ERNIE 5.0 Thinking ist die auf Schlussfolgern ausgerichtete Modellfamilie von Baidu für komplexe Fragen, Schreiben, Anweisungsbefolgung und an Anwendungen angebundene Aufgaben. Das namentlich geführte Herstellerprofil Thinking Preview verbindet tiefgehendes Schlussfolgern mit visuellem Verständnis und Unterstützung für Planung und Werkzeugnutzung. Sein Herstellerablauf für Textantworten ist davon zu unterscheiden, die multimodalen Erzeugungsfähigkeiten der gesamten ERNIE-5.0-Forschungsfamilie als einen austauschbaren Anfragevertrag zu behandeln.
Geben Sie die Frage, das verwendbare Material und die von der Antwort zu erfüllenden Bedingungen an. Ein Recherchevergleich kann Kriterien definieren und die jede Schlussfolgerung stützenden Belege verlangen. Eine Schreibaufgabe kann die Zielgruppe, eine Faktenvorgabe und die gewünschte Struktur vorgeben. Eine Programmierfrage kann das zu ändernde Verhalten und das relevante Quelltextfragment benennen. Halten Sie das abschliessende Arbeitsergebnis so konkret, dass es sich prüfen lässt.
Stellen Sie für visuelles Verständnis Material bereit, das das relevante Merkmal klar zeigt, und formulieren Sie die Frage dazu. Ein Diagramm oder Dokumentbild benötigt lesbare Beschriftungen und den umgebenden Kontext, der die Bedeutung seiner Werte bestimmt. Prüfen Sie wichtige Text- und Zahlendetails anhand des Originalmaterials. Der Zweck des visuellen Verständnisses hebt nicht die Notwendigkeit auf, die Quelle zusammen mit der zurückgegebenen Interpretation zu bewahren.
Die AI-Studio-Tabelle von Baidu nennt für das Profil Thinking Preview einen Kontext von 128K und eine maximale Eingabe von 119K. Die chinesische Tabelle nennt Einstellungen für die abschliessende Ausgabe bis zu 65'536 Tokens und einen Standardwert von 2K sowie separat eine Denklänge von 60K. Halten Sie diese Budgets in ihren jeweiligen Rollen: Aufgabenkontext, erzeugte Gedankengänge und gewünschte abschliessende Antwort sind verschiedene Teile eines nützlichen Ergebnisses.
Ein grosses Eingabebudget kann zusammengehörige Dokumente aufnehmen, während die gewünschte Antwort weiterhin der benötigten Entscheidung oder dem Arbeitsergebnis entsprechen sollte. Verlangen Sie für einen Vergleich eine kompakte Belegtabelle und die massgebliche Schlussfolgerung, statt jede bereitgestellte Passage zu wiederholen. Bewahren Sie bei einer technischen Antwort den Eingabefall und das erwartete Verhalten, die das Ergebnis überprüfbar machen. Die benannte Preview-Spezifikation sollte nicht in eine Garantie für die zugrunde liegende Revision einer später laufend aktualisierten Auswahlkennung umgedeutet werden.
Das Funktionsverzeichnis des Herstellers führt das Profil Thinking Preview für Funktionsaufrufe, Sucherweiterung und strukturierte Ausgabe auf. Definieren Sie eine Anwendungsfunktion und die von ihr benötigten Argumente, führen Sie eine zurückgegebene Anfrage in der Anwendung aus und stellen Sie das tatsächliche Ergebnis zur Fortsetzung bereit. Ein Agentenplan ist für sich allein kein Beleg dafür, dass die geplanten Vorgänge abgeschlossen wurden.
