Command A ist Coheres Textmodell vom März 2025 für Unternehmensagenten, suchgestützte Antworten und mehrsprachige Arbeit. Diese genaue Version hat 111 Milliarden Parameter, akzeptiert Text und erzeugt Text. Ihr Modellkontext beim Hersteller beträgt 256K Tokens, mit maximal 8'000 Ausgabetokens im veröffentlichten Dienstprofil. Sie ist eigenständig gegenüber Command A Vision, Command A Reasoning und der späteren multimodalen Version A+.
Der Hersteller beschreibt einen autoregressiven Transformer mit lokaler Sliding-Window-Attention und periodischer globaler Attention. Drei lokale Schichten verwenden ein Fenster von 4'096 Tokens mit rotierender Positionscodierung; eine vierte Schicht nutzt globale Attention ohne Positions-Embeddings. Überwachtes Feintraining und Präferenztraining formen hilfreiches Dialogverhalten und aufgabenorientiertes Verhalten. Das Modell wurde auf 23 Sprachen trainiert und unterstützt sprachübergreifende Aufgaben wie Übersetzen oder das Beantworten einer Frage zu anderssprachigem Material.
Legen Sie die Antwortsprache fest und bewahren Sie die erforderliche Terminologie. Geben Sie Quellpassagen für einen mehrsprachigen Wissensassistenten eigene Namen und verlangen Sie eine Erklärung, die Produktnamen, Codekennungen und zitierte Formulierungen erhält. Eine hilfreiche Endantwort benennt die Quelle einer Schlussfolgerung, statt einen aufgabenrelevanten Unterschied durch Übersetzung zu verwischen.
Command A ist standardmässig dialogorientiert und ergänzt häufig eine Einleitung, Folgefragen sowie Markdown- oder mathematische Formatierung. Verwenden Sie für Extraktion, Kategorisierung, Zusammenfassung oder Übersetzung den Systemanweisungsansatz des Herstellers, um nur die erforderliche Antwort anzufordern, und legen Sie fest, ob Markdown oder Codeblöcke zur Ausgabe gehören. So wird eine freundliche Dialogeinleitung nicht als Teil eines nachgelagerten Datensatzes behandelt.
Die Modellkarte beschreibt kontextbezogene und strikte Sicherheitsmodi, wobei der kontextbezogene Modus beim Hersteller voreingestellt ist. Dies sind dokumentierte Verhaltenseinstellungen des Herstellerprofils, unabhängig vom gewünschten Aufgabenformat. Definieren Sie den relevanten Aufgabenkontext und die gewünschte Ausgabe klar.
Command A ist für den Antwortgenerierungsschritt der Retrieval-Augmented Generation trainiert. Die Eingabe kombiniert den Dialog mit bereitgestellten Dokumentauszügen, typischerweise etwa 100–400 Wörter pro Abschnitt, dargestellt durch kurze beschreibende Schlüssel und textliche oder halbstrukturierte Werte. Der Hersteller regt ausserdem an, dieses spezialisierte Format mit relevanten Dokumenten zu vergleichen, die direkt in der Nutzernachricht stehen.
Kennzeichnen Sie für einen Richtlinien- oder technischen Vergleich jeden Auszug und verlangen Sie eine durch die relevante Passage gestützte Schlussfolgerung. Im zitierfähigen Herstellerformat ordnet die Ausgabe Antwortabschnitte unterstützenden Quellen zu. Halten Sie die Kennungen der abgerufenen Dokumente verfügbar, damit diese Verweise verständlich bleiben. Ein Quellenzitat zeigt, welches bereitgestellte Material den generierten Abschnitt stützt; das umgebende System übernimmt die eigentliche Suche.
