Ling Flash 2.0 ist inclusionAIs Sprachmodell aus der Architekturfamilie Ling 2.0. Der Hersteller beschreibt komplexes Schlussfolgern, Codeerzeugung, Frontend-Entwicklung und kreatives Schreiben als typische Aufgaben. Die veröffentlichte Modellkarte nennt für das Mixture-of-Experts-Modell insgesamt 100 Milliarden und 6,1 Milliarden aktive Parameter einschliesslich Embeddings.
Liefern Sie die Bedingungen, das Quellmaterial und das abschliessende Ergebnis. Eine Schlussfolgerungsfrage kann eine mit ihren stützenden Fakten verbundene Schlussfolgerung verlangen. Eine Programmieraufgabe kann relevanten Quellcode, erwartetes Verhalten und den zu lösenden Fall liefern. Benennen Sie bei Frontend-Arbeit die Bedienelemente, Zustände und Datenbeziehungen, welche die Oberfläche umsetzen muss.
Trennen Sie den Ergebnisvorschlag von Ausführungsbelegen. Das Modell liefert Text oder Code; die Anwendung speichert das Ergebnis, führt es aus und prüft es in der vorgesehenen Umgebung. Eine Nachfrage kann einen beobachteten Fehler oder eine konkrete Abweichung liefern und eine gezielte Korrektur verlangen.
Der Hersteller zeigt eine Systemanweisung und eine Nutzerfrage mit der Chatvorlage der Veröffentlichung. Kennzeichnen Sie Quellmaterial klar und bewahren Sie die für spätere Beiträge benötigten Aufgabenentscheidungen. Eine längere Anfrage sollte benennen, welche Passagen oder Dateien für die abschliessende Antwort zählen.
Definieren Sie für ein strukturiertes Ergebnis die erforderlichen Abschnitte oder Felder und den Umgang mit fehlenden Informationen. Prüfen Sie zurückgegebene Werte anhand der gelieferten Belege, bevor Sie sie in der umgebenden Anwendung verwenden.
Die Modelltabelle des Herstellers nennt einen 32K-Kontext, der mit YaRN auf 128K erweitert wird. Der Bereitstellungsleitfaden beschreibt eine Skalierungskonfiguration und eine ausdrückliche maximale Modelllänge für diese Erweiterung. Das genaue gehostete Profil nennt einen Arbeitskontext von 128’000 Tokens. Verwenden Sie die tatsächlichen Grenzen der gewählten Schnittstelle, statt eine lokale Bereitstellungsänderung auf eine gehostete Anfrage anzuwenden.
Der Hersteller beschreibt Training mit mehr als 20 Billionen Tokens, überwachtem Fine-Tuning und mehrstufigem Reinforcement Learning. Halten Sie Ling Flash vom gesondert benannten Sprachmodell Mini und der Denkmodellfamilie Ring getrennt. Die Architektur- und Trainingsbeschreibung belegt weder eine allgemeingültige Antwortgeschwindigkeit noch einen von jeder Schnittstelle bereitgestellten Werkzeugtransport.
", "aboutText": "Ling Flash 2.0 ist inclusionAIs Sprachmodell aus der Architekturfamilie Ling 2.0. Der Hersteller beschreibt komplexes Schlussfolgern, Codeerzeugung, Frontend-Entwicklung und kreatives Schreiben als typische Aufgaben. Die veröffentlichte Modellkarte nennt für das Mixture-of-Experts-Modell insgesamt 100 Milliarden und 6,1 Milliarden aktive Parameter einschliesslich Embeddings.\n\n### Schlussfolgerungs- oder Codeergebnis definieren\n\nLiefern Sie die Bedingungen, das Quellmaterial und das abschliessende Ergebnis. Eine Schlussfolgerungsfrage kann eine mit ihren stützenden Fakten verbundene Schlussfolgerung verlangen. Eine Programmieraufgabe kann relevanten Quellcode, erwartetes Verhalten und den zu lösenden Fall liefern. Benennen Sie bei Frontend-Arbeit die Bedienelemente, Zustände und Datenbeziehungen, welche die Oberfläche umsetzen muss.\n\nTrennen Sie den Ergebnisvorschlag von Ausführungsbelegen. Das Modell liefert Text oder Code; die Anwendung speichert das Ergebnis, führt es aus und prüft es in der vorgesehenen Umgebung. Eine Nachfrage kann einen beobachteten Fehler oder eine konkrete Abweichung liefern und eine gezielte Korrektur verlangen.\n\n### Gesprächskontext ordnen\n\nDer Hersteller zeigt eine Systemanweisung und eine Nutzerfrage mit der Chatvorlage der Veröffentlichung. Kennzeichnen Sie Quellmaterial klar und bewahren Sie die für spätere Beiträge benötigten Aufgabenentscheidungen. Eine längere Anfrage sollte benennen, welche Passagen oder Dateien für die abschliessende Antwort zählen.