Eine quellenbasierte Antwort sollte abgerufene Belege bewahren und sie vom bereitgestellten Hintergrund oder einer Schlussfolgerung unterscheiden. Ein strukturierter Datensatz sollte die erforderlichen Felder und die Darstellung fehlender Informationen definieren, wobei die zurückgegebenen Werte anhand der Quelle geprüft werden. Details zum nativen Antwortformat und zu Werkzeugen gehören zur gewählten Herstellerschnittstelle; die grundlegende praktische Anforderung ist ein nachvollziehbares Textergebnis statt eines plausiblen, aber unbelegt ausgefüllten Feldes.
Das nützliche Arbeitsergebnis kann ein begründeter Vergleich, ein Entwurf, eine codebezogene Erklärung oder eine werkzeuggestützte Antwort sein. Prüfen Sie wichtige Kennungen, Berechnungen und Interpretationen anhand des sie belegenden Materials. Halten Sie unvollständige Recherchen oder widersprüchliche Quellen in der Schlussfolgerung sichtbar, statt eine Lücke mit flüssigen Formulierungen zu verdecken.
Die Thinking-Familie, das namentlich geführte Profil Preview und spätere ERNIE-Generationen haben unterschiedliche Auswahlkennungen und dokumentierte Bedingungen. Bewahren Sie Aufgabe, Quellenmaterial, Belege abgeschlossener Werkzeugvorgänge und abschliessende Antwort gemeinsam auf. Damit wird die nächste Nachricht zu einer konkreten Korrektur oder Erweiterung derselben Untersuchung statt zu einer unbelegten Rekonstruktion der früheren Arbeit.
", "aboutText": "ERNIE 5.0 Thinking ist die auf Schlussfolgern ausgerichtete Modellfamilie von Baidu für komplexe Fragen, Schreiben, Anweisungsbefolgung und an Anwendungen angebundene Aufgaben. Das namentlich geführte Herstellerprofil Thinking Preview verbindet tiefgehendes Schlussfolgern mit visuellem Verständnis und Unterstützung für Planung und Werkzeugnutzung. Sein Herstellerablauf für Textantworten ist davon zu unterscheiden, die multimodalen Erzeugungsfähigkeiten der gesamten ERNIE-5.0-Forschungsfamilie als einen austauschbaren Anfragevertrag zu behandeln.\n\n### Belege für das beabsichtigte Ergebnis vorbereiten\n\nGeben Sie die Frage, das verwendbare Material und die von der Antwort zu erfüllenden Bedingungen an. Ein Recherchevergleich kann Kriterien definieren und die jede Schlussfolgerung stützenden Belege verlangen. Eine Schreibaufgabe kann die Zielgruppe, eine Faktenvorgabe und die gewünschte Struktur vorgeben. Eine Programmierfrage kann das zu ändernde Verhalten und das relevante Quelltextfragment benennen. Halten Sie das abschliessende Arbeitsergebnis so konkret, dass es sich prüfen lässt.\n\nStellen Sie für visuelles Verständnis Material bereit, das das relevante Merkmal klar zeigt, und formulieren Sie die Frage dazu. Ein Diagramm oder Dokumentbild benötigt lesbare Beschriftungen und den umgebenden Kontext, der die Bedeutung seiner Werte bestimmt. Prüfen Sie wichtige Text- und Zahlendetails anhand des Originalmaterials. Der Zweck des visuellen Verständnisses hebt nicht die Notwendigkeit auf, die Quelle zusammen mit der zurückgegebenen Interpretation zu bewahren.\n\n### Die dokumentierten Preview-Budgets\n\nDie AI-Studio-Tabelle von Baidu nennt für das Profil Thinking Preview einen Kontext von 128K und eine maximale Eingabe von 119K. Die chinesische Tabelle nennt Einstellungen für die abschliessende Ausgabe bis zu 65'536 Tokens und einen Standardwert von 2K sowie separat eine Denklänge von 60K. Halten Sie diese Budgets in ihren jeweiligen Rollen: Aufgabenkontext, erzeugte Gedankengänge und gewünschte abschliessende Antwort sind verschiedene Teile eines nützlichen Ergebnisses.