Der Hersteller trainiert Command A für dialogorientierte Werkzeugnutzung mit Funktionsbeschreibungen als JSON-Schema. Das Modell kann einen Plan und ausgewählte Aufrufe erzeugen, die Anwendung führt sie aus, und die als Dictionaries vorliegenden Ergebnisse kehren mit der passenden Werkzeugaufrufkennung in den Dialog zurück. Das Modell verwendet diese Beobachtungen anschliessend für eine Antwort, optional mit Quellenabschnitten, die Werkzeugergebnissen zugeordnet sind.
Programmieraufgaben umfassen SQL-Generierung, Codeerklärung sowie Übersetzen oder Umschreiben von Code. Stellen Sie das Schema oder die relevante Implementierung und das zu bewahrende Verhalten bereit. Der Hersteller empfiehlt für Anweisungen zur Codegenerierung eine niedrige Temperatur, gegebenenfalls einschliesslich Greedy Decoding. Prüfen Sie generiertes SQL oder Code vor der Ausführung und geben Sie bei Überarbeitungen tatsächliche Validierungsbeobachtungen zurück.
Die Modellkarte nennt einen praktischen Kontextunterschied: Das Modell unterstützt 256K, während die veröffentlichte Hugging-Face-Konfiguration auf 128K eingestellt und anpassbar ist. Bewahren Sie die tatsächliche Kontextkonfiguration des ausgewählten Ablaufs und reservieren Sie Platz für die Antwort. Ein brauchbares Ergebnis ist der gewünschte Text oder Code mit Belegen, die auf bereitgestellte Quellen und Werkzeugbeobachtungen zurückführbar sind.
", "aboutText": "Command A ist Coheres Textmodell vom März 2025 für Unternehmensagenten, suchgestützte Antworten und mehrsprachige Arbeit. Diese genaue Version hat 111 Milliarden Parameter, akzeptiert Text und erzeugt Text. Ihr Modellkontext beim Hersteller beträgt 256K Tokens, mit maximal 8'000 Ausgabetokens im veröffentlichten Dienstprofil. Sie ist eigenständig gegenüber Command A Vision, Command A Reasoning und der späteren multimodalen Version A+.\n\n### Modelldetails und Sprache\n\nDer Hersteller beschreibt einen autoregressiven Transformer mit lokaler Sliding-Window-Attention und periodischer globaler Attention. Drei lokale Schichten verwenden ein Fenster von 4'096 Tokens mit rotierender Positionscodierung; eine vierte Schicht nutzt globale Attention ohne Positions-Embeddings. Überwachtes Feintraining und Präferenztraining formen hilfreiches Dialogverhalten und aufgabenorientiertes Verhalten. Das Modell wurde auf 23 Sprachen trainiert und unterstützt sprachübergreifende Aufgaben wie Übersetzen oder das Beantworten einer Frage zu anderssprachigem Material.\n\nLegen Sie die Antwortsprache fest und bewahren Sie die erforderliche Terminologie. Geben Sie Quellpassagen für einen mehrsprachigen Wissensassistenten eigene Namen und verlangen Sie eine Erklärung, die Produktnamen, Codekennungen und zitierte Formulierungen erhält. Eine hilfreiche Endantwort benennt die Quelle einer Schlussfolgerung, statt einen aufgabenrelevanten Unterschied durch Übersetzung zu verwischen.\n\n### Dialog und aufgabenorientierte Ausgabe\n\nCommand A ist standardmässig dialogorientiert und ergänzt häufig eine Einleitung, Folgefragen sowie Markdown- oder mathematische Formatierung. Verwenden Sie für Extraktion, Kategorisierung, Zusammenfassung oder Übersetzung den Systemanweisungsansatz des Herstellers, um nur die erforderliche Antwort anzufordern, und legen Sie fest, ob Markdown oder Codeblöcke zur Ausgabe gehören. So wird eine freundliche Dialogeinleitung nicht als Teil eines nachgelagerten Datensatzes behandelt.\n\nDie Modellkarte beschreibt kontextbezogene und strikte Sicherheitsmodi, wobei der kontextbezogene Modus beim Hersteller voreingestellt ist. Dies sind dokumentierte Verhaltenseinstellungen des Herstellerprofils, unabhängig vom gewünschten Aufgabenformat. Definieren Sie den relevanten Aufgabenkontext und die gewünschte Ausgabe klar.