Nex-N2.5-mini ist die kleine multimodale Ausgabe von Nex AGI in der Agentenfamilie Nex-N2.5. Neben Pro baut sie auf den multimodalen Grundlagen von Nex-N2 auf, mit Verbesserungen bei Computerbedienung, Web-Browsing und visuell verankerter Aufgabenausführung. Der Hersteller behandelt visuelle Rückmeldungen als Teil der Fortschrittsprüfung eines Agenten und nicht nur als Material für eine einmalige Bildbeschreibung.
Bereiten Sie eine Agentenaufgabe mit dem Nutzerziel, relevanten Bildschirm- oder Quellinformationen und einem klaren Abschlusskriterium vor. Benennen Sie die erlaubten Handlungen und die Beobachtung, die Erfolg belegen würde. Ein beispielhaftes Briefing lautet: «Verwenden Sie den bereitgestellten Screenshot, um die für diese Änderung benötigten Bedienelemente zu identifizieren, erklären Sie den nächsten Vorgang und prüfen Sie den zurückgegebenen Zustand anhand des Ziels.»
Das Modell kann den visuellen Zustand interpretieren und eine Funktion oder einen Vorgang vorschlagen. Die umgebende Anwendung führt diese Handlung aus und liefert den nächsten Screenshot oder ein anderes Ergebnis zurück. Ein vorgeschlagener Klick oder erzeugter Code bleibt ein Textergebnis, bis die Anwendung ihn ausführt. Entscheiden Sie anhand der tatsächlichen Beobachtung, ob Sie fortfahren oder den Plan korrigieren müssen.
Die Herstellervorlage verwendet reasoning_effort zur Verhaltenswahl. None gibt eine direkte Antwort ohne Denkspur. Medium ist der adaptive Standard und lässt das Modell entscheiden, ob und wie viel es nachdenkt. High aktiviert vor der Antwort immer das Nachdenken. Der Hersteller empfiehlt Temperatur 0.7, Top-p 0.95 und Top-k 40 für das Referenzprofil.
Geben Sie die erforderliche Antwortform getrennt vom Modus an, etwa eine kurze Erklärung, eine quellenbasierte Liste oder den nächsten vorgeschlagenen Vorgang. Die Denkaufwandsteuerung der Vorlage sollte nicht stillschweigend durch das thinking-Flag eines anderen Modells ersetzt werden. Bewahren Sie die Unterscheidung zwischen Zwischenanalyse und endgültigem Inhalt.
Modelle der Nex-Reihe dokumentieren Funktionsaufrufe mit bereitgestellten Werkzeugdefinitionen und einen Parser, der Aufrufe in strukturierte Inhalte extrahiert. Definieren Sie Zweck und Parameter jeder Funktion und bewahren Sie ihre zurückgegebene Beobachtung im Aufgabenkontext. Eine fortgesetzte Browser- oder Programmieraufgabe sollte diese tatsächlichen Ergebnisse verwenden, um Fortschritt zu halten und sich selbst zu korrigieren.
Die dokumentierte Rolle von Mini bleibt multimodal und ist von der reinen Textausgabe Max der Familie getrennt. Stellen Sie für eine Wissensaufgabe relevante Passagen bereit; für eine Programmieraufgabe Implementierung und erwartetes Verhalten. Bewahren Sie Datei- und Quellenbezeichnungen, damit das abschliessende Artefakt auf seine Belege verweisen kann.
Planen Sie verfügbare Quellen, visuelle Darstellung, Gespräch, Schlussfolgern und Werkzeugrückgaben gemeinsam. Halten Sie die jüngsten bedeutsamen Beobachtungen und das vom Nutzer verlangte Ergebnis während des Ablaufs sichtbar. Setzen Sie einen umfangreichen Handlungsplan nicht mit einem abgeschlossenen Ergebnis gleich; die abschliessende Übergabe sollte Vorschläge von Vorgängen unterscheiden, für die ein Ergebnis zurückgegeben wurde.
Die nützliche Ausgabe ist eine Texterklärung, ein Codevorschlag oder eine Handlungsfolge auf Grundlage der von der Anwendung gelieferten Beobachtungen. Prüfen Sie visuelle Details am Screenshot und quellenabhängige Aussagen an massgeblichem Material. Mini bewahrt seine konkrete benannte Ausgabe und Denkmodi, ohne die Parameterzahl von Max oder eine undokumentierte universelle Ausgabeobergrenze zu übernehmen.
