Llama 3.1 70B Instruct ist Metas Textmodell mit 70 Milliarden Parametern, optimiert für mehrsprachigen Dialog und assistentenartige Anfragen. Es ist ein anweisungsoptimierter Checkpoint innerhalb einer Familie, die auch die Grössen 8B und 405B sowie separate vortrainierte Modelle enthält. Es akzeptiert Text und liefert mehrsprachigen Text oder Code zurück; die benannte 70B-Ausgabe bewahrt ihre eigene Grösse und Identität.
Modellinformationen und Training
Die Version verwendet eine autoregressive Transformer-Architektur mit Grouped-Query-Attention. Die optimierten Modelle werden mittels überwachtem Fine-Tuning und Reinforcement Learning mit menschlicher Rückmeldung ausgerichtet. Das sind Trainingsphasen für hilfreiches Gesprächsverhalten und kein benannter Laufzeitschalter zwischen separaten Modi mit und ohne Reasoning.
Der Hersteller dokumentiert einen 128k-Kontext für die Textmodelle und unterstützt offiziell Englisch, Deutsch, Französisch, Italienisch, Portugiesisch, Hindi, Spanisch und Thai. Das Training umfasst eine breitere Sprachsammlung, wodurch nicht jede Sprache gleichermassen unterstützt wird. Lege Ausgabesprache, Terminologie und Leser fest, bevor du ein mehrsprachiges Ergebnis verlangst.
Das Vortrainingskorpus der Familie wird als ungefähr fünfzehn Billionen Tokens beschrieben, mit einem Stichtag im Dezember 2023. Das Fine-Tuning umfasst Anweisungsdatensätze und mehr als fünfundzwanzig Millionen synthetische Beispiele. Der Stichtag ist eine Grenze der Trainingsdaten; eine Frage zu neueren oder privaten Informationen benötigt diese Informationen in der Aufgabe oder als Rückgabe einer angebundenen Quelle.
Assistentenartiger Chat und Quellenanalyse
Die Instruct-Ausgabe soll auf eine Gesprächsanfrage antworten, während die vortrainierte Version eine Grundlage ist, die sich an andere Generierungsaufgaben anpassen lässt. Liefere für eine quellenbasierte Antwort die Frage und die Textstellen, die das Ergebnis bestimmen. Kennzeichne die Quellen und verlange den stützenden Abschnitt oder die Aussage neben jeder Erkenntnis.
Ein praktischer Vergleich kann zwei Verfahren vorgeben und gemeinsame Bedingungen, Unterschiede und ungeklärte Konflikte verlangen. Ein daraus entstehender Leitfaden kann die ursprüngliche Abfolge und die Bedingungen bewahren, unter denen jede Aktion gilt. Eine Dokumentbearbeitungsaufgabe kann Zielgruppe, zu bewahrende Fakten und die Frage festlegen, ob das Endergebnis nur eine überarbeitete Textstelle oder eine Textstelle mit Erklärung sein soll.
Benenne bei einer längeren Antwort die erforderlichen Abschnitte und ihren jeweiligen Zweck. Ein grosser Kontext kann zusammengehöriges Material gemeinsam bewahren, während das Endergebnis eine knappe Matrix oder Erklärung bleibt. Quellenidentitäten und eine klar definierte Frage sind wichtiger, als bloss jedes verfügbare Dokument beizufügen.
Code und generierte Beispiele
Die dokumentierte Ausgabe umfasst Code. Gib für eine vorgeschlagene Implementierung die Sprache, Eingabetypen, das erwartete Ergebnis und die kompatibel zu haltende Schnittstelle vor. Füge bei einer Korrektur das bestehende Fragment und relevante Deklarationen hinzu. Verlange den Code getrennt von seinen Annahmen und Beispielen, damit er im nächsten Entwicklungsschritt geprüft werden kann.
Liefere für eine Codeerklärung die zu verfolgende Eingabe und frage, wie die bereitgestellte Funktion zum Rückgabewert gelangt. Definiere für eine mathematische Erklärung Symbole und Annahmen und lege fest, ob das Ergebnis exakt, näherungsweise oder ein Beweis sein soll. Codegenerierung und schriftliches Reasoning kompilieren für sich genommen kein Programm und führen keine Berechnung aus.