\n\nDefinieren Sie für ein strukturiertes Ergebnis die erforderlichen Abschnitte oder Felder und den Umgang mit fehlenden Informationen. Prüfen Sie zurückgegebene Werte anhand der gelieferten Belege, bevor Sie sie in der umgebenden Anwendung verwenden.\n\n### Dokumentierte Kontextkonfiguration verwenden\n\nDie Modelltabelle des Herstellers nennt einen 32K-Kontext, der mit YaRN auf 128K erweitert wird. Der Bereitstellungsleitfaden beschreibt eine Skalierungskonfiguration und eine ausdrückliche maximale Modelllänge für diese Erweiterung. Das genaue gehostete Profil nennt einen Arbeitskontext von 128’000 Tokens. Verwenden Sie die tatsächlichen Grenzen der gewählten Schnittstelle, statt eine lokale Bereitstellungsänderung auf eine gehostete Anfrage anzuwenden.\n\nDer Hersteller beschreibt Training mit mehr als 20 Billionen Tokens, überwachtem Fine-Tuning und mehrstufigem Reinforcement Learning. Halten Sie Ling Flash vom gesondert benannten Sprachmodell Mini und der Denkmodellfamilie Ring getrennt. Die Architektur- und Trainingsbeschreibung belegt weder eine allgemeingültige Antwortgeschwindigkeit noch einen von jeder Schnittstelle bereitgestellten Werkzeugtransport.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Specify an accessible filter interaction\n\nPropose HTML and plain JavaScript for a product filter with three checkboxes: In stock, On sale and Free delivery. Show the number of active filters beside a Reset button. Reset must uncheck every box and set the count to zero. Include a keyboard-use check and a test of toggling two filters. Return code, not a screenshot.A complete small HTML/JavaScript example and two verification steps for keyboard use and count/reset behaviour.Checkbox state and active count stay consistent after individual toggles and Reset.inclusionAI/Ling-flash-2.0Ling Flash 2.0 ist inclusionAIs Textmodell für komplexes Schlussfolgern, Codeerzeugung und Frontend-Entwicklung. Der Hersteller nennt insgesamt 100 Milliarden und 6,1 Milliarden aktive Parameter, mit einem 32K-Kontext, der sich durch YaRN auf 128K erweitern lässt.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Ling Flash 2.0 ist inclusionAIs Sprachmodell aus der Architekturfamilie Ling 2.0. Der Hersteller beschreibt komplexes Schlussfolgern, Codeerzeugung, Frontend-Entwicklung und kreatives Schreiben als typische Aufgaben. Die veröffentlichte Modellkarte nennt für das Mixture-of-Experts-Modell insgesamt 100 Milliarden und 6,1 Milliarden aktive Parameter einschliesslich Embeddings.
Liefern Sie die Bedingungen, das Quellmaterial und das abschliessende Ergebnis. Eine Schlussfolgerungsfrage kann eine mit ihren stützenden Fakten verbundene Schlussfolgerung verlangen. Eine Programmieraufgabe kann relevanten Quellcode, erwartetes Verhalten und den zu lösenden Fall liefern. Benennen Sie bei Frontend-Arbeit die Bedienelemente, Zustände und Datenbeziehungen, welche die Oberfläche umsetzen muss.
Trennen Sie den Ergebnisvorschlag von Ausführungsbelegen. Das Modell liefert Text oder Code; die Anwendung speichert das Ergebnis, führt es aus und prüft es in der vorgesehenen Umgebung. Eine Nachfrage kann einen beobachteten Fehler oder eine konkrete Abweichung liefern und eine gezielte Korrektur verlangen.
Der Hersteller zeigt eine Systemanweisung und eine Nutzerfrage mit der Chatvorlage der Veröffentlichung. Kennzeichnen Sie Quellmaterial klar und bewahren Sie die für spätere Beiträge benötigten Aufgabenentscheidungen. Eine längere Anfrage sollte benennen, welche Passagen oder Dateien für die abschliessende Antwort zählen.
Definieren Sie für ein strukturiertes Ergebnis die erforderlichen Abschnitte oder Felder und den Umgang mit fehlenden Informationen. Prüfen Sie zurückgegebene Werte anhand der gelieferten Belege, bevor Sie sie in der umgebenden Anwendung verwenden.
Die Modelltabelle des Herstellers nennt einen 32K-Kontext, der mit YaRN auf 128K erweitert wird. Der Bereitstellungsleitfaden beschreibt eine Skalierungskonfiguration und eine ausdrückliche maximale Modelllänge für diese Erweiterung. Das genaue gehostete Profil nennt einen Arbeitskontext von 128’000 Tokens. Verwenden Sie die tatsächlichen Grenzen der gewählten Schnittstelle, statt eine lokale Bereitstellungsänderung auf eine gehostete Anfrage anzuwenden.
