Granite 4.0 H Micro ist IBMs Langkontext-Anweisungsmodell mit 3 Milliarden Parametern, feinabgestimmt aus Granite 4.0 H Micro Base. Es ist die hybride dichte Micro-Edition, die Mamba-2 und Attention kombiniert, im Unterschied zum reinen Transformer Micro oder den grösseren Mixture-of-Experts-Varianten. Das Modell nimmt eine Textanweisung und Kontext entgegen und liefert Text. Damit ist es ein kompakter Baustein für Unternehmensassistenten und konkrete Schritte einer Agentenaufgabe.
Die Architekturtabelle des Herstellers nennt vier Attention-Schichten und sechsunddreissig Mamba-2-Schichten mit einer Sequenzlänge von 128K. Das Anweisungsmodell verwendet überwachtes Fine-Tuning, Reinforcement-Learning-Ausrichtung und Modellzusammenführung. Sein Trainingsmaterial umfasst freizügig lizenzierte Anweisungsdaten, synthetische Daten und von Menschen kuratierte Beispiele. Die hybride Struktur ist eine Eigenschaft dieser Edition; sie darf nicht durch das Parameter- oder Aktivexpertenprofil eines anderen Granite-Modells ersetzt werden.
Der Hersteller nennt zwölf unterstützte Sprachen und Aufgaben wie Zusammenfassung, Klassifikation, Extraktion, Fragenbeantwortung, abrufgestützte Generierung, Programmierung und Funktionsaufrufe. Liefern Sie die tatsächliche Quellpassage und beschreiben Sie den gewünschten Vorgang. Definieren Sie für Extraktion die Felder und die Darstellung eines fehlenden Wertes. Liefern Sie für Klassifikation Kategorienbedeutungen und einen Fall, der eine wichtige Grenze verdeutlicht.
Ein beispielhaftes Briefing lautet: «Extrahieren Sie jede Anforderung aus dieser Passage, bewahren Sie ihre Kennung und zitieren Sie den Satz, der sie festlegt.» Benennen Sie bei einer Zusammenfassung Zielgruppe und zu bewahrende Fakten. Kennzeichnen Sie bei Übersetzungen Namen und Fachbegriffe, die ihre ursprüngliche Schreibweise behalten sollen. Ein klares Endformat hilft einem kleinen Anweisungsmodell, das von der Anwendung benötigte Ergebnis zu erzeugen.
Die Karte von Granite H Micro zeigt Werkzeugdefinitionen mit Funktionsnamen, Beschreibungen und Parameterschemata. Das Modell liefert einen Funktionsnamen und JSON-Argumente in seiner Werkzeugaufrufdarstellung. Die umgebende Anwendung führt die ausgewählte Operation aus, prüft Argumente und gibt das Ergebnis zurück. Eine Nachschlageaufgabe sollte diese Beobachtung als Beleg der Antwort bewahren.
Liefern Sie in einem Abrufablauf relevantes Dokumentmaterial und verlangen Sie eine darauf gegründete Antwort. Der Quellenzugang gehört zur Anwendung; die Antwort des Textmodells entsteht aus dem empfangenen Kontext. Halten Sie Dokumentkennzeichnungen und Einheiten sichtbar, damit ein Ergebnis zur Eingabe zurückverfolgt werden kann.
Das Modell unterstützt codebezogene Aufgaben und Vervollständigung in der Mitte. Ein Programmierbriefing sollte die relevante Implementierung, beobachtetes Verhalten und zu bewahrendes Verhalten enthalten. Benennen Sie bei einer Ergänzungsaufgabe den umgebenden Code und die zu füllende Lücke. Verlangen Sie das resultierende Codeartefakt und eine an die Bedingungen gebundene Erklärung und prüfen Sie das Ergebnis anschliessend in der tatsächlichen Entwicklungsumgebung.
Der 128K-Kontext umfasst Prompt, Quellen, Gespräch und erzeugte Antwort gemeinsam; die Karte legt keine unabhängige allgemeingültige maximale Antwortlänge fest. Die Referenz-Chatvorlage enthält eine Standard-Systemanweisung für professionelle, genaue und sichere Antworten. Eine gewünschte Feldliste oder ein Codeartefakt benötigt dennoch eigene ausdrückliche Aufgabenanweisungen.