Der Hersteller nennt auch synthetische Datengenerierung und Distillation als Anwendungen der Familie. Eine Textaufgabe kann abwechslungsreiche Beispiele in einem festgelegten Format verlangen und dabei die vorgegebenen Regeln bewahren. Ob diese Beispiele für weiteres Training geeignet sind, ist eine separate Anwendungsentscheidung; die Textausgabe allein ist keine unabhängige Prüfung ihrer Korrektheit.
Gesprächsformat und Werkzeuge
Die Karte zeigt separate System- und Nutzernachrichten mit der passenden Chatvorlage. Nutze die Systemanweisung für Rolle, Ton und dauerhafte Antwortregeln, während die Nutzeranfrage das tatsächliche Problem und die Quellen enthält. Bewahre relevante frühere Nachrichten, wenn eine Folgefrage auf einer vorherigen Antwort aufbaut.
Llama 3.1 unterstützt mehrere dokumentierte Werkzeugnutzungsformate. Die Anwendung stellt Funktionen und Parameter bereit, das Modell bereitet einen vorgeschlagenen Aufruf vor, die Anwendung führt ihn aus und fügt das Ergebnis dem Gespräch hinzu. Eine nachfolgende Generierung kann dieses Ergebnis nutzen. Das kurze Beispiel auf der Karte zeigt ausdrücklich, wie erst der Assistentenaufruf und dann das Werkzeugergebnis hinzugefügt werden; die Auswahl einer Funktion ist vom Abschluss ihrer Operation zu unterscheiden.
Lege für eine Abfrage fest, welche Information benötigt wird, und definiere die Funktion, die sie zurückgibt. Bewahre den tatsächlich zurückgegebenen Wert zusammen mit dem ursprünglichen Aufruf, bevor du die abschliessende Erklärung verlangst. Unterscheide bei einer Berechnung die vorgeschlagene Operation des Modells vom Ergebnis des Rechners. Native Werkzeugformatierung und die sichtbare Darstellung einer Wrapper-Schnittstelle sollten ihre jeweils dokumentierten Konventionen bewahren.
Ausgabe und praktische Grenzen
Die Generierungseinstellung mit 256 Tokens auf der gelesenen Karte ist ein Nutzungsbeispiel und keine unabhängig genannte maximale Ausgabekapazität. Der 128k-Kontext betrifft das Material und das generierte Gespräch innerhalb der konfigurierten Version. Ersetze ihn nicht durch den Kontext oder die Bildfähigkeiten von Llama 4 oder durch die Grösse eines anderen Llama-3.1-Checkpoints.
Dies ist ein reines Text-Instruct-Modell. Bei einem Bild, einer Aufnahme oder einem Video muss der relevante Inhalt durch eine andere Komponente vorbereitet werden. Externer Abruf, Programmausführung und Dateiänderungen gehören ebenfalls zur Anwendung, die mit dem Assistenten verbunden ist. Bewahre die genaue Ausgabe 70B Instruct und verlange die quellenbezogene Erklärung, das überarbeitete Dokument, den Code oder strukturierten Text, den die Aufgabe braucht.
