlussfolgerungen mit den Daten innerhalb der Anfrage zu verbinden.

Technischer Dialog

Fügen Sie bei der Analyse einer Programmieraufgabe relevanten Code und das Ausführungsergebnis bei, das Sie bereits in Ihrer Umgebung erhalten haben. Lassen Sie die Beobachtung erklären, eine Änderung vorschlagen und Merkmale aufzählen, anhand derer sich deren Ergebnis prüfen lässt. Übergeben Sie in der nächsten Nachricht das Prüfergebnis. So wird der Textdialog mit der realen Aufgabe verbunden, ohne vorauszusetzen, dass das Modell selbst Zugriff auf Dateien oder die Laufzeitumgebung hat.

Für die Vorbereitung eines neuen Textes sollten Sie Zielgruppe, Gliederung und gewünschten Detailgrad vorgeben. Die Antwort kann ein Dokumententwurf, eine Zusammenstellung der Ausgangsdaten, eine Liste von Unterschieden oder eine Folge weiterer Schritte sein. Das konkrete Format bestimmt Ihre Anfrage.

Pareto 26.9 ist über die Formate Messages, Responses, Chat Completions und textbasiertes generateContent verfügbar. Sie beschreiben die Integrationswege in den Client. In dieser Anbindung werden Materialien als Text übergeben; Bilder, Codeausführung und Zugriffe auf externe Systeme kommen durch die Wahl des Anfrageformats nicht hinzu.