\n\nEin grosses Eingabebudget kann zusammengehörige Dokumente aufnehmen, während die gewünschte Antwort weiterhin der benötigten Entscheidung oder dem Arbeitsergebnis entsprechen sollte. Verlangen Sie für einen Vergleich eine kompakte Belegtabelle und die massgebliche Schlussfolgerung, statt jede bereitgestellte Passage zu wiederholen. Bewahren Sie bei einer technischen Antwort den Eingabefall und das erwartete Verhalten, die das Ergebnis überprüfbar machen. Die benannte Preview-Spezifikation sollte nicht in eine Garantie für die zugrunde liegende Revision einer später laufend aktualisierten Auswahlkennung umgedeutet werden.\n\n### Werkzeuge, Suche und strukturierter Text\n\nDas Funktionsverzeichnis des Herstellers führt das Profil Thinking Preview für Funktionsaufrufe, Sucherweiterung und strukturierte Ausgabe auf. Definieren Sie eine Anwendungsfunktion und die von ihr benötigten Argumente, führen Sie eine zurückgegebene Anfrage in der Anwendung aus und stellen Sie das tatsächliche Ergebnis zur Fortsetzung bereit. Ein Agentenplan ist für sich allein kein Beleg dafür, dass die geplanten Vorgänge abgeschlossen wurden.\n\nEine quellenbasierte Antwort sollte abgerufene Belege bewahren und sie vom bereitgestellten Hintergrund oder einer Schlussfolgerung unterscheiden. Ein strukturierter Datensatz sollte die erforderlichen Felder und die Darstellung fehlender Informationen definieren, wobei die zurückgegebenen Werte anhand der Quelle geprüft werden. Details zum nativen Antwortformat und zu Werkzeugen gehören zur gewählten Herstellerschnittstelle; die grundlegende praktische Anforderung ist ein nachvollziehbares Textergebnis statt eines plausiblen, aber unbelegt ausgefüllten Feldes.\n\n### Die Aufgabe prüfen und fortsetzen\n\nDas nützliche Arbeitsergebnis kann ein begründeter Vergleich, ein Entwurf, eine codebezogene Erklärung oder eine werkzeuggestützte Antwort sein. Prüfen Sie wichtige Kennungen, Berechnungen und Interpretationen anhand des sie belegenden Materials. Halten Sie unvollständige Recherchen oder widersprüchliche Quellen in der Schlussfolgerung sichtbar, statt eine Lücke mit flüssigen Formulierungen zu verdecken.\n\nDie Thinking-Familie, das namentlich geführte Profil Preview und spätere ERNIE-Generationen haben unterschiedliche Auswahlkennungen und dokumentierte Bedingungen. Bewahren Sie Aufgabe, Quellenmaterial, Belege abgeschlossener Werkzeugvorgänge und abschliessende Antwort gemeinsam auf. Damit wird die nächste Nachricht zu einer konkreten Korrektur oder Erweiterung derselben Untersuchung statt zu einer unbelegten Rekonstruktion der früheren Arbeit.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "f408b2eb2f7bdd94e95d969781d90334997436997c6580a753a905bd6d895b2e", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "de-ch", "methods": [ { "html": "ernie-5.0-thinking-latestERNIE 5.0 Thinking verbindet tiefgehendes Schlussfolgern, Schreiben, visuelles Verständnis und werkzeuggestützte Aufgaben. Das dokumentierte Preview-Profil hat einen Kontext von 128K, eine maximale Eingabe von 119K und Einstellungen für die endgültige Ausgabe von bis zu 65’536 Token bei einem separaten Thinking-Budget.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
ERNIE 5.0 Thinking ist die auf Schlussfolgern ausgerichtete Modellfamilie von Baidu für komplexe Fragen, Schreiben, Anweisungsbefolgung und an Anwendungen angebundene Aufgaben. Das namentlich geführte Herstellerprofil Thinking Preview verbindet tiefgehendes Schlussfolgern mit visuellem Verständnis und Unterstützung für Planung und Werkzeugnutzung. Sein Herstellerablauf für Textantworten ist davon zu unterscheiden, die multimodalen Erzeugungsfähigkeiten der gesamten ERNIE-5.0-Forschungsfamilie als einen austauschbaren Anfragevertrag zu behandeln.