", "aboutText": "Llama 3.1 70B Instruct ist Metas Textmodell mit 70 Milliarden Parametern, optimiert für mehrsprachigen Dialog und assistentenartige Anfragen. Es ist ein anweisungsoptimierter Checkpoint innerhalb einer Familie, die auch die Grössen 8B und 405B sowie separate vortrainierte Modelle enthält. Es akzeptiert Text und liefert mehrsprachigen Text oder Code zurück; die benannte 70B-Ausgabe bewahrt ihre eigene Grösse und Identität.\n\nModellinformationen und Training\n\nDie Version verwendet eine autoregressive Transformer-Architektur mit Grouped-Query-Attention. Die optimierten Modelle werden mittels überwachtem Fine-Tuning und Reinforcement Learning mit menschlicher Rückmeldung ausgerichtet. Das sind Trainingsphasen für hilfreiches Gesprächsverhalten und kein benannter Laufzeitschalter zwischen separaten Modi mit und ohne Reasoning.\n\nDer Hersteller dokumentiert einen 128k-Kontext für die Textmodelle und unterstützt offiziell Englisch, Deutsch, Französisch, Italienisch, Portugiesisch, Hindi, Spanisch und Thai. Das Training umfasst eine breitere Sprachsammlung, wodurch nicht jede Sprache gleichermassen unterstützt wird. Lege Ausgabesprache, Terminologie und Leser fest, bevor du ein mehrsprachiges Ergebnis verlangst.\n\nDas Vortrainingskorpus der Familie wird als ungefähr fünfzehn Billionen Tokens beschrieben, mit einem Stichtag im Dezember 2023. Das Fine-Tuning umfasst Anweisungsdatensätze und mehr als fünfundzwanzig Millionen synthetische Beispiele. Der Stichtag ist eine Grenze der Trainingsdaten; eine Frage zu neueren oder privaten Informationen benötigt diese Informationen in der Aufgabe oder als Rückgabe einer angebundenen Quelle.\n\nAssistentenartiger Chat und Quellenanalyse\n\nDie Instruct-Ausgabe soll auf eine Gesprächsanfrage antworten, während die vortrainierte Version eine Grundlage ist, die sich an andere Generierungsaufgaben anpassen lässt. Liefere für eine quellenbasierte Antwort die Frage und die Textstellen, die das Ergebnis bestimmen. Kennzeichne die Quellen und verlange den stützenden Abschnitt oder die Aussage neben jeder Erkenntnis.\n\nEin praktischer Vergleich kann zwei Verfahren vorgeben und gemeinsame Bedingungen, Unterschiede und ungeklärte Konflikte verlangen. Ein daraus entstehender Leitfaden kann die ursprüngliche Abfolge und die Bedingungen bewahren, unter denen jede Aktion gilt. Eine Dokumentbearbeitungsaufgabe kann Zielgruppe, zu bewahrende Fakten und die Frage festlegen, ob das Endergebnis nur eine überarbeitete Textstelle oder eine Textstelle mit Erklärung sein soll.\n\nBenenne bei einer längeren Antwort die erforderlichen Abschnitte und ihren jeweiligen Zweck. Ein grosser Kontext kann zusammengehöriges Material gemeinsam bewahren, während das Endergebnis eine knappe Matrix oder Erklärung bleibt. Quellenidentitäten und eine klar definierte Frage sind wichtiger, als bloss jedes verfügbare Dokument beizufügen.\n\nCode und generierte Beispiele\n\nDie dokumentierte Ausgabe umfasst Code. Gib für eine vorgeschlagene Implementierung die Sprache, Eingabetypen, das erwartete Ergebnis und die kompatibel zu haltende Schnittstelle vor. Füge bei einer Korrektur das bestehende Fragment und relevante Deklarationen hinzu. Verlange den Code getrennt von seinen Annahmen und Beispielen, damit er im nächsten Entwicklungsschritt geprüft werden kann.\n\nLiefere für eine Codeerklärung die zu verfolgende Eingabe und frage, wie die bereitgestellte Funktion zum Rückgabewert gelangt. Definiere für eine mathematische Erklärung Symbole und Annahmen und lege fest, ob das Ergebnis exakt, näherungsweise oder ein Beweis sein soll. Codegenerierung und schriftliches Reasoning kompilieren für sich genommen kein Programm und führen keine Berechnung aus.