Über die Ailoot API verfügbar

Ultra Anthropic MessagesPOST /v1/messages
Eingabe
text
Ausgabe
text
Kontext
Im Katalog nicht angegeben
Max. Antwort
Im Katalog nicht angegeben
Eingabe
$ 0,005 / 1K
Ausgabe
$ 0,015 / 1K
Cache lesen
$ 0,0005 / 1K
Ultra OpenAI ResponsesPOST /v1/responses
Eingabe
text
Ausgabe
text
Kontext
Im Katalog nicht angegeben
Max. Antwort
Im Katalog nicht angegeben
Eingabe
$ 0,005 / 1K
Ausgabe
$ 0,015 / 1K
Cache lesen
$ 0,0005 / 1K
Ultra OpenAI ChatPOST /v1/chat/completions
Eingabe
text
Ausgabe
text
Kontext
Im Katalog nicht angegeben
Max. Antwort
Im Katalog nicht angegeben
Eingabe
$ 0,005 / 1K
Ausgabe
$ 0,015 / 1K
Cache lesen
$ 0,0005 / 1K
Ultra Gemini generateContentPOST /v1beta/models/unbiased/pareto-26.9:generateContent
Eingabe
text
Ausgabe
text
Kontext
Im Katalog nicht angegeben
Max. Antwort
Im Katalog nicht angegeben
Eingabe
$ 0,005 / 1K
Ausgabe
$ 0,015 / 1K
Cache lesen
$ 0,0005 / 1K
unbiased/pareto-26.9 · JSON
{"about":"### Vorheriges Release der Pareto-Familie\n\nPareto 26.9 ist eine eigenständige Version des zusammengesetzten Modells von Unbiased. In der Pareto-Familie wird eine Anfrage unter Beteiligung mehrerer führender und offener Modelle verarbeitet; deren Ergebnisse werden zu einer gemeinsamen Antwort zusammengeführt. Nutzer arbeiten mit einem Pareto-Modell und wählen nicht jede Komponente manuell aus. Der Entwickler weist darauf hin, dass die Zusammensetzung der Basismodelle wechseln kann.\n\nVersion 26.9 blieb nach Erscheinen der stabilen 26.10 bestehen. Ihr genauer Bezeichner `unbiased/pareto-26.9` ermöglicht die ausdrückliche Auswahl des vorherigen Releases in einer Anwendung. Dies ist für bestehende Arbeitsabläufe und Vergleiche sinnvoll, bei denen die verwendete Version benannt werden soll, statt automatisch zur nächsten zu wechseln. Die Festlegung des Namens bedeutet nicht, dass die interne Zusammensetzung unveränderlich wird.\n\n### Arbeit mit bereitgestellten Materialien\n\nIn Ailoot nimmt diese Version Text entgegen und erstellt eine Textantwort. Ihr Kontextfenster umfasst 262 144 Token. Es enthält Anweisungen, Verlauf, Ausgangsmaterialien und Antwort; in den Metadaten des Modells ist ein Antwortumfang von bis zu 131 072 Token angegeben. Release 26.10 besitzt ein größeres Kontextfenster. Bei der Wahl von 26.9 sollten Sie daher vorab die tatsächlich zur Aufgabe gehörenden Dokumente und Ausschnitte auswählen.\n\nDer Arbeitsablauf kann auf dem Vergleich mehrerer Texte aufbauen. Übergeben Sie Anforderungen, Lösungsvarianten und Auswahlkriterien und fordern Sie anschließend eine Vergleichstabelle mit Argumenten zu jedem Kriterium an. Definieren Sie bei einem langen Dokument das Analyseziel: Widersprüche aufdecken, eine inhaltliche Zusammenfassung erstellen, Fragen an den Verfasser sammeln oder eine überarbeitete Struktur vorbereiten. Die Namen der Ausgangsausschnitte helfen, Schlussfolgerungen mit den Daten innerhalb der Anfrage zu verbinden.\n\n### Technischer Dialog\n\nFügen Sie bei der Analyse einer Programmieraufgabe relevanten Code und das Ausführungsergebnis bei, das Sie bereits in Ihrer Umgebung erhalten haben. Lassen Sie die Beobachtung erklären, eine Änderung vorschlagen und Merkmale aufzählen, anhand derer sich deren Ergebnis prüfen lässt. Übergeben Sie in der nächsten Nachricht das Prüfergebnis. So wird der Textdialog mit der realen Aufgabe verbunden, ohne vorauszusetzen, dass das Modell selbst Zugriff auf Dateien oder die Laufzeitumgebung hat.\n\nFür die Vorbereitung eines neuen Textes sollten Sie Zielgruppe, Gliederung und gewünschten Detailgrad vorgeben. Die Antwort kann ein Dokumententwurf, eine Zusammenstellung der Ausgangsdaten, eine Liste von Unterschieden oder eine Folge weiterer Schritte sein. Das konkrete Format bestimmt Ihre Anfrage.\n\nPareto 26.9 ist über die Formate Messages, Responses, Chat Completions und textbasiertes generateContent verfügbar. Sie beschreiben die Integrationswege in den Client. In dieser Anbindung werden Materialien als Text übergeben; Bilder, Codeausführung und Zugriffe auf externe Systeme kommen durch die Wahl des Anfrageformats nicht hinzu.","alias_of":null,"aliases":[],"author":"Unbiased","canonical_model":"unbiased/pareto-26.9","ctx":null,"formats":["chat","gemini","messages","responses"],"id":"unbiased/pareto-26.9","input":["text"],"kind":"text","max_out":null,"methods":[{"cache_read":0.5,"cache_write":null,"cache_write_1h":null,"cache_write_5m":null,"conditional_meter":null,"ctx":null,"family":"anthropic","fast_multiplier":1,"flex_multiplier":1,"fmt":"messages","http":"POST","img_in":null,"img_out":null,"in":5.0,"input":["text"],"label":"Anthropic Messages","max_out":null,"max_tool_calls":null,"out":15.0,"output":["text"],"path":"/v1/messages","request_model_id":"unbiased/pareto-26.9","route_label":"Ultra","status_reads":[],"tiers":[],"tool_prices":null,"unit":"token","units":[]},{"cache_read":0.5,"cache_write":null,"cache_write_1h":null,"cache_write_5m":null,"conditional_meter":null,"ctx":null,"family":"openai","fast_multiplier":1,"flex_multiplier":1,"fmt":"responses","http":"POST","img_in":null,"img_out":null,"in":5.0,"input":["text"],"label":"OpenAI Responses","max_out":null,"max_tool_calls":null,"out":15.0,"output":["text"],"path":"/v1/responses","request_model_id":"unbiased/pareto-26.9","route_label":"Ultra","status_reads":[],"tiers":[],"tool_prices":null,"unit":"token","units":[]},{"cache_read":0.5,"cache_write":null,"cache_write_1h":null,"cache_write_5m":null,"conditional_meter":null,"ctx":null,"family":"openai","fast_multiplier":1,"flex_multiplier":1,"fmt":"chat","http":"POST","img_in":null,"img_out":null,"in":5.0,"input":["text"],"label":"OpenAI Chat","max_out":null,"max_tool_calls":null,"out":15.0,"output":["text"],"path":"/v1/chat/completions","request_model_id":"unbiased/pareto-26.9","route_label":"Ultra","status_reads":[],"tiers":[],"tool_prices":null,"unit":"token","units":[]},{"cache_read":0.5,"cache_write":null,"cache_write_1h":null,"cache_write_5m":null,"conditional_meter":null,"ctx":null,"family":"gemini","fast_multiplier":1,"flex_multiplier":1,"fmt":"gemini","http":"POST","img_in":null,"img_out":null,"in":5.0,"input":["text"],"label":"Gemini generateContent","max_out":null,"max_tool_calls":null,"out":15.0,"output":["text"],"path":"/v1beta/models/unbiased/pareto-26.9:generateContent","request_model_id":"unbiased/pareto-26.9","route_label":"Ultra","status_reads":[],"tiers":[],"tool_prices":null,"unit":"token","units":[]}],"model_aliases":[{"canonical_model_id":"unbiased/pareto-26.9","request_model_id":"unbiased/pareto-26.9","route_label":"Ultra"}],"name":"Pareto 26.9","price":{"in":5.0,"in_label":null,"out":15.0,"out_label":null,"sort_in":5.0,"sort_out":15.0,"varies":false},"public_id":"unbiased/pareto-26.9","short":"Vorgängerversion des zusammengesetzten Textmodells von Unbiased mit einem Kontext von 262 144 Token für ausdrücklich auf eine Version festgelegte Arbeitsabläufe."}