Geben Sie die Frage, das verwendbare Material und die von der Antwort zu erfüllenden Bedingungen an. Ein Recherchevergleich kann Kriterien definieren und die jede Schlussfolgerung stützenden Belege verlangen. Eine Schreibaufgabe kann die Zielgruppe, eine Faktenvorgabe und die gewünschte Struktur vorgeben. Eine Programmierfrage kann das zu ändernde Verhalten und das relevante Quelltextfragment benennen. Halten Sie das abschliessende Arbeitsergebnis so konkret, dass es sich prüfen lässt.
Stellen Sie für visuelles Verständnis Material bereit, das das relevante Merkmal klar zeigt, und formulieren Sie die Frage dazu. Ein Diagramm oder Dokumentbild benötigt lesbare Beschriftungen und den umgebenden Kontext, der die Bedeutung seiner Werte bestimmt. Prüfen Sie wichtige Text- und Zahlendetails anhand des Originalmaterials. Der Zweck des visuellen Verständnisses hebt nicht die Notwendigkeit auf, die Quelle zusammen mit der zurückgegebenen Interpretation zu bewahren.
Die AI-Studio-Tabelle von Baidu nennt für das Profil Thinking Preview einen Kontext von 128K und eine maximale Eingabe von 119K. Die chinesische Tabelle nennt Einstellungen für die abschliessende Ausgabe bis zu 65'536 Tokens und einen Standardwert von 2K sowie separat eine Denklänge von 60K. Halten Sie diese Budgets in ihren jeweiligen Rollen: Aufgabenkontext, erzeugte Gedankengänge und gewünschte abschliessende Antwort sind verschiedene Teile eines nützlichen Ergebnisses.
Ein grosses Eingabebudget kann zusammengehörige Dokumente aufnehmen, während die gewünschte Antwort weiterhin der benötigten Entscheidung oder dem Arbeitsergebnis entsprechen sollte. Verlangen Sie für einen Vergleich eine kompakte Belegtabelle und die massgebliche Schlussfolgerung, statt jede bereitgestellte Passage zu wiederholen. Bewahren Sie bei einer technischen Antwort den Eingabefall und das erwartete Verhalten, die das Ergebnis überprüfbar machen. Die benannte Preview-Spezifikation sollte nicht in eine Garantie für die zugrunde liegende Revision einer später laufend aktualisierten Auswahlkennung umgedeutet werden.
Das Funktionsverzeichnis des Herstellers führt das Profil Thinking Preview für Funktionsaufrufe, Sucherweiterung und strukturierte Ausgabe auf. Definieren Sie eine Anwendungsfunktion und die von ihr benötigten Argumente, führen Sie eine zurückgegebene Anfrage in der Anwendung aus und stellen Sie das tatsächliche Ergebnis zur Fortsetzung bereit. Ein Agentenplan ist für sich allein kein Beleg dafür, dass die geplanten Vorgänge abgeschlossen wurden.
Eine quellenbasierte Antwort sollte abgerufene Belege bewahren und sie vom bereitgestellten Hintergrund oder einer Schlussfolgerung unterscheiden. Ein strukturierter Datensatz sollte die erforderlichen Felder und die Darstellung fehlender Informationen definieren, wobei die zurückgegebenen Werte anhand der Quelle geprüft werden. Details zum nativen Antwortformat und zu Werkzeugen gehören zur gewählten Herstellerschnittstelle; die grundlegende praktische Anforderung ist ein nachvollziehbares Textergebnis statt eines plausiblen, aber unbelegt ausgefüllten Feldes.