\n\nDer Hersteller nennt auch synthetische Datengenerierung und Distillation als Anwendungen der Familie. Eine Textaufgabe kann abwechslungsreiche Beispiele in einem festgelegten Format verlangen und dabei die vorgegebenen Regeln bewahren. Ob diese Beispiele für weiteres Training geeignet sind, ist eine separate Anwendungsentscheidung; die Textausgabe allein ist keine unabhängige Prüfung ihrer Korrektheit.\n\nGesprächsformat und Werkzeuge\n\nDie Karte zeigt separate System- und Nutzernachrichten mit der passenden Chatvorlage. Nutze die Systemanweisung für Rolle, Ton und dauerhafte Antwortregeln, während die Nutzeranfrage das tatsächliche Problem und die Quellen enthält. Bewahre relevante frühere Nachrichten, wenn eine Folgefrage auf einer vorherigen Antwort aufbaut.\n\nLlama 3.1 unterstützt mehrere dokumentierte Werkzeugnutzungsformate. Die Anwendung stellt Funktionen und Parameter bereit, das Modell bereitet einen vorgeschlagenen Aufruf vor, die Anwendung führt ihn aus und fügt das Ergebnis dem Gespräch hinzu. Eine nachfolgende Generierung kann dieses Ergebnis nutzen. Das kurze Beispiel auf der Karte zeigt ausdrücklich, wie erst der Assistentenaufruf und dann das Werkzeugergebnis hinzugefügt werden; die Auswahl einer Funktion ist vom Abschluss ihrer Operation zu unterscheiden.\n\nLege für eine Abfrage fest, welche Information benötigt wird, und definiere die Funktion, die sie zurückgibt. Bewahre den tatsächlich zurückgegebenen Wert zusammen mit dem ursprünglichen Aufruf, bevor du die abschliessende Erklärung verlangst. Unterscheide bei einer Berechnung die vorgeschlagene Operation des Modells vom Ergebnis des Rechners. Native Werkzeugformatierung und die sichtbare Darstellung einer Wrapper-Schnittstelle sollten ihre jeweils dokumentierten Konventionen bewahren.\n\nAusgabe und praktische Grenzen\n\nDie Generierungseinstellung mit 256 Tokens auf der gelesenen Karte ist ein Nutzungsbeispiel und keine unabhängig genannte maximale Ausgabekapazität. Der 128k-Kontext betrifft das Material und das generierte Gespräch innerhalb der konfigurierten Version. Ersetze ihn nicht durch den Kontext oder die Bildfähigkeiten von Llama 4 oder durch die Grösse eines anderen Llama-3.1-Checkpoints.\n\nDies ist ein reines Text-Instruct-Modell. Bei einem Bild, einer Aufnahme oder einem Video muss der relevante Inhalt durch eine andere Komponente vorbereitet werden. Externer Abruf, Programmausführung und Dateiänderungen gehören ebenfalls zur Anwendung, die mit dem Assistenten verbunden ist. Bewahre die genaue Ausgabe 70B Instruct und verlange die quellenbezogene Erklärung, das überarbeitete Dokument, den Code oder strukturierten Text, den die Aufgabe braucht.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Produce a bilingual maintenance notice\n\nWrite a maintenance notice in English and Spanish from these facts: warehouse entrance B closes on Tuesday from 08:00 to 11:00; deliveries must use entrance A; pedestrian access is unchanged. Use three short sentences per language and preserve entrance letters and times. Do not add a date, delay estimate or closure of pedestrian access.Two labelled language blocks with equivalent three-sentence notices.Compare both versions for entrance A/B, Tuesday, the time range and unchanged pedestrian access.meta-llama/llama-3.1-70b-instructLlama 3.1 70B Instruct ist Metas Textmodell für mehrsprachigen Dialog, dokumentbasiertes Reasoning und Code. Seine anweisungsoptimierte 70B-Version nutzt Grouped-Query-Attention, einen vom Hersteller genannten 128k-Kontext und dokumentierte Gesprächsformate für Werkzeugaufrufe, mit Text- und Codeausgabe.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Llama 3.1 70B Instruct ist Metas Textmodell mit 70 Milliarden Parametern, optimiert für mehrsprachigen Dialog und assistentenartige Anfragen. Es ist ein anweisungsoptimierter Checkpoint innerhalb einer Familie, die auch die Grössen 8B und 405B sowie separate vortrainierte Modelle enthält. Es akzeptiert Text und liefert mehrsprachigen Text oder Code zurück; die benannte 70B-Ausgabe bewahrt ihre eigene Grösse und Identität.