\n\n### Belegte Generierung\n\nCommand A ist für den Antwortgenerierungsschritt der Retrieval-Augmented Generation trainiert. Die Eingabe kombiniert den Dialog mit bereitgestellten Dokumentauszügen, typischerweise etwa 100–400 Wörter pro Abschnitt, dargestellt durch kurze beschreibende Schlüssel und textliche oder halbstrukturierte Werte. Der Hersteller regt ausserdem an, dieses spezialisierte Format mit relevanten Dokumenten zu vergleichen, die direkt in der Nutzernachricht stehen.\n\nKennzeichnen Sie für einen Richtlinien- oder technischen Vergleich jeden Auszug und verlangen Sie eine durch die relevante Passage gestützte Schlussfolgerung. Im zitierfähigen Herstellerformat ordnet die Ausgabe Antwortabschnitte unterstützenden Quellen zu. Halten Sie die Kennungen der abgerufenen Dokumente verfügbar, damit diese Verweise verständlich bleiben. Ein Quellenzitat zeigt, welches bereitgestellte Material den generierten Abschnitt stützt; das umgebende System übernimmt die eigentliche Suche.\n\n### Werkzeuge und Code\n\nDer Hersteller trainiert Command A für dialogorientierte Werkzeugnutzung mit Funktionsbeschreibungen als JSON-Schema. Das Modell kann einen Plan und ausgewählte Aufrufe erzeugen, die Anwendung führt sie aus, und die als Dictionaries vorliegenden Ergebnisse kehren mit der passenden Werkzeugaufrufkennung in den Dialog zurück. Das Modell verwendet diese Beobachtungen anschliessend für eine Antwort, optional mit Quellenabschnitten, die Werkzeugergebnissen zugeordnet sind.\n\nProgrammieraufgaben umfassen SQL-Generierung, Codeerklärung sowie Übersetzen oder Umschreiben von Code. Stellen Sie das Schema oder die relevante Implementierung und das zu bewahrende Verhalten bereit. Der Hersteller empfiehlt für Anweisungen zur Codegenerierung eine niedrige Temperatur, gegebenenfalls einschliesslich Greedy Decoding. Prüfen Sie generiertes SQL oder Code vor der Ausführung und geben Sie bei Überarbeitungen tatsächliche Validierungsbeobachtungen zurück.\n\nDie Modellkarte nennt einen praktischen Kontextunterschied: Das Modell unterstützt 256K, während die veröffentlichte Hugging-Face-Konfiguration auf 128K eingestellt und anpassbar ist. Bewahren Sie die tatsächliche Kontextkonfiguration des ausgewählten Ablaufs und reservieren Sie Platz für die Antwort. Ein brauchbares Ergebnis ist der gewünschte Text oder Code mit Belegen, die auf bereitgestellte Quellen und Werkzeugbeobachtungen zurückführbar sind.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
A multilingual answer grounded in snippets\n\nAnswer in English using only these snippets. FR-1: 'Les retours sont acceptés sous 30 jours pour les articles non utilisés.' EN-2: 'Return shipping is paid by the customer unless the item is defective.' A customer asks whether an unused item can be returned after 20 days and who pays postage. Cite snippet IDs.A short English answer with FR-1 and EN-2 attached to the conclusions they support.The answer preserves the unused-item condition and defective-item exception without inventing a refund timeline.cohere/command-aCommand A ist Coheres 111B-Textmodell für mehrsprachige Unternehmensagenten, dokumentgestützte Antworten und werkzeuggestützte Arbeit. Es verbindet einen Kontext von 256K mit Quellenzitaten, Programmierhilfe und Training in 23 Sprachen und erzeugt Text aus schriftlichen Anweisungen und bereitgestellten Belegen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Command A ist Coheres Textmodell vom März 2025 für Unternehmensagenten, suchgestützte Antworten und mehrsprachige Arbeit. Diese genaue Version hat 111 Milliarden Parameter, akzeptiert Text und erzeugt Text. Ihr Modellkontext beim Hersteller beträgt 256K Tokens, mit maximal 8'000 Ausgabetokens im veröffentlichten Dienstprofil. Sie ist eigenständig gegenüber Command A Vision, Command A Reasoning und der späteren multimodalen Version A+.