IBM weist darauf hin, dass mehrsprachige Leistung wegen des überwiegend englischen Anweisungstrainings von der englischen abweichen kann; einige aufgabenrelevante Beispiele können helfen. Es erkennt ausserdem mögliche ungenaue oder verzerrte Antworten an. Prüfen Sie quellengestützte Werte und erzeugten Code anhand der Eingabe und liefern Sie tatsächliche Beobachtungen zurück, wenn eine Korrektur nötig ist. Die nützliche Ausgabe von H Micro ist ein gezieltes Text- oder Codeergebnis mit bewahrter genauer hybrider Micro-Identität.
", "aboutText": "Granite 4.0 H Micro ist IBMs Langkontext-Anweisungsmodell mit 3 Milliarden Parametern, feinabgestimmt aus Granite 4.0 H Micro Base. Es ist die hybride dichte Micro-Edition, die Mamba-2 und Attention kombiniert, im Unterschied zum reinen Transformer Micro oder den grösseren Mixture-of-Experts-Varianten. Das Modell nimmt eine Textanweisung und Kontext entgegen und liefert Text. Damit ist es ein kompakter Baustein für Unternehmensassistenten und konkrete Schritte einer Agentenaufgabe.\n\n### Modellstruktur und Training\n\nDie Architekturtabelle des Herstellers nennt vier Attention-Schichten und sechsunddreissig Mamba-2-Schichten mit einer Sequenzlänge von 128K. Das Anweisungsmodell verwendet überwachtes Fine-Tuning, Reinforcement-Learning-Ausrichtung und Modellzusammenführung. Sein Trainingsmaterial umfasst freizügig lizenzierte Anweisungsdaten, synthetische Daten und von Menschen kuratierte Beispiele. Die hybride Struktur ist eine Eigenschaft dieser Edition; sie darf nicht durch das Parameter- oder Aktivexpertenprofil eines anderen Granite-Modells ersetzt werden.\n\n### Sprache und gezielte Aufgaben\n\nDer Hersteller nennt zwölf unterstützte Sprachen und Aufgaben wie Zusammenfassung, Klassifikation, Extraktion, Fragenbeantwortung, abrufgestützte Generierung, Programmierung und Funktionsaufrufe. Liefern Sie die tatsächliche Quellpassage und beschreiben Sie den gewünschten Vorgang. Definieren Sie für Extraktion die Felder und die Darstellung eines fehlenden Wertes. Liefern Sie für Klassifikation Kategorienbedeutungen und einen Fall, der eine wichtige Grenze verdeutlicht.\n\nEin beispielhaftes Briefing lautet: «Extrahieren Sie jede Anforderung aus dieser Passage, bewahren Sie ihre Kennung und zitieren Sie den Satz, der sie festlegt.» Benennen Sie bei einer Zusammenfassung Zielgruppe und zu bewahrende Fakten. Kennzeichnen Sie bei Übersetzungen Namen und Fachbegriffe, die ihre ursprüngliche Schreibweise behalten sollen. Ein klares Endformat hilft einem kleinen Anweisungsmodell, das von der Anwendung benötigte Ergebnis zu erzeugen.\n\n### Werkzeuge und quellenbasierte Antworten\n\nDie Karte von Granite H Micro zeigt Werkzeugdefinitionen mit Funktionsnamen, Beschreibungen und Parameterschemata. Das Modell liefert einen Funktionsnamen und JSON-Argumente in seiner Werkzeugaufrufdarstellung. Die umgebende Anwendung führt die ausgewählte Operation aus, prüft Argumente und gibt das Ergebnis zurück. Eine Nachschlageaufgabe sollte diese Beobachtung als Beleg der Antwort bewahren.\n\nLiefern Sie in einem Abrufablauf relevantes Dokumentmaterial und verlangen Sie eine darauf gegründete Antwort. Der Quellenzugang gehört zur Anwendung; die Antwort des Textmodells entsteht aus dem empfangenen Kontext. Halten Sie Dokumentkennzeichnungen und Einheiten sichtbar, damit ein Ergebnis zur Eingabe zurückverfolgt werden kann.\n\n### Programmierung und Vervollständigung\n\nDas Modell unterstützt codebezogene Aufgaben und Vervollständigung in der Mitte. Ein Programmierbriefing sollte die relevante Implementierung, beobachtetes Verhalten und zu bewahrendes Verhalten enthalten. Benennen Sie bei einer Ergänzungsaufgabe den umgebenden Code und die zu füllende Lücke. Verlangen Sie das resultierende Codeartefakt und eine an die Bedingungen gebundene Erklärung und prüfen Sie das Ergebnis anschliessend in der tatsächlichen Entwicklungsumgebung.