Modellinformationen und Training
Die Version verwendet eine autoregressive Transformer-Architektur mit Grouped-Query-Attention. Die optimierten Modelle werden mittels überwachtem Fine-Tuning und Reinforcement Learning mit menschlicher Rückmeldung ausgerichtet. Das sind Trainingsphasen für hilfreiches Gesprächsverhalten und kein benannter Laufzeitschalter zwischen separaten Modi mit und ohne Reasoning.
Der Hersteller dokumentiert einen 128k-Kontext für die Textmodelle und unterstützt offiziell Englisch, Deutsch, Französisch, Italienisch, Portugiesisch, Hindi, Spanisch und Thai. Das Training umfasst eine breitere Sprachsammlung, wodurch nicht jede Sprache gleichermassen unterstützt wird. Lege Ausgabesprache, Terminologie und Leser fest, bevor du ein mehrsprachiges Ergebnis verlangst.
Das Vortrainingskorpus der Familie wird als ungefähr fünfzehn Billionen Tokens beschrieben, mit einem Stichtag im Dezember 2023. Das Fine-Tuning umfasst Anweisungsdatensätze und mehr als fünfundzwanzig Millionen synthetische Beispiele. Der Stichtag ist eine Grenze der Trainingsdaten; eine Frage zu neueren oder privaten Informationen benötigt diese Informationen in der Aufgabe oder als Rückgabe einer angebundenen Quelle.
Assistentenartiger Chat und Quellenanalyse
Die Instruct-Ausgabe soll auf eine Gesprächsanfrage antworten, während die vortrainierte Version eine Grundlage ist, die sich an andere Generierungsaufgaben anpassen lässt. Liefere für eine quellenbasierte Antwort die Frage und die Textstellen, die das Ergebnis bestimmen. Kennzeichne die Quellen und verlange den stützenden Abschnitt oder die Aussage neben jeder Erkenntnis.
Ein praktischer Vergleich kann zwei Verfahren vorgeben und gemeinsame Bedingungen, Unterschiede und ungeklärte Konflikte verlangen. Ein daraus entstehender Leitfaden kann die ursprüngliche Abfolge und die Bedingungen bewahren, unter denen jede Aktion gilt. Eine Dokumentbearbeitungsaufgabe kann Zielgruppe, zu bewahrende Fakten und die Frage festlegen, ob das Endergebnis nur eine überarbeitete Textstelle oder eine Textstelle mit Erklärung sein soll.
Benenne bei einer längeren Antwort die erforderlichen Abschnitte und ihren jeweiligen Zweck. Ein grosser Kontext kann zusammengehöriges Material gemeinsam bewahren, während das Endergebnis eine knappe Matrix oder Erklärung bleibt. Quellenidentitäten und eine klar definierte Frage sind wichtiger, als bloss jedes verfügbare Dokument beizufügen.
Code und generierte Beispiele
Die dokumentierte Ausgabe umfasst Code. Gib für eine vorgeschlagene Implementierung die Sprache, Eingabetypen, das erwartete Ergebnis und die kompatibel zu haltende Schnittstelle vor. Füge bei einer Korrektur das bestehende Fragment und relevante Deklarationen hinzu. Verlange den Code getrennt von seinen Annahmen und Beispielen, damit er im nächsten Entwicklungsschritt geprüft werden kann.
Liefere für eine Codeerklärung die zu verfolgende Eingabe und frage, wie die bereitgestellte Funktion zum Rückgabewert gelangt. Definiere für eine mathematische Erklärung Symbole und Annahmen und lege fest, ob das Ergebnis exakt, näherungsweise oder ein Beweis sein soll. Codegenerierung und schriftliches Reasoning kompilieren für sich genommen kein Programm und führen keine Berechnung aus.