Der Hersteller beschreibt einen autoregressiven Transformer mit lokaler Sliding-Window-Attention und periodischer globaler Attention. Drei lokale Schichten verwenden ein Fenster von 4'096 Tokens mit rotierender Positionscodierung; eine vierte Schicht nutzt globale Attention ohne Positions-Embeddings. Überwachtes Feintraining und Präferenztraining formen hilfreiches Dialogverhalten und aufgabenorientiertes Verhalten. Das Modell wurde auf 23 Sprachen trainiert und unterstützt sprachübergreifende Aufgaben wie Übersetzen oder das Beantworten einer Frage zu anderssprachigem Material.
Legen Sie die Antwortsprache fest und bewahren Sie die erforderliche Terminologie. Geben Sie Quellpassagen für einen mehrsprachigen Wissensassistenten eigene Namen und verlangen Sie eine Erklärung, die Produktnamen, Codekennungen und zitierte Formulierungen erhält. Eine hilfreiche Endantwort benennt die Quelle einer Schlussfolgerung, statt einen aufgabenrelevanten Unterschied durch Übersetzung zu verwischen.
Command A ist standardmässig dialogorientiert und ergänzt häufig eine Einleitung, Folgefragen sowie Markdown- oder mathematische Formatierung. Verwenden Sie für Extraktion, Kategorisierung, Zusammenfassung oder Übersetzung den Systemanweisungsansatz des Herstellers, um nur die erforderliche Antwort anzufordern, und legen Sie fest, ob Markdown oder Codeblöcke zur Ausgabe gehören. So wird eine freundliche Dialogeinleitung nicht als Teil eines nachgelagerten Datensatzes behandelt.
Die Modellkarte beschreibt kontextbezogene und strikte Sicherheitsmodi, wobei der kontextbezogene Modus beim Hersteller voreingestellt ist. Dies sind dokumentierte Verhaltenseinstellungen des Herstellerprofils, unabhängig vom gewünschten Aufgabenformat. Definieren Sie den relevanten Aufgabenkontext und die gewünschte Ausgabe klar.
Command A ist für den Antwortgenerierungsschritt der Retrieval-Augmented Generation trainiert. Die Eingabe kombiniert den Dialog mit bereitgestellten Dokumentauszügen, typischerweise etwa 100–400 Wörter pro Abschnitt, dargestellt durch kurze beschreibende Schlüssel und textliche oder halbstrukturierte Werte. Der Hersteller regt ausserdem an, dieses spezialisierte Format mit relevanten Dokumenten zu vergleichen, die direkt in der Nutzernachricht stehen.
Kennzeichnen Sie für einen Richtlinien- oder technischen Vergleich jeden Auszug und verlangen Sie eine durch die relevante Passage gestützte Schlussfolgerung. Im zitierfähigen Herstellerformat ordnet die Ausgabe Antwortabschnitte unterstützenden Quellen zu. Halten Sie die Kennungen der abgerufenen Dokumente verfügbar, damit diese Verweise verständlich bleiben. Ein Quellenzitat zeigt, welches bereitgestellte Material den generierten Abschnitt stützt; das umgebende System übernimmt die eigentliche Suche.
Der Hersteller trainiert Command A für dialogorientierte Werkzeugnutzung mit Funktionsbeschreibungen als JSON-Schema. Das Modell kann einen Plan und ausgewählte Aufrufe erzeugen, die Anwendung führt sie aus, und die als Dictionaries vorliegenden Ergebnisse kehren mit der passenden Werkzeugaufrufkennung in den Dialog zurück. Das Modell verwendet diese Beobachtungen anschliessend für eine Antwort, optional mit Quellenabschnitten, die Werkzeugergebnissen zugeordnet sind.