Das nützliche Arbeitsergebnis kann ein begründeter Vergleich, ein Entwurf, eine codebezogene Erklärung oder eine werkzeuggestützte Antwort sein. Prüfen Sie wichtige Kennungen, Berechnungen und Interpretationen anhand des sie belegenden Materials. Halten Sie unvollständige Recherchen oder widersprüchliche Quellen in der Schlussfolgerung sichtbar, statt eine Lücke mit flüssigen Formulierungen zu verdecken.
Die Thinking-Familie, das namentlich geführte Profil Preview und spätere ERNIE-Generationen haben unterschiedliche Auswahlkennungen und dokumentierte Bedingungen. Bewahren Sie Aufgabe, Quellenmaterial, Belege abgeschlossener Werkzeugvorgänge und abschliessende Antwort gemeinsam auf. Damit wird die nächste Nachricht zu einer konkreten Korrektur oder Erweiterung derselben Untersuchung statt zu einer unbelegten Rekonstruktion der früheren Arbeit.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits ernie-5.0-thinking-latest | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Modellabhängig | Standard— |
Feldmessages[].content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Textgespräch | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
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 |
Parametercontrol_scope | VertragTextgespräch; stream ist ein boolescher Wert und standardmässig false. |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
Methodenaliasnamen: /chat/completions
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.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.001892 / 1K Tokens Ausgabe · Ausgabetoken $0.003146 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"ernie-5.0-thinking-latest","messages":[{"role":"user","content":"hello"}],"stream":false}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\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="ernie-5.0-thinking-latest", messages=[{"role":"user","content":"hello"}], stream=False)\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"))\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 ernie-5.0-thinking-latest
/chat/completions
ernie-5.0-thinking-latestERNIE 5.0 Thinking verbindet tiefgehendes Schlussfolgern, Schreiben, visuelles Verständnis und werkzeuggestützte Aufgaben. Das dokumentierte Preview-Profil hat einen Kontext von 128K, eine maximale Eingabe von 119K und Einstellungen für die endgültige Ausgabe von bis zu 65’536 Token bei einem separaten Thinking-Budget.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
ERNIE 5.0 Thinking ist die auf Schlussfolgern ausgerichtete Modellfamilie von Baidu für komplexe Fragen, Schreiben, Anweisungsbefolgung und an Anwendungen angebundene Aufgaben. Das namentlich geführte Herstellerprofil Thinking Preview verbindet tiefgehendes Schlussfolgern mit visuellem Verständnis und Unterstützung für Planung und Werkzeugnutzung. Sein Herstellerablauf für Textantworten ist davon zu unterscheiden, die multimodalen Erzeugungsfähigkeiten der gesamten ERNIE-5.0-Forschungsfamilie als einen austauschbaren Anfragevertrag zu behandeln.
Geben Sie die Frage, das verwendbare Material und die von der Antwort zu erfüllenden Bedingungen an. Ein Recherchevergleich kann Kriterien definieren und die jede Schlussfolgerung stützenden Belege verlangen. Eine Schreibaufgabe kann die Zielgruppe, eine Faktenvorgabe und die gewünschte Struktur vorgeben. Eine Programmierfrage kann das zu ändernde Verhalten und das relevante Quelltextfragment benennen. Halten Sie das abschliessende Arbeitsergebnis so konkret, dass es sich prüfen lässt.
Stellen Sie für visuelles Verständnis Material bereit, das das relevante Merkmal klar zeigt, und formulieren Sie die Frage dazu. Ein Diagramm oder Dokumentbild benötigt lesbare Beschriftungen und den umgebenden Kontext, der die Bedeutung seiner Werte bestimmt. Prüfen Sie wichtige Text- und Zahlendetails anhand des Originalmaterials. Der Zweck des visuellen Verständnisses hebt nicht die Notwendigkeit auf, die Quelle zusammen mit der zurückgegebenen Interpretation zu bewahren.