Fragen

Wie wähle ich ein Modell für meine Aufgabe aus?

Bestimmen Sie zuerst die benötigte Ein- und Ausgabe: Text, Bild, Audio oder Video. Vergleichen Sie dann kompatible API-Methoden, die genaue Modell-ID oder das aktuelle Zielmodell des Alias, den Preis und die Abrechnungseinheit. GET /v1/models ist kostenlos und listet die für Ihren Schlüssel verfügbaren Modelle auf.

Unterstützt jedes Modell alle API-Methoden und Medientypen?

Verwenden Sie die auf der Modellkarte aufgeführten API-Methoden sowie Ein- und Ausgabetypen. Die Unterstützung von Text, Bildern, Audio oder Video hängt vom gewählten Modell und der Methode ab; prüfen Sie das zugehörige Anfragebeispiel, bevor Sie Ihre Daten senden.

Was ist der Unterschied zwischen einer Modell-ID und einem Alias?

Eine genaue Modell-ID bezeichnet ein bestimmtes Modell. Ein Alias verweist auf ein Modell; sein Zielmodell kann sich ändern. Prüfen Sie das aktuelle Zielmodell des Alias im Katalog; verwenden Sie die genaue ID, wenn Ihre Integration ein bestimmtes Modell benötigt.

Wie vergleiche ich Preise, bevor ich eine Anfrage sende?

Prüfen Sie auf der Modellkarte den Preis und die Abrechnungseinheit für die gewählte API-Methode. Vergleichen Sie dieselbe Einheit und denselben Ein- und Ausgabetyp; der Anfrageverlauf zeigt die tatsächliche Nutzung und den berechneten Betrag.

Was bringt ein Abo?

Rabatt beim Tokenkauf für regelmäßige Arbeit. Wählen Sie den Tarif nach Ihrem Anfragevolumen; Bedingungen und Abopreis werden beim Abschluss angezeigt.

Wie nutze ich einen Aktionscode bis 50% Rabatt?

Geben Sie den Code beim Tokenkauf ein. Die Endsumme wird nach Aktionsbedingungen neu berechnet; der Rabatt ist vor der Zahlung sichtbar.