Programmieraufgaben umfassen SQL-Generierung, Codeerklärung sowie Übersetzen oder Umschreiben von Code. Stellen Sie das Schema oder die relevante Implementierung und das zu bewahrende Verhalten bereit. Der Hersteller empfiehlt für Anweisungen zur Codegenerierung eine niedrige Temperatur, gegebenenfalls einschliesslich Greedy Decoding. Prüfen Sie generiertes SQL oder Code vor der Ausführung und geben Sie bei Überarbeitungen tatsächliche Validierungsbeobachtungen zurück.
Die Modellkarte nennt einen praktischen Kontextunterschied: Das Modell unterstützt 256K, während die veröffentlichte Hugging-Face-Konfiguration auf 128K eingestellt und anpassbar ist. Bewahren Sie die tatsächliche Kontextkonfiguration des ausgewählten Ablaufs und reservieren Sie Platz für die Antwort. Ein brauchbares Ergebnis ist der gewünschte Text oder Code mit Belegen, die auf bereitgestellte Quellen und Werkzeugbeobachtungen zurückführbar sind.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits cohere/command-a | 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 $0.02 / 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 $0.02 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "cohere/command-a", "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='cohere/command-a',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='cohere/command-a',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 cohere/command-a
Verwenden Sie die oben angezeigten Methodenpfade.
cohere/command-aCommand A ist Coheres 111B-Textmodell für mehrsprachige Unternehmensagenten, dokumentgestützte Antworten und werkzeuggestützte Arbeit. Es verbindet einen Kontext von 256K mit Quellenzitaten, Programmierhilfe und Training in 23 Sprachen und erzeugt Text aus schriftlichen Anweisungen und bereitgestellten Belegen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Command A ist Coheres Textmodell vom März 2025 für Unternehmensagenten, suchgestützte Antworten und mehrsprachige Arbeit. Diese genaue Version hat 111 Milliarden Parameter, akzeptiert Text und erzeugt Text. Ihr Modellkontext beim Hersteller beträgt 256K Tokens, mit maximal 8'000 Ausgabetokens im veröffentlichten Dienstprofil. Sie ist eigenständig gegenüber Command A Vision, Command A Reasoning und der späteren multimodalen Version A+.
Der Hersteller beschreibt einen autoregressiven Transformer mit lokaler Sliding-Window-Attention und periodischer globaler Attention. Drei lokale Schichten verwenden ein Fenster von 4'096 Tokens mit rotierender Positionscodierung; eine vierte Schicht nutzt globale Attention ohne Positions-Embeddings. Überwachtes Feintraining und Präferenztraining formen hilfreiches Dialogverhalten und aufgabenorientiertes Verhalten. Das Modell wurde auf 23 Sprachen trainiert und unterstützt sprachübergreifende Aufgaben wie Übersetzen oder das Beantworten einer Frage zu anderssprachigem Material.
Legen Sie die Antwortsprache fest und bewahren Sie die erforderliche Terminologie. Geben Sie Quellpassagen für einen mehrsprachigen Wissensassistenten eigene Namen und verlangen Sie eine Erklärung, die Produktnamen, Codekennungen und zitierte Formulierungen erhält. Eine hilfreiche Endantwort benennt die Quelle einer Schlussfolgerung, statt einen aufgabenrelevanten Unterschied durch Übersetzung zu verwischen.
Command A ist standardmässig dialogorientiert und ergänzt häufig eine Einleitung, Folgefragen sowie Markdown- oder mathematische Formatierung. Verwenden Sie für Extraktion, Kategorisierung, Zusammenfassung oder Übersetzung den Systemanweisungsansatz des Herstellers, um nur die erforderliche Antwort anzufordern, und legen Sie fest, ob Markdown oder Codeblöcke zur Ausgabe gehören. So wird eine freundliche Dialogeinleitung nicht als Teil eines nachgelagerten Datensatzes behandelt.