Der Hersteller beschreibt Training mit mehr als 20 Billionen Tokens, überwachtem Fine-Tuning und mehrstufigem Reinforcement Learning. Halten Sie Ling Flash vom gesondert benannten Sprachmodell Mini und der Denkmodellfamilie Ring getrennt. Die Architektur- und Trainingsbeschreibung belegt weder eine allgemeingültige Antwortgeschwindigkeit noch einen von jeder Schnittstelle bereitgestellten Werkzeugtransport.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits inclusionAI/Ling-flash-2.0 | 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.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.000286 / 1K Tokens Ausgabe · Ausgabetoken $0.001144 / 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": "inclusionAI/Ling-flash-2.0", "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='inclusionAI/Ling-flash-2.0',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='inclusionAI/Ling-flash-2.0',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 inclusionAI/Ling-flash-2.0
Verwenden Sie die oben angezeigten Methodenpfade.
inclusionAI/Ling-flash-2.0Ling Flash 2.0 ist inclusionAIs Textmodell für komplexes Schlussfolgern, Codeerzeugung und Frontend-Entwicklung. Der Hersteller nennt insgesamt 100 Milliarden und 6,1 Milliarden aktive Parameter, mit einem 32K-Kontext, der sich durch YaRN auf 128K erweitern lässt.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Ling Flash 2.0 ist inclusionAIs Sprachmodell aus der Architekturfamilie Ling 2.0. Der Hersteller beschreibt komplexes Schlussfolgern, Codeerzeugung, Frontend-Entwicklung und kreatives Schreiben als typische Aufgaben. Die veröffentlichte Modellkarte nennt für das Mixture-of-Experts-Modell insgesamt 100 Milliarden und 6,1 Milliarden aktive Parameter einschliesslich Embeddings.
Liefern Sie die Bedingungen, das Quellmaterial und das abschliessende Ergebnis. Eine Schlussfolgerungsfrage kann eine mit ihren stützenden Fakten verbundene Schlussfolgerung verlangen. Eine Programmieraufgabe kann relevanten Quellcode, erwartetes Verhalten und den zu lösenden Fall liefern. Benennen Sie bei Frontend-Arbeit die Bedienelemente, Zustände und Datenbeziehungen, welche die Oberfläche umsetzen muss.
Trennen Sie den Ergebnisvorschlag von Ausführungsbelegen. Das Modell liefert Text oder Code; die Anwendung speichert das Ergebnis, führt es aus und prüft es in der vorgesehenen Umgebung. Eine Nachfrage kann einen beobachteten Fehler oder eine konkrete Abweichung liefern und eine gezielte Korrektur verlangen.
Der Hersteller zeigt eine Systemanweisung und eine Nutzerfrage mit der Chatvorlage der Veröffentlichung. Kennzeichnen Sie Quellmaterial klar und bewahren Sie die für spätere Beiträge benötigten Aufgabenentscheidungen. Eine längere Anfrage sollte benennen, welche Passagen oder Dateien für die abschliessende Antwort zählen.
Definieren Sie für ein strukturiertes Ergebnis die erforderlichen Abschnitte oder Felder und den Umgang mit fehlenden Informationen. Prüfen Sie zurückgegebene Werte anhand der gelieferten Belege, bevor Sie sie in der umgebenden Anwendung verwenden.
Die Modelltabelle des Herstellers nennt einen 32K-Kontext, der mit YaRN auf 128K erweitert wird. Der Bereitstellungsleitfaden beschreibt eine Skalierungskonfiguration und eine ausdrückliche maximale Modelllänge für diese Erweiterung. Das genaue gehostete Profil nennt einen Arbeitskontext von 128’000 Tokens. Verwenden Sie die tatsächlichen Grenzen der gewählten Schnittstelle, statt eine lokale Bereitstellungsänderung auf eine gehostete Anfrage anzuwenden.
Der Hersteller beschreibt Training mit mehr als 20 Billionen Tokens, überwachtem Fine-Tuning und mehrstufigem Reinforcement Learning. Halten Sie Ling Flash vom gesondert benannten Sprachmodell Mini und der Denkmodellfamilie Ring getrennt. Die Architektur- und Trainingsbeschreibung belegt weder eine allgemeingültige Antwortgeschwindigkeit noch einen von jeder Schnittstelle bereitgestellten Werkzeugtransport.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits inclusionAI/Ling-flash-2.0 | 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 $0.000286 / 1K Tokens Ausgabe · Ausgabetoken $0.001144 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "inclusionAI/Ling-flash-2.0",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'inclusionAI/Ling-flash-2.0', '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': 'inclusionAI/Ling-flash-2.0', '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 inclusionAI/Ling-flash-2.0
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Specify an accessible filter interaction\n\nPropose HTML and plain JavaScript for a product filter with three checkboxes: In stock, On sale and Free delivery. Show the number of active filters beside a Reset button. Reset must uncheck every box and set the count to zero. Include a keyboard-use check and a test of toggling two filters. Return code, not a screenshot.A complete small HTML/JavaScript example and two verification steps for keyboard use and count/reset behaviour.Checkbox state and active count stay consistent after individual toggles and Reset.