Der Hersteller nennt auch synthetische Datengenerierung und Distillation als Anwendungen der Familie. Eine Textaufgabe kann abwechslungsreiche Beispiele in einem festgelegten Format verlangen und dabei die vorgegebenen Regeln bewahren. Ob diese Beispiele für weiteres Training geeignet sind, ist eine separate Anwendungsentscheidung; die Textausgabe allein ist keine unabhängige Prüfung ihrer Korrektheit.
Gesprächsformat und Werkzeuge
Die Karte zeigt separate System- und Nutzernachrichten mit der passenden Chatvorlage. Nutze die Systemanweisung für Rolle, Ton und dauerhafte Antwortregeln, während die Nutzeranfrage das tatsächliche Problem und die Quellen enthält. Bewahre relevante frühere Nachrichten, wenn eine Folgefrage auf einer vorherigen Antwort aufbaut.
Llama 3.1 unterstützt mehrere dokumentierte Werkzeugnutzungsformate. Die Anwendung stellt Funktionen und Parameter bereit, das Modell bereitet einen vorgeschlagenen Aufruf vor, die Anwendung führt ihn aus und fügt das Ergebnis dem Gespräch hinzu. Eine nachfolgende Generierung kann dieses Ergebnis nutzen. Das kurze Beispiel auf der Karte zeigt ausdrücklich, wie erst der Assistentenaufruf und dann das Werkzeugergebnis hinzugefügt werden; die Auswahl einer Funktion ist vom Abschluss ihrer Operation zu unterscheiden.
Lege für eine Abfrage fest, welche Information benötigt wird, und definiere die Funktion, die sie zurückgibt. Bewahre den tatsächlich zurückgegebenen Wert zusammen mit dem ursprünglichen Aufruf, bevor du die abschliessende Erklärung verlangst. Unterscheide bei einer Berechnung die vorgeschlagene Operation des Modells vom Ergebnis des Rechners. Native Werkzeugformatierung und die sichtbare Darstellung einer Wrapper-Schnittstelle sollten ihre jeweils dokumentierten Konventionen bewahren.
Ausgabe und praktische Grenzen
Die Generierungseinstellung mit 256 Tokens auf der gelesenen Karte ist ein Nutzungsbeispiel und keine unabhängig genannte maximale Ausgabekapazität. Der 128k-Kontext betrifft das Material und das generierte Gespräch innerhalb der konfigurierten Version. Ersetze ihn nicht durch den Kontext oder die Bildfähigkeiten von Llama 4 oder durch die Grösse eines anderen Llama-3.1-Checkpoints.
Dies ist ein reines Text-Instruct-Modell. Bei einem Bild, einer Aufnahme oder einem Video muss der relevante Inhalt durch eine andere Komponente vorbereitet werden. Externer Abruf, Programmausführung und Dateiänderungen gehören ebenfalls zur Anwendung, die mit dem Assistenten verbunden ist. Bewahre die genaue Ausgabe 70B Instruct und verlange die quellenbezogene Erklärung, das überarbeitete Dokument, den Code oder strukturierten Text, den die Aufgabe braucht.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits meta-llama/llama-3.1-70b-instruct | 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 $0.00144 / 1K Tokens Ausgabe · Ausgabetoken $0.00144 / 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 $0.00144 / 1K Tokens Ausgabe · Ausgabetoken $0.00144 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "meta-llama/llama-3.1-70b-instruct", "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='meta-llama/llama-3.1-70b-instruct',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='meta-llama/llama-3.1-70b-instruct',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 meta-llama/llama-3.1-70b-instruct
Verwenden Sie die oben angezeigten Methodenpfade.
meta-llama/llama-3.1-70b-instructLlama 3.1 70B Instruct ist Metas Textmodell für mehrsprachigen Dialog, dokumentbasiertes Reasoning und Code. Seine anweisungsoptimierte 70B-Version nutzt Grouped-Query-Attention, einen vom Hersteller genannten 128k-Kontext und dokumentierte Gesprächsformate für Werkzeugaufrufe, mit Text- und Codeausgabe.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Llama 3.1 70B Instruct ist Metas Textmodell mit 70 Milliarden Parametern, optimiert für mehrsprachigen Dialog und assistentenartige Anfragen. Es ist ein anweisungsoptimierter Checkpoint innerhalb einer Familie, die auch die Grössen 8B und 405B sowie separate vortrainierte Modelle enthält. Es akzeptiert Text und liefert mehrsprachigen Text oder Code zurück; die benannte 70B-Ausgabe bewahrt ihre eigene Grösse und Identität.