\n\n### Kontext und Einschränkungen\n\nDer 128K-Kontext umfasst Prompt, Quellen, Gespräch und erzeugte Antwort gemeinsam; die Karte legt keine unabhängige allgemeingültige maximale Antwortlänge fest. Die Referenz-Chatvorlage enthält eine Standard-Systemanweisung für professionelle, genaue und sichere Antworten. Eine gewünschte Feldliste oder ein Codeartefakt benötigt dennoch eigene ausdrückliche Aufgabenanweisungen.\n\nIBM weist darauf hin, dass mehrsprachige Leistung wegen des überwiegend englischen Anweisungstrainings von der englischen abweichen kann; einige aufgabenrelevante Beispiele können helfen. Es erkennt ausserdem mögliche ungenaue oder verzerrte Antworten an. Prüfen Sie quellengestützte Werte und erzeugten Code anhand der Eingabe und liefern Sie tatsächliche Beobachtungen zurück, wenn eine Korrektur nötig ist. Die nützliche Ausgabe von H Micro ist ein gezieltes Text- oder Codeergebnis mit bewahrter genauer hybrider Micro-Identität.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Extract traceable requirements\n\nExtract requirements from this passage: '[R1] Export filenames must include the report ID. [R2] Reports with no rows must still include column headings. [R3] Files are encoded as UTF-8.' Return a table with requirement ID, implementation requirement and the exact supporting sentence. Keep each requirement separate and add no implementation details absent from the source.A three-row table retaining each ID, requirement and exact source sentence.Check every extracted requirement maps one-to-one to R1, R2 or R3 without added conditions.ibm-granite/granite-4.0-h-microGranite 4.0 H Micro ist IBMs hybrides Mamba-2/Transformer-Textmodell mit 3 Milliarden Parametern für gezielte Unternehmensaufgaben. Sein 128K-Kontext unterstützt Zusammenfassung, Extraktion, Fragen, Programmierung und Funktionsaufrufe sowie mehrsprachigen Dialog und Codeergänzung in der Mitte.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Granite 4.0 H Micro ist IBMs Langkontext-Anweisungsmodell mit 3 Milliarden Parametern, feinabgestimmt aus Granite 4.0 H Micro Base. Es ist die hybride dichte Micro-Edition, die Mamba-2 und Attention kombiniert, im Unterschied zum reinen Transformer Micro oder den grösseren Mixture-of-Experts-Varianten. Das Modell nimmt eine Textanweisung und Kontext entgegen und liefert Text. Damit ist es ein kompakter Baustein für Unternehmensassistenten und konkrete Schritte einer Agentenaufgabe.
Die Architekturtabelle des Herstellers nennt vier Attention-Schichten und sechsunddreissig Mamba-2-Schichten mit einer Sequenzlänge von 128K. Das Anweisungsmodell verwendet überwachtes Fine-Tuning, Reinforcement-Learning-Ausrichtung und Modellzusammenführung. Sein Trainingsmaterial umfasst freizügig lizenzierte Anweisungsdaten, synthetische Daten und von Menschen kuratierte Beispiele. Die hybride Struktur ist eine Eigenschaft dieser Edition; sie darf nicht durch das Parameter- oder Aktivexpertenprofil eines anderen Granite-Modells ersetzt werden.
Der Hersteller nennt zwölf unterstützte Sprachen und Aufgaben wie Zusammenfassung, Klassifikation, Extraktion, Fragenbeantwortung, abrufgestützte Generierung, Programmierung und Funktionsaufrufe. Liefern Sie die tatsächliche Quellpassage und beschreiben Sie den gewünschten Vorgang. Definieren Sie für Extraktion die Felder und die Darstellung eines fehlenden Wertes. Liefern Sie für Klassifikation Kategorienbedeutungen und einen Fall, der eine wichtige Grenze verdeutlicht.
Ein beispielhaftes Briefing lautet: «Extrahieren Sie jede Anforderung aus dieser Passage, bewahren Sie ihre Kennung und zitieren Sie den Satz, der sie festlegt.» Benennen Sie bei einer Zusammenfassung Zielgruppe und zu bewahrende Fakten. Kennzeichnen Sie bei Übersetzungen Namen und Fachbegriffe, die ihre ursprüngliche Schreibweise behalten sollen. Ein klares Endformat hilft einem kleinen Anweisungsmodell, das von der Anwendung benötigte Ergebnis zu erzeugen.
