Magnum v4 72B ist Anthracites auf Prosa ausgerichtete Feinabstimmung von Qwen2.5-72B-Instruct. Der Hersteller beschreibt es als das experimentelle, auf Instruct basierende Modell, mit dem die v4-Familie begann. Es arbeitet mit schriftlichen Prompts und Unterhaltungen, um Text zu erzeugen, mit besonderem Augenmerk auf Erzählstimme und Figureninteraktion. Diese Ausgabe unterscheidet sich von den anderen Grössen der Magnum-v4-Reihe.
Der veröffentlichte Checkpoint nutzt eine kausale Sprachmodellarchitektur und eine Konfiguration mit 80 Schichten, 64 Query-Attention-Köpfen und acht Key/Value-Köpfen. Seine maximale Positionszahl beträgt 32'768; auch das Trainingsrezept verwendet eine Sequenzlänge von 32'768. Dies ist die Konfiguration der Magnum-Veröffentlichung selbst; sie übernimmt nicht allein deshalb eine grössere Einstellung für erweiterten Kontext, weil das Basismodell eine solche unterstützt.
Anthracites native Promptbeispiele nutzen ChatML mit getrennten System-, Nutzer- und Assistentenzügen. Der Systemteil kann Figurenbeschreibung, Persönlichkeit und Szenario liefern, während der Nutzerzug den nächsten Beitrag zum Austausch bereitstellt. Die Erzählvorlage des Herstellers fordert den Assistenten auf, die Persona zu bewahren und zugleich weiterzuentwickeln, Ereignisse und Nebenfiguren einzuführen sowie gegebenenfalls Dialog, Handlung und Gedanken einzubeziehen.
Dieselbe Vorlage überlässt die Figur und Entscheidungen des Nutzers dem Nutzer. Sie rät zudem von Wiederholungen und übermässig ausgeschmückter Prosa ab, sofern die Persona diesen Stil nicht verlangt. Eine Anfrage ausserhalb der Rolle schaltet die Antwort auf neutralen Klartext um. Das sind konkrete Promptentscheidungen für eine interaktive Schreibaufgabe und keine separaten automatischen Modellmodi.
Bereiten Sie für eine Figurenszene das Ziel der Figur, die Umgebung, ihre Beziehung zur anderen sprechenden Person und den letzten Austausch vor. Fordern Sie eine Fortsetzung mit einem klaren Haltepunkt an, damit der Nutzer Raum für eine Antwort hat. Liefern Sie für eine Prosaüberarbeitung einen Absatz und benennen Sie die gewünschte Änderung von Ton oder Tempo; verlangen Sie dann den überarbeiteten Abschnitt unter Erhaltung der Ereignisse und der Absicht der sprechenden Figur. Eine Folgeanweisung kann eine neue Figurenentscheidung oder redaktionelle Notiz liefern, ohne die etablierte Szene zu ersetzen.
Der Hersteller veröffentlicht ein Rezept zur Feinabstimmung aller Parameter und eine Mischung aus Gesprächs- und Schreibdaten. Nutzen Sie die fertige Ausgabe als Szene, Dialogzug oder Überarbeitungsentwurf und bewahren Sie eine kompakte Aufzeichnung der Tatsachen auf, die der nächste Zug erhalten muss. Der Schwerpunkt des Erstellers liegt auf Prosa und erzählerischer Interaktion; der Name des Basismodells begründet für diese feinabgestimmte Ausgabe für sich genommen keine zusätzlichen visuellen Funktionen, Reasoning-Einstellungen oder Fähigkeiten zur Werkzeugausführung.