", "aboutText": "Nex-N2.5-mini ist die kleine multimodale Ausgabe von Nex AGI in der Agentenfamilie Nex-N2.5. Neben Pro baut sie auf den multimodalen Grundlagen von Nex-N2 auf, mit Verbesserungen bei Computerbedienung, Web-Browsing und visuell verankerter Aufgabenausführung. Der Hersteller behandelt visuelle Rückmeldungen als Teil der Fortschrittsprüfung eines Agenten und nicht nur als Material für eine einmalige Bildbeschreibung.\n\n### Beobachten, handeln und prüfen\n\nBereiten Sie eine Agentenaufgabe mit dem Nutzerziel, relevanten Bildschirm- oder Quellinformationen und einem klaren Abschlusskriterium vor. Benennen Sie die erlaubten Handlungen und die Beobachtung, die Erfolg belegen würde. Ein beispielhaftes Briefing lautet: «Verwenden Sie den bereitgestellten Screenshot, um die für diese Änderung benötigten Bedienelemente zu identifizieren, erklären Sie den nächsten Vorgang und prüfen Sie den zurückgegebenen Zustand anhand des Ziels.»\n\nDas Modell kann den visuellen Zustand interpretieren und eine Funktion oder einen Vorgang vorschlagen. Die umgebende Anwendung führt diese Handlung aus und liefert den nächsten Screenshot oder ein anderes Ergebnis zurück. Ein vorgeschlagener Klick oder erzeugter Code bleibt ein Textergebnis, bis die Anwendung ihn ausführt. Entscheiden Sie anhand der tatsächlichen Beobachtung, ob Sie fortfahren oder den Plan korrigieren müssen.\n\n### Drei Denkmodi\n\nDie Herstellervorlage verwendet reasoning_effort zur Verhaltenswahl. None gibt eine direkte Antwort ohne Denkspur. Medium ist der adaptive Standard und lässt das Modell entscheiden, ob und wie viel es nachdenkt. High aktiviert vor der Antwort immer das Nachdenken. Der Hersteller empfiehlt Temperatur 0.7, Top-p 0.95 und Top-k 40 für das Referenzprofil.\n\nGeben Sie die erforderliche Antwortform getrennt vom Modus an, etwa eine kurze Erklärung, eine quellenbasierte Liste oder den nächsten vorgeschlagenen Vorgang. Die Denkaufwandsteuerung der Vorlage sollte nicht stillschweigend durch das thinking-Flag eines anderen Modells ersetzt werden. Bewahren Sie die Unterscheidung zwischen Zwischenanalyse und endgültigem Inhalt.\n\n### Funktionen und nützliche Ergebnisse\n\nModelle der Nex-Reihe dokumentieren Funktionsaufrufe mit bereitgestellten Werkzeugdefinitionen und einen Parser, der Aufrufe in strukturierte Inhalte extrahiert. Definieren Sie Zweck und Parameter jeder Funktion und bewahren Sie ihre zurückgegebene Beobachtung im Aufgabenkontext. Eine fortgesetzte Browser- oder Programmieraufgabe sollte diese tatsächlichen Ergebnisse verwenden, um Fortschritt zu halten und sich selbst zu korrigieren.\n\nDie dokumentierte Rolle von Mini bleibt multimodal und ist von der reinen Textausgabe Max der Familie getrennt. Stellen Sie für eine Wissensaufgabe relevante Passagen bereit; für eine Programmieraufgabe Implementierung und erwartetes Verhalten. Bewahren Sie Datei- und Quellenbezeichnungen, damit das abschliessende Artefakt auf seine Belege verweisen kann.\n\n### Eine lange Aufgabe vorbereiten\n\nPlanen Sie verfügbare Quellen, visuelle Darstellung, Gespräch, Schlussfolgern und Werkzeugrückgaben gemeinsam. Halten Sie die jüngsten bedeutsamen Beobachtungen und das vom Nutzer verlangte Ergebnis während des Ablaufs sichtbar. Setzen Sie einen umfangreichen Handlungsplan nicht mit einem abgeschlossenen Ergebnis gleich; die abschliessende Übergabe sollte Vorschläge von Vorgängen unterscheiden, für die ein Ergebnis zurückgegeben wurde.\n\nDie nützliche Ausgabe ist eine Texterklärung, ein Codevorschlag oder eine Handlungsfolge auf Grundlage der von der Anwendung gelieferten Beobachtungen. Prüfen Sie visuelle Details am Screenshot und quellenabhängige Aussagen an massgeblichem Material. Mini bewahrt seine konkrete benannte Ausgabe und Denkmodi, ohne die Parameterzahl von Max oder eine undokumentierte universelle Ausgabeobergrenze zu übernehmen.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Choose the next interface step\n\nA user wants to enable weekly reports. Supplied interface state: the Reports page shows a Weekly reports checkbox unchecked, a disabled Save button and an unsaved-changes indicator absent. Describe the next proposed interaction, the expected state after it and what must be observed before claiming the setting is saved. Use only this textual state description.A short proposed-action sequence with an expected intermediate state and a separate saved-state verification criterion.Check that the answer does not claim the setting is saved merely because the checkbox was selected.nex-agi/nex-n2.5-miniNex-N2.5-mini ist die kleine multimodale Agentenausgabe von Nex AGI für Computerbedienung, Browseraufgaben und visuelle Rückmeldungen. Sie verbindet direkte, adaptive und Denkmodi mit Funktionsaufrufen und erzeugt anhand der Aufgabe und bereitgestellter Bildschirmbeobachtungen Text und vorgeschlagene Handlungen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Nex-N2.5-mini ist die kleine multimodale Ausgabe von Nex AGI in der Agentenfamilie Nex-N2.5. Neben Pro baut sie auf den multimodalen Grundlagen von Nex-N2 auf, mit Verbesserungen bei Computerbedienung, Web-Browsing und visuell verankerter Aufgabenausführung. Der Hersteller behandelt visuelle Rückmeldungen als Teil der Fortschrittsprüfung eines Agenten und nicht nur als Material für eine einmalige Bildbeschreibung.