Modellinformationen und Training
Die Version verwendet eine autoregressive Transformer-Architektur mit Grouped-Query-Attention. Die optimierten Modelle werden mittels überwachtem Fine-Tuning und Reinforcement Learning mit menschlicher Rückmeldung ausgerichtet. Das sind Trainingsphasen für hilfreiches Gesprächsverhalten und kein benannter Laufzeitschalter zwischen separaten Modi mit und ohne Reasoning.
Der Hersteller dokumentiert einen 128k-Kontext für die Textmodelle und unterstützt offiziell Englisch, Deutsch, Französisch, Italienisch, Portugiesisch, Hindi, Spanisch und Thai. Das Training umfasst eine breitere Sprachsammlung, wodurch nicht jede Sprache gleichermassen unterstützt wird. Lege Ausgabesprache, Terminologie und Leser fest, bevor du ein mehrsprachiges Ergebnis verlangst.
Das Vortrainingskorpus der Familie wird als ungefähr fünfzehn Billionen Tokens beschrieben, mit einem Stichtag im Dezember 2023. Das Fine-Tuning umfasst Anweisungsdatensätze und mehr als fünfundzwanzig Millionen synthetische Beispiele. Der Stichtag ist eine Grenze der Trainingsdaten; eine Frage zu neueren oder privaten Informationen benötigt diese Informationen in der Aufgabe oder als Rückgabe einer angebundenen Quelle.
Assistentenartiger Chat und Quellenanalyse
Die Instruct-Ausgabe soll auf eine Gesprächsanfrage antworten, während die vortrainierte Version eine Grundlage ist, die sich an andere Generierungsaufgaben anpassen lässt. Liefere für eine quellenbasierte Antwort die Frage und die Textstellen, die das Ergebnis bestimmen. Kennzeichne die Quellen und verlange den stützenden Abschnitt oder die Aussage neben jeder Erkenntnis.
Ein praktischer Vergleich kann zwei Verfahren vorgeben und gemeinsame Bedingungen, Unterschiede und ungeklärte Konflikte verlangen. Ein daraus entstehender Leitfaden kann die ursprüngliche Abfolge und die Bedingungen bewahren, unter denen jede Aktion gilt. Eine Dokumentbearbeitungsaufgabe kann Zielgruppe, zu bewahrende Fakten und die Frage festlegen, ob das Endergebnis nur eine überarbeitete Textstelle oder eine Textstelle mit Erklärung sein soll.
Benenne bei einer längeren Antwort die erforderlichen Abschnitte und ihren jeweiligen Zweck. Ein grosser Kontext kann zusammengehöriges Material gemeinsam bewahren, während das Endergebnis eine knappe Matrix oder Erklärung bleibt. Quellenidentitäten und eine klar definierte Frage sind wichtiger, als bloss jedes verfügbare Dokument beizufügen.
Code und generierte Beispiele
Die dokumentierte Ausgabe umfasst Code. Gib für eine vorgeschlagene Implementierung die Sprache, Eingabetypen, das erwartete Ergebnis und die kompatibel zu haltende Schnittstelle vor. Füge bei einer Korrektur das bestehende Fragment und relevante Deklarationen hinzu. Verlange den Code getrennt von seinen Annahmen und Beispielen, damit er im nächsten Entwicklungsschritt geprüft werden kann.
Liefere für eine Codeerklärung die zu verfolgende Eingabe und frage, wie die bereitgestellte Funktion zum Rückgabewert gelangt. Definiere für eine mathematische Erklärung Symbole und Annahmen und lege fest, ob das Ergebnis exakt, näherungsweise oder ein Beweis sein soll. Codegenerierung und schriftliches Reasoning kompilieren für sich genommen kein Programm und führen keine Berechnung aus.