", "aboutText": "Magnum v4 72B ist Anthracites auf Prosa ausgerichtete Feinabstimmung von Qwen2.5-72B-Instruct. Der Hersteller beschreibt es als das experimentelle, auf Instruct basierende Modell, mit dem die v4-Familie begann. Es arbeitet mit schriftlichen Prompts und Unterhaltungen, um Text zu erzeugen, mit besonderem Augenmerk auf Erzählstimme und Figureninteraktion. Diese Ausgabe unterscheidet sich von den anderen Grössen der Magnum-v4-Reihe.\n\nDer veröffentlichte Checkpoint nutzt eine kausale Sprachmodellarchitektur und eine Konfiguration mit 80 Schichten, 64 Query-Attention-Köpfen und acht Key/Value-Köpfen. Seine maximale Positionszahl beträgt 32'768; auch das Trainingsrezept verwendet eine Sequenzlänge von 32'768. Dies ist die Konfiguration der Magnum-Veröffentlichung selbst; sie übernimmt nicht allein deshalb eine grössere Einstellung für erweiterten Kontext, weil das Basismodell eine solche unterstützt.\n\nAnthracites native Promptbeispiele nutzen ChatML mit getrennten System-, Nutzer- und Assistentenzügen. Der Systemteil kann Figurenbeschreibung, Persönlichkeit und Szenario liefern, während der Nutzerzug den nächsten Beitrag zum Austausch bereitstellt. Die Erzählvorlage des Herstellers fordert den Assistenten auf, die Persona zu bewahren und zugleich weiterzuentwickeln, Ereignisse und Nebenfiguren einzuführen sowie gegebenenfalls Dialog, Handlung und Gedanken einzubeziehen.\n\nDieselbe Vorlage überlässt die Figur und Entscheidungen des Nutzers dem Nutzer. Sie rät zudem von Wiederholungen und übermässig ausgeschmückter Prosa ab, sofern die Persona diesen Stil nicht verlangt. Eine Anfrage ausserhalb der Rolle schaltet die Antwort auf neutralen Klartext um. Das sind konkrete Promptentscheidungen für eine interaktive Schreibaufgabe und keine separaten automatischen Modellmodi.\n\nBereiten Sie für eine Figurenszene das Ziel der Figur, die Umgebung, ihre Beziehung zur anderen sprechenden Person und den letzten Austausch vor. Fordern Sie eine Fortsetzung mit einem klaren Haltepunkt an, damit der Nutzer Raum für eine Antwort hat. Liefern Sie für eine Prosaüberarbeitung einen Absatz und benennen Sie die gewünschte Änderung von Ton oder Tempo; verlangen Sie dann den überarbeiteten Abschnitt unter Erhaltung der Ereignisse und der Absicht der sprechenden Figur. Eine Folgeanweisung kann eine neue Figurenentscheidung oder redaktionelle Notiz liefern, ohne die etablierte Szene zu ersetzen.\n\nDer Hersteller veröffentlicht ein Rezept zur Feinabstimmung aller Parameter und eine Mischung aus Gesprächs- und Schreibdaten. Nutzen Sie die fertige Ausgabe als Szene, Dialogzug oder Überarbeitungsentwurf und bewahren Sie eine kompakte Aufzeichnung der Tatsachen auf, die der nächste Zug erhalten muss. Der Schwerpunkt des Erstellers liegt auf Prosa und erzählerischer Interaktion; der Name des Basismodells begründet für diese feinabgestimmte Ausgabe für sich genommen keine zusätzlichen visuellen Funktionen, Reasoning-Einstellungen oder Fähigkeiten zur Werkzeugausführung.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
A restrained character voice\n\nPlay archivist Nera in a quiet fantasy scene. She values precision and hides concern behind dry humour. I control her former apprentice, who asks to borrow a forbidden map. Write Nera's next two replies with a small physical action between them; end with a question and leave my character's reactions to me.Two replies in Nera's voice and a brief action beat, ending at a point where the player can respond.The replies retain dry humour and do not invent the apprentice's answer or actions.anthracite-org/magnum-v4-72bMagnum v4 72B von Anthracite ist ein auf Qwen2.5 basierendes Textmodell, abgestimmt auf ausdrucksstarke Prosa und Figurengespräche. Seine veröffentlichten ChatML-Vorlagen führen erzählerischen Austausch, Dialoge und Antworten ausserhalb der Rolle bei einer Konfiguration mit 32'768 Positionen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Magnum v4 72B ist Anthracites auf Prosa ausgerichtete Feinabstimmung von Qwen2.5-72B-Instruct. Der Hersteller beschreibt es als das experimentelle, auf Instruct basierende Modell, mit dem die v4-Familie begann. Es arbeitet mit schriftlichen Prompts und Unterhaltungen, um Text zu erzeugen, mit besonderem Augenmerk auf Erzählstimme und Figureninteraktion. Diese Ausgabe unterscheidet sich von den anderen Grössen der Magnum-v4-Reihe.