Die Karte von Granite H Micro zeigt Werkzeugdefinitionen mit Funktionsnamen, Beschreibungen und Parameterschemata. Das Modell liefert einen Funktionsnamen und JSON-Argumente in seiner Werkzeugaufrufdarstellung. Die umgebende Anwendung führt die ausgewählte Operation aus, prüft Argumente und gibt das Ergebnis zurück. Eine Nachschlageaufgabe sollte diese Beobachtung als Beleg der Antwort bewahren.
Liefern Sie in einem Abrufablauf relevantes Dokumentmaterial und verlangen Sie eine darauf gegründete Antwort. Der Quellenzugang gehört zur Anwendung; die Antwort des Textmodells entsteht aus dem empfangenen Kontext. Halten Sie Dokumentkennzeichnungen und Einheiten sichtbar, damit ein Ergebnis zur Eingabe zurückverfolgt werden kann.
Das Modell unterstützt codebezogene Aufgaben und Vervollständigung in der Mitte. Ein Programmierbriefing sollte die relevante Implementierung, beobachtetes Verhalten und zu bewahrendes Verhalten enthalten. Benennen Sie bei einer Ergänzungsaufgabe den umgebenden Code und die zu füllende Lücke. Verlangen Sie das resultierende Codeartefakt und eine an die Bedingungen gebundene Erklärung und prüfen Sie das Ergebnis anschliessend in der tatsächlichen Entwicklungsumgebung.
Der 128K-Kontext umfasst Prompt, Quellen, Gespräch und erzeugte Antwort gemeinsam; die Karte legt keine unabhängige allgemeingültige maximale Antwortlänge fest. Die Referenz-Chatvorlage enthält eine Standard-Systemanweisung für professionelle, genaue und sichere Antworten. Eine gewünschte Feldliste oder ein Codeartefakt benötigt dennoch eigene ausdrückliche Aufgabenanweisungen.
IBM weist darauf hin, dass mehrsprachige Leistung wegen des überwiegend englischen Anweisungstrainings von der englischen abweichen kann; einige aufgabenrelevante Beispiele können helfen. Es erkennt ausserdem mögliche ungenaue oder verzerrte Antworten an. Prüfen Sie quellengestützte Werte und erzeugten Code anhand der Eingabe und liefern Sie tatsächliche Beobachtungen zurück, wenn eine Korrektur nötig ist. Die nützliche Ausgabe von H Micro ist ein gezieltes Text- oder Codeergebnis mit bewahrter genauer hybrider Micro-Identität.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits ibm-granite/granite-4.0-h-micro | 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 $0.000034 / 1K Tokens Ausgabe · Ausgabetoken $0.000224 / 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 $0.000034 / 1K Tokens Ausgabe · Ausgabetoken $0.000224 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "ibm-granite/granite-4.0-h-micro", "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='ibm-granite/granite-4.0-h-micro',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='ibm-granite/granite-4.0-h-micro',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 ibm-granite/granite-4.0-h-micro
Verwenden Sie die oben angezeigten Methodenpfade.
ibm-granite/granite-4.0-h-microGranite 4.0 H Micro ist IBMs hybrides Mamba-2/Transformer-Textmodell mit 3 Milliarden Parametern für gezielte Unternehmensaufgaben. Sein 128K-Kontext unterstützt Zusammenfassung, Extraktion, Fragen, Programmierung und Funktionsaufrufe sowie mehrsprachigen Dialog und Codeergänzung in der Mitte.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Granite 4.0 H Micro ist IBMs Langkontext-Anweisungsmodell mit 3 Milliarden Parametern, feinabgestimmt aus Granite 4.0 H Micro Base. Es ist die hybride dichte Micro-Edition, die Mamba-2 und Attention kombiniert, im Unterschied zum reinen Transformer Micro oder den grösseren Mixture-of-Experts-Varianten. Das Modell nimmt eine Textanweisung und Kontext entgegen und liefert Text. Damit ist es ein kompakter Baustein für Unternehmensassistenten und konkrete Schritte einer Agentenaufgabe.
Die Architekturtabelle des Herstellers nennt vier Attention-Schichten und sechsunddreissig Mamba-2-Schichten mit einer Sequenzlänge von 128K. Das Anweisungsmodell verwendet überwachtes Fine-Tuning, Reinforcement-Learning-Ausrichtung und Modellzusammenführung. Sein Trainingsmaterial umfasst freizügig lizenzierte Anweisungsdaten, synthetische Daten und von Menschen kuratierte Beispiele. Die hybride Struktur ist eine Eigenschaft dieser Edition; sie darf nicht durch das Parameter- oder Aktivexpertenprofil eines anderen Granite-Modells ersetzt werden.