Der Hersteller nennt auch synthetische Datengenerierung und Distillation als Anwendungen der Familie. Eine Textaufgabe kann abwechslungsreiche Beispiele in einem festgelegten Format verlangen und dabei die vorgegebenen Regeln bewahren. Ob diese Beispiele für weiteres Training geeignet sind, ist eine separate Anwendungsentscheidung; die Textausgabe allein ist keine unabhängige Prüfung ihrer Korrektheit.
Gesprächsformat und Werkzeuge
Die Karte zeigt separate System- und Nutzernachrichten mit der passenden Chatvorlage. Nutze die Systemanweisung für Rolle, Ton und dauerhafte Antwortregeln, während die Nutzeranfrage das tatsächliche Problem und die Quellen enthält. Bewahre relevante frühere Nachrichten, wenn eine Folgefrage auf einer vorherigen Antwort aufbaut.
Llama 3.1 unterstützt mehrere dokumentierte Werkzeugnutzungsformate. Die Anwendung stellt Funktionen und Parameter bereit, das Modell bereitet einen vorgeschlagenen Aufruf vor, die Anwendung führt ihn aus und fügt das Ergebnis dem Gespräch hinzu. Eine nachfolgende Generierung kann dieses Ergebnis nutzen. Das kurze Beispiel auf der Karte zeigt ausdrücklich, wie erst der Assistentenaufruf und dann das Werkzeugergebnis hinzugefügt werden; die Auswahl einer Funktion ist vom Abschluss ihrer Operation zu unterscheiden.
Lege für eine Abfrage fest, welche Information benötigt wird, und definiere die Funktion, die sie zurückgibt. Bewahre den tatsächlich zurückgegebenen Wert zusammen mit dem ursprünglichen Aufruf, bevor du die abschliessende Erklärung verlangst. Unterscheide bei einer Berechnung die vorgeschlagene Operation des Modells vom Ergebnis des Rechners. Native Werkzeugformatierung und die sichtbare Darstellung einer Wrapper-Schnittstelle sollten ihre jeweils dokumentierten Konventionen bewahren.
Ausgabe und praktische Grenzen
Die Generierungseinstellung mit 256 Tokens auf der gelesenen Karte ist ein Nutzungsbeispiel und keine unabhängig genannte maximale Ausgabekapazität. Der 128k-Kontext betrifft das Material und das generierte Gespräch innerhalb der konfigurierten Version. Ersetze ihn nicht durch den Kontext oder die Bildfähigkeiten von Llama 4 oder durch die Grösse eines anderen Llama-3.1-Checkpoints.
Dies ist ein reines Text-Instruct-Modell. Bei einem Bild, einer Aufnahme oder einem Video muss der relevante Inhalt durch eine andere Komponente vorbereitet werden. Externer Abruf, Programmausführung und Dateiänderungen gehören ebenfalls zur Anwendung, die mit dem Assistenten verbunden ist. Bewahre die genaue Ausgabe 70B Instruct und verlange die quellenbezogene Erklärung, das überarbeitete Dokument, den Code oder strukturierten Text, den die Aufgabe braucht.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits meta-llama/llama-3.1-70b-instruct | 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 $0.00144 / 1K Tokens Ausgabe · Ausgabetoken $0.00144 / 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 $0.00144 / 1K Tokens Ausgabe · Ausgabetoken $0.00144 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "meta-llama/llama-3.1-70b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'meta-llama/llama-3.1-70b-instruct', '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': 'meta-llama/llama-3.1-70b-instruct', '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 meta-llama/llama-3.1-70b-instruct
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Produce a bilingual maintenance notice\n\nWrite a maintenance notice in English and Spanish from these facts: warehouse entrance B closes on Tuesday from 08:00 to 11:00; deliveries must use entrance A; pedestrian access is unchanged. Use three short sentences per language and preserve entrance letters and times. Do not add a date, delay estimate or closure of pedestrian access.Two labelled language blocks with equivalent three-sentence notices.Compare both versions for entrance A/B, Tuesday, the time range and unchanged pedestrian access.