Der veröffentlichte Checkpoint nutzt eine kausale Sprachmodellarchitektur und eine Konfiguration mit 80 Schichten, 64 Query-Attention-Köpfen und acht Key/Value-Köpfen. Seine maximale Positionszahl beträgt 32'768; auch das Trainingsrezept verwendet eine Sequenzlänge von 32'768. Dies ist die Konfiguration der Magnum-Veröffentlichung selbst; sie übernimmt nicht allein deshalb eine grössere Einstellung für erweiterten Kontext, weil das Basismodell eine solche unterstützt.
Anthracites native Promptbeispiele nutzen ChatML mit getrennten System-, Nutzer- und Assistentenzügen. Der Systemteil kann Figurenbeschreibung, Persönlichkeit und Szenario liefern, während der Nutzerzug den nächsten Beitrag zum Austausch bereitstellt. Die Erzählvorlage des Herstellers fordert den Assistenten auf, die Persona zu bewahren und zugleich weiterzuentwickeln, Ereignisse und Nebenfiguren einzuführen sowie gegebenenfalls Dialog, Handlung und Gedanken einzubeziehen.
Dieselbe Vorlage überlässt die Figur und Entscheidungen des Nutzers dem Nutzer. Sie rät zudem von Wiederholungen und übermässig ausgeschmückter Prosa ab, sofern die Persona diesen Stil nicht verlangt. Eine Anfrage ausserhalb der Rolle schaltet die Antwort auf neutralen Klartext um. Das sind konkrete Promptentscheidungen für eine interaktive Schreibaufgabe und keine separaten automatischen Modellmodi.
Bereiten Sie für eine Figurenszene das Ziel der Figur, die Umgebung, ihre Beziehung zur anderen sprechenden Person und den letzten Austausch vor. Fordern Sie eine Fortsetzung mit einem klaren Haltepunkt an, damit der Nutzer Raum für eine Antwort hat. Liefern Sie für eine Prosaüberarbeitung einen Absatz und benennen Sie die gewünschte Änderung von Ton oder Tempo; verlangen Sie dann den überarbeiteten Abschnitt unter Erhaltung der Ereignisse und der Absicht der sprechenden Figur. Eine Folgeanweisung kann eine neue Figurenentscheidung oder redaktionelle Notiz liefern, ohne die etablierte Szene zu ersetzen.
Der Hersteller veröffentlicht ein Rezept zur Feinabstimmung aller Parameter und eine Mischung aus Gesprächs- und Schreibdaten. Nutzen Sie die fertige Ausgabe als Szene, Dialogzug oder Überarbeitungsentwurf und bewahren Sie eine kompakte Aufzeichnung der Tatsachen auf, die der nächste Zug erhalten muss. Der Schwerpunkt des Erstellers liegt auf Prosa und erzählerischer Interaktion; der Name des Basismodells begründet für diese feinabgestimmte Ausgabe für sich genommen keine zusätzlichen visuellen Funktionen, Reasoning-Einstellungen oder Fähigkeiten zur Werkzeugausführung.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits anthracite-org/magnum-v4-72b | 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 $0.005 / 1K Tokens Ausgabe · Ausgabetoken $0.01 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.005 / 1K Tokens Ausgabe · Ausgabetoken $0.01 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "anthracite-org/magnum-v4-72b", "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='anthracite-org/magnum-v4-72b',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='anthracite-org/magnum-v4-72b',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 anthracite-org/magnum-v4-72b
Verwenden Sie die oben angezeigten Methodenpfade.
anthracite-org/magnum-v4-72bMagnum v4 72B von Anthracite ist ein auf Qwen2.5 basierendes Textmodell, abgestimmt auf ausdrucksstarke Prosa und Figurengespräche. Seine veröffentlichten ChatML-Vorlagen führen erzählerischen Austausch, Dialoge und Antworten ausserhalb der Rolle bei einer Konfiguration mit 32'768 Positionen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Magnum v4 72B ist Anthracites auf Prosa ausgerichtete Feinabstimmung von Qwen2.5-72B-Instruct. Der Hersteller beschreibt es als das experimentelle, auf Instruct basierende Modell, mit dem die v4-Familie begann. Es arbeitet mit schriftlichen Prompts und Unterhaltungen, um Text zu erzeugen, mit besonderem Augenmerk auf Erzählstimme und Figureninteraktion. Diese Ausgabe unterscheidet sich von den anderen Grössen der Magnum-v4-Reihe.