Bereiten Sie eine Agentenaufgabe mit dem Nutzerziel, relevanten Bildschirm- oder Quellinformationen und einem klaren Abschlusskriterium vor. Benennen Sie die erlaubten Handlungen und die Beobachtung, die Erfolg belegen würde. Ein beispielhaftes Briefing lautet: «Verwenden Sie den bereitgestellten Screenshot, um die für diese Änderung benötigten Bedienelemente zu identifizieren, erklären Sie den nächsten Vorgang und prüfen Sie den zurückgegebenen Zustand anhand des Ziels.»
Das Modell kann den visuellen Zustand interpretieren und eine Funktion oder einen Vorgang vorschlagen. Die umgebende Anwendung führt diese Handlung aus und liefert den nächsten Screenshot oder ein anderes Ergebnis zurück. Ein vorgeschlagener Klick oder erzeugter Code bleibt ein Textergebnis, bis die Anwendung ihn ausführt. Entscheiden Sie anhand der tatsächlichen Beobachtung, ob Sie fortfahren oder den Plan korrigieren müssen.
Die Herstellervorlage verwendet reasoning_effort zur Verhaltenswahl. None gibt eine direkte Antwort ohne Denkspur. Medium ist der adaptive Standard und lässt das Modell entscheiden, ob und wie viel es nachdenkt. High aktiviert vor der Antwort immer das Nachdenken. Der Hersteller empfiehlt Temperatur 0.7, Top-p 0.95 und Top-k 40 für das Referenzprofil.
Geben Sie die erforderliche Antwortform getrennt vom Modus an, etwa eine kurze Erklärung, eine quellenbasierte Liste oder den nächsten vorgeschlagenen Vorgang. Die Denkaufwandsteuerung der Vorlage sollte nicht stillschweigend durch das thinking-Flag eines anderen Modells ersetzt werden. Bewahren Sie die Unterscheidung zwischen Zwischenanalyse und endgültigem Inhalt.
Modelle der Nex-Reihe dokumentieren Funktionsaufrufe mit bereitgestellten Werkzeugdefinitionen und einen Parser, der Aufrufe in strukturierte Inhalte extrahiert. Definieren Sie Zweck und Parameter jeder Funktion und bewahren Sie ihre zurückgegebene Beobachtung im Aufgabenkontext. Eine fortgesetzte Browser- oder Programmieraufgabe sollte diese tatsächlichen Ergebnisse verwenden, um Fortschritt zu halten und sich selbst zu korrigieren.
Die dokumentierte Rolle von Mini bleibt multimodal und ist von der reinen Textausgabe Max der Familie getrennt. Stellen Sie für eine Wissensaufgabe relevante Passagen bereit; für eine Programmieraufgabe Implementierung und erwartetes Verhalten. Bewahren Sie Datei- und Quellenbezeichnungen, damit das abschliessende Artefakt auf seine Belege verweisen kann.
Planen Sie verfügbare Quellen, visuelle Darstellung, Gespräch, Schlussfolgern und Werkzeugrückgaben gemeinsam. Halten Sie die jüngsten bedeutsamen Beobachtungen und das vom Nutzer verlangte Ergebnis während des Ablaufs sichtbar. Setzen Sie einen umfangreichen Handlungsplan nicht mit einem abgeschlossenen Ergebnis gleich; die abschliessende Übergabe sollte Vorschläge von Vorgängen unterscheiden, für die ein Ergebnis zurückgegeben wurde.