Der Hersteller nennt zwölf unterstützte Sprachen und Aufgaben wie Zusammenfassung, Klassifikation, Extraktion, Fragenbeantwortung, abrufgestützte Generierung, Programmierung und Funktionsaufrufe. Liefern Sie die tatsächliche Quellpassage und beschreiben Sie den gewünschten Vorgang. Definieren Sie für Extraktion die Felder und die Darstellung eines fehlenden Wertes. Liefern Sie für Klassifikation Kategorienbedeutungen und einen Fall, der eine wichtige Grenze verdeutlicht.
Ein beispielhaftes Briefing lautet: «Extrahieren Sie jede Anforderung aus dieser Passage, bewahren Sie ihre Kennung und zitieren Sie den Satz, der sie festlegt.» Benennen Sie bei einer Zusammenfassung Zielgruppe und zu bewahrende Fakten. Kennzeichnen Sie bei Übersetzungen Namen und Fachbegriffe, die ihre ursprüngliche Schreibweise behalten sollen. Ein klares Endformat hilft einem kleinen Anweisungsmodell, das von der Anwendung benötigte Ergebnis zu erzeugen.
Die Karte von Granite H Micro zeigt Werkzeugdefinitionen mit Funktionsnamen, Beschreibungen und Parameterschemata. Das Modell liefert einen Funktionsnamen und JSON-Argumente in seiner Werkzeugaufrufdarstellung. Die umgebende Anwendung führt die ausgewählte Operation aus, prüft Argumente und gibt das Ergebnis zurück. Eine Nachschlageaufgabe sollte diese Beobachtung als Beleg der Antwort bewahren.
Liefern Sie in einem Abrufablauf relevantes Dokumentmaterial und verlangen Sie eine darauf gegründete Antwort. Der Quellenzugang gehört zur Anwendung; die Antwort des Textmodells entsteht aus dem empfangenen Kontext. Halten Sie Dokumentkennzeichnungen und Einheiten sichtbar, damit ein Ergebnis zur Eingabe zurückverfolgt werden kann.
Das Modell unterstützt codebezogene Aufgaben und Vervollständigung in der Mitte. Ein Programmierbriefing sollte die relevante Implementierung, beobachtetes Verhalten und zu bewahrendes Verhalten enthalten. Benennen Sie bei einer Ergänzungsaufgabe den umgebenden Code und die zu füllende Lücke. Verlangen Sie das resultierende Codeartefakt und eine an die Bedingungen gebundene Erklärung und prüfen Sie das Ergebnis anschliessend in der tatsächlichen Entwicklungsumgebung.
Der 128K-Kontext umfasst Prompt, Quellen, Gespräch und erzeugte Antwort gemeinsam; die Karte legt keine unabhängige allgemeingültige maximale Antwortlänge fest. Die Referenz-Chatvorlage enthält eine Standard-Systemanweisung für professionelle, genaue und sichere Antworten. Eine gewünschte Feldliste oder ein Codeartefakt benötigt dennoch eigene ausdrückliche Aufgabenanweisungen.
IBM weist darauf hin, dass mehrsprachige Leistung wegen des überwiegend englischen Anweisungstrainings von der englischen abweichen kann; einige aufgabenrelevante Beispiele können helfen. Es erkennt ausserdem mögliche ungenaue oder verzerrte Antworten an. Prüfen Sie quellengestützte Werte und erzeugten Code anhand der Eingabe und liefern Sie tatsächliche Beobachtungen zurück, wenn eine Korrektur nötig ist. Die nützliche Ausgabe von H Micro ist ein gezieltes Text- oder Codeergebnis mit bewahrter genauer hybrider Micro-Identität.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits ibm-granite/granite-4.0-h-micro | 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 $0.000034 / 1K Tokens Ausgabe · Ausgabetoken $0.000224 / 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 $0.000034 / 1K Tokens Ausgabe · Ausgabetoken $0.000224 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "ibm-granite/granite-4.0-h-micro",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'ibm-granite/granite-4.0-h-micro', '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': 'ibm-granite/granite-4.0-h-micro', '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 ibm-granite/granite-4.0-h-micro
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Extract traceable requirements\n\nExtract requirements from this passage: '[R1] Export filenames must include the report ID. [R2] Reports with no rows must still include column headings. [R3] Files are encoded as UTF-8.' Return a table with requirement ID, implementation requirement and the exact supporting sentence. Keep each requirement separate and add no implementation details absent from the source.A three-row table retaining each ID, requirement and exact source sentence.Check every extracted requirement maps one-to-one to R1, R2 or R3 without added conditions.