Die Modellkarte beschreibt kontextbezogene und strikte Sicherheitsmodi, wobei der kontextbezogene Modus beim Hersteller voreingestellt ist. Dies sind dokumentierte Verhaltenseinstellungen des Herstellerprofils, unabhängig vom gewünschten Aufgabenformat. Definieren Sie den relevanten Aufgabenkontext und die gewünschte Ausgabe klar.
Command A ist für den Antwortgenerierungsschritt der Retrieval-Augmented Generation trainiert. Die Eingabe kombiniert den Dialog mit bereitgestellten Dokumentauszügen, typischerweise etwa 100–400 Wörter pro Abschnitt, dargestellt durch kurze beschreibende Schlüssel und textliche oder halbstrukturierte Werte. Der Hersteller regt ausserdem an, dieses spezialisierte Format mit relevanten Dokumenten zu vergleichen, die direkt in der Nutzernachricht stehen.
Kennzeichnen Sie für einen Richtlinien- oder technischen Vergleich jeden Auszug und verlangen Sie eine durch die relevante Passage gestützte Schlussfolgerung. Im zitierfähigen Herstellerformat ordnet die Ausgabe Antwortabschnitte unterstützenden Quellen zu. Halten Sie die Kennungen der abgerufenen Dokumente verfügbar, damit diese Verweise verständlich bleiben. Ein Quellenzitat zeigt, welches bereitgestellte Material den generierten Abschnitt stützt; das umgebende System übernimmt die eigentliche Suche.
Der Hersteller trainiert Command A für dialogorientierte Werkzeugnutzung mit Funktionsbeschreibungen als JSON-Schema. Das Modell kann einen Plan und ausgewählte Aufrufe erzeugen, die Anwendung führt sie aus, und die als Dictionaries vorliegenden Ergebnisse kehren mit der passenden Werkzeugaufrufkennung in den Dialog zurück. Das Modell verwendet diese Beobachtungen anschliessend für eine Antwort, optional mit Quellenabschnitten, die Werkzeugergebnissen zugeordnet sind.
Programmieraufgaben umfassen SQL-Generierung, Codeerklärung sowie Übersetzen oder Umschreiben von Code. Stellen Sie das Schema oder die relevante Implementierung und das zu bewahrende Verhalten bereit. Der Hersteller empfiehlt für Anweisungen zur Codegenerierung eine niedrige Temperatur, gegebenenfalls einschliesslich Greedy Decoding. Prüfen Sie generiertes SQL oder Code vor der Ausführung und geben Sie bei Überarbeitungen tatsächliche Validierungsbeobachtungen zurück.
Die Modellkarte nennt einen praktischen Kontextunterschied: Das Modell unterstützt 256K, während die veröffentlichte Hugging-Face-Konfiguration auf 128K eingestellt und anpassbar ist. Bewahren Sie die tatsächliche Kontextkonfiguration des ausgewählten Ablaufs und reservieren Sie Platz für die Antwort. Ein brauchbares Ergebnis ist der gewünschte Text oder Code mit Belegen, die auf bereitgestellte Quellen und Werkzeugbeobachtungen zurückführbar sind.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits cohere/command-a | 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 $0.02 / 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 $0.02 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "cohere/command-a",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'cohere/command-a', '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': 'cohere/command-a', '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 cohere/command-a
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
A multilingual answer grounded in snippets\n\nAnswer in English using only these snippets. FR-1: 'Les retours sont acceptés sous 30 jours pour les articles non utilisés.' EN-2: 'Return shipping is paid by the customer unless the item is defective.' A customer asks whether an unused item can be returned after 20 days and who pays postage. Cite snippet IDs.A short English answer with FR-1 and EN-2 attached to the conclusions they support.The answer preserves the unused-item condition and defective-item exception without inventing a refund timeline.