Die nützliche Ausgabe ist eine Texterklärung, ein Codevorschlag oder eine Handlungsfolge auf Grundlage der von der Anwendung gelieferten Beobachtungen. Prüfen Sie visuelle Details am Screenshot und quellenabhängige Aussagen an massgeblichem Material. Mini bewahrt seine konkrete benannte Ausgabe und Denkmodi, ohne die Parameterzahl von Max oder eine undokumentierte universelle Ausgabeobergrenze zu übernehmen.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits nex-agi/nex-n2.5-mini | 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 $0.00005 / 1K Tokens Ausgabe · Ausgabetoken $0.0002 / 1K Tokens Eingabe · Cache lesen $0.000005 / 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 $0.00005 / 1K Tokens Ausgabe · Ausgabetoken $0.0002 / 1K Tokens Eingabe · Cache lesen $0.000005 / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "nex-agi/nex-n2.5-mini", "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='nex-agi/nex-n2.5-mini',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='nex-agi/nex-n2.5-mini',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 nex-agi/nex-n2.5-mini
Verwenden Sie die oben angezeigten Methodenpfade.
nex-agi/nex-n2.5-miniNex-N2.5-mini ist die kleine multimodale Agentenausgabe von Nex AGI für Computerbedienung, Browseraufgaben und visuelle Rückmeldungen. Sie verbindet direkte, adaptive und Denkmodi mit Funktionsaufrufen und erzeugt anhand der Aufgabe und bereitgestellter Bildschirmbeobachtungen Text und vorgeschlagene Handlungen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Nex-N2.5-mini ist die kleine multimodale Ausgabe von Nex AGI in der Agentenfamilie Nex-N2.5. Neben Pro baut sie auf den multimodalen Grundlagen von Nex-N2 auf, mit Verbesserungen bei Computerbedienung, Web-Browsing und visuell verankerter Aufgabenausführung. Der Hersteller behandelt visuelle Rückmeldungen als Teil der Fortschrittsprüfung eines Agenten und nicht nur als Material für eine einmalige Bildbeschreibung.
Bereiten Sie eine Agentenaufgabe mit dem Nutzerziel, relevanten Bildschirm- oder Quellinformationen und einem klaren Abschlusskriterium vor. Benennen Sie die erlaubten Handlungen und die Beobachtung, die Erfolg belegen würde. Ein beispielhaftes Briefing lautet: «Verwenden Sie den bereitgestellten Screenshot, um die für diese Änderung benötigten Bedienelemente zu identifizieren, erklären Sie den nächsten Vorgang und prüfen Sie den zurückgegebenen Zustand anhand des Ziels.»
Das Modell kann den visuellen Zustand interpretieren und eine Funktion oder einen Vorgang vorschlagen. Die umgebende Anwendung führt diese Handlung aus und liefert den nächsten Screenshot oder ein anderes Ergebnis zurück. Ein vorgeschlagener Klick oder erzeugter Code bleibt ein Textergebnis, bis die Anwendung ihn ausführt. Entscheiden Sie anhand der tatsächlichen Beobachtung, ob Sie fortfahren oder den Plan korrigieren müssen.
Die Herstellervorlage verwendet reasoning_effort zur Verhaltenswahl. None gibt eine direkte Antwort ohne Denkspur. Medium ist der adaptive Standard und lässt das Modell entscheiden, ob und wie viel es nachdenkt. High aktiviert vor der Antwort immer das Nachdenken. Der Hersteller empfiehlt Temperatur 0.7, Top-p 0.95 und Top-k 40 für das Referenzprofil.
Geben Sie die erforderliche Antwortform getrennt vom Modus an, etwa eine kurze Erklärung, eine quellenbasierte Liste oder den nächsten vorgeschlagenen Vorgang. Die Denkaufwandsteuerung der Vorlage sollte nicht stillschweigend durch das thinking-Flag eines anderen Modells ersetzt werden. Bewahren Sie die Unterscheidung zwischen Zwischenanalyse und endgültigem Inhalt.
Modelle der Nex-Reihe dokumentieren Funktionsaufrufe mit bereitgestellten Werkzeugdefinitionen und einen Parser, der Aufrufe in strukturierte Inhalte extrahiert. Definieren Sie Zweck und Parameter jeder Funktion und bewahren Sie ihre zurückgegebene Beobachtung im Aufgabenkontext. Eine fortgesetzte Browser- oder Programmieraufgabe sollte diese tatsächlichen Ergebnisse verwenden, um Fortschritt zu halten und sich selbst zu korrigieren.
Die dokumentierte Rolle von Mini bleibt multimodal und ist von der reinen Textausgabe Max der Familie getrennt. Stellen Sie für eine Wissensaufgabe relevante Passagen bereit; für eine Programmieraufgabe Implementierung und erwartetes Verhalten. Bewahren Sie Datei- und Quellenbezeichnungen, damit