Die AI-Studio-Tabelle von Baidu nennt für das Profil Thinking Preview einen Kontext von 128K und eine maximale Eingabe von 119K. Die chinesische Tabelle nennt Einstellungen für die abschliessende Ausgabe bis zu 65'536 Tokens und einen Standardwert von 2K sowie separat eine Denklänge von 60K. Halten Sie diese Budgets in ihren jeweiligen Rollen: Aufgabenkontext, erzeugte Gedankengänge und gewünschte abschliessende Antwort sind verschiedene Teile eines nützlichen Ergebnisses.
Ein grosses Eingabebudget kann zusammengehörige Dokumente aufnehmen, während die gewünschte Antwort weiterhin der benötigten Entscheidung oder dem Arbeitsergebnis entsprechen sollte. Verlangen Sie für einen Vergleich eine kompakte Belegtabelle und die massgebliche Schlussfolgerung, statt jede bereitgestellte Passage zu wiederholen. Bewahren Sie bei einer technischen Antwort den Eingabefall und das erwartete Verhalten, die das Ergebnis überprüfbar machen. Die benannte Preview-Spezifikation sollte nicht in eine Garantie für die zugrunde liegende Revision einer später laufend aktualisierten Auswahlkennung umgedeutet werden.
Das Funktionsverzeichnis des Herstellers führt das Profil Thinking Preview für Funktionsaufrufe, Sucherweiterung und strukturierte Ausgabe auf. Definieren Sie eine Anwendungsfunktion und die von ihr benötigten Argumente, führen Sie eine zurückgegebene Anfrage in der Anwendung aus und stellen Sie das tatsächliche Ergebnis zur Fortsetzung bereit. Ein Agentenplan ist für sich allein kein Beleg dafür, dass die geplanten Vorgänge abgeschlossen wurden.
Eine quellenbasierte Antwort sollte abgerufene Belege bewahren und sie vom bereitgestellten Hintergrund oder einer Schlussfolgerung unterscheiden. Ein strukturierter Datensatz sollte die erforderlichen Felder und die Darstellung fehlender Informationen definieren, wobei die zurückgegebenen Werte anhand der Quelle geprüft werden. Details zum nativen Antwortformat und zu Werkzeugen gehören zur gewählten Herstellerschnittstelle; die grundlegende praktische Anforderung ist ein nachvollziehbares Textergebnis statt eines plausiblen, aber unbelegt ausgefüllten Feldes.
Das nützliche Arbeitsergebnis kann ein begründeter Vergleich, ein Entwurf, eine codebezogene Erklärung oder eine werkzeuggestützte Antwort sein. Prüfen Sie wichtige Kennungen, Berechnungen und Interpretationen anhand des sie belegenden Materials. Halten Sie unvollständige Recherchen oder widersprüchliche Quellen in der Schlussfolgerung sichtbar, statt eine Lücke mit flüssigen Formulierungen zu verdecken.
Die Thinking-Familie, das namentlich geführte Profil Preview und spätere ERNIE-Generationen haben unterschiedliche Auswahlkennungen und dokumentierte Bedingungen. Bewahren Sie Aufgabe, Quellenmaterial, Belege abgeschlossener Werkzeugvorgänge und abschliessende Antwort gemeinsam auf. Damit wird die nächste Nachricht zu einer konkreten Korrektur oder Erweiterung derselben Untersuchung statt zu einer unbelegten Rekonstruktion der früheren Arbeit.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits ernie-5.0-thinking-latest | 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.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.001892 / 1K Tokens Ausgabe · Ausgabetoken $0.003146 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "ernie-5.0-thinking-latest",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'ernie-5.0-thinking-latest', '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': 'ernie-5.0-thinking-latest', '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 ernie-5.0-thinking-latest
/chat/completions