Der veröffentlichte Checkpoint nutzt eine kausale Sprachmodellarchitektur und eine Konfiguration mit 80 Schichten, 64 Query-Attention-Köpfen und acht Key/Value-Köpfen. Seine maximale Positionszahl beträgt 32'768; auch das Trainingsrezept verwendet eine Sequenzlänge von 32'768. Dies ist die Konfiguration der Magnum-Veröffentlichung selbst; sie übernimmt nicht allein deshalb eine grössere Einstellung für erweiterten Kontext, weil das Basismodell eine solche unterstützt.
Anthracites native Promptbeispiele nutzen ChatML mit getrennten System-, Nutzer- und Assistentenzügen. Der Systemteil kann Figurenbeschreibung, Persönlichkeit und Szenario liefern, während der Nutzerzug den nächsten Beitrag zum Austausch bereitstellt. Die Erzählvorlage des Herstellers fordert den Assistenten auf, die Persona zu bewahren und zugleich weiterzuentwickeln, Ereignisse und Nebenfiguren einzuführen sowie gegebenenfalls Dialog, Handlung und Gedanken einzubeziehen.
Dieselbe Vorlage überlässt die Figur und Entscheidungen des Nutzers dem Nutzer. Sie rät zudem von Wiederholungen und übermässig ausgeschmückter Prosa ab, sofern die Persona diesen Stil nicht verlangt. Eine Anfrage ausserhalb der Rolle schaltet die Antwort auf neutralen Klartext um. Das sind konkrete Promptentscheidungen für eine interaktive Schreibaufgabe und keine separaten automatischen Modellmodi.
Bereiten Sie für eine Figurenszene das Ziel der Figur, die Umgebung, ihre Beziehung zur anderen sprechenden Person und den letzten Austausch vor. Fordern Sie eine Fortsetzung mit einem klaren Haltepunkt an, damit der Nutzer Raum für eine Antwort hat. Liefern Sie für eine Prosaüberarbeitung einen Absatz und benennen Sie die gewünschte Änderung von Ton oder Tempo; verlangen Sie dann den überarbeiteten Abschnitt unter Erhaltung der Ereignisse und der Absicht der sprechenden Figur. Eine Folgeanweisung kann eine neue Figurenentscheidung oder redaktionelle Notiz liefern, ohne die etablierte Szene zu ersetzen.
Der Hersteller veröffentlicht ein Rezept zur Feinabstimmung aller Parameter und eine Mischung aus Gesprächs- und Schreibdaten. Nutzen Sie die fertige Ausgabe als Szene, Dialogzug oder Überarbeitungsentwurf und bewahren Sie eine kompakte Aufzeichnung der Tatsachen auf, die der nächste Zug erhalten muss. Der Schwerpunkt des Erstellers liegt auf Prosa und erzählerischer Interaktion; der Name des Basismodells begründet für diese feinabgestimmte Ausgabe für sich genommen keine zusätzlichen visuellen Funktionen, Reasoning-Einstellungen oder Fähigkeiten zur Werkzeugausführung.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits anthracite-org/magnum-v4-72b | 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 $0.005 / 1K Tokens Ausgabe · Ausgabetoken $0.01 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.005 / 1K Tokens Ausgabe · Ausgabetoken $0.01 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "anthracite-org/magnum-v4-72b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'anthracite-org/magnum-v4-72b', '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': 'anthracite-org/magnum-v4-72b', '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 anthracite-org/magnum-v4-72b
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
A restrained character voice\n\nPlay archivist Nera in a quiet fantasy scene. She values precision and hides concern behind dry humour. I control her former apprentice, who asks to borrow a forbidden map. Write Nera's next two replies with a small physical action between them; end with a question and leave my character's reactions to me.Two replies in Nera's voice and a brief action beat, ending at a point where the player can respond.The replies retain dry humour and do not invent the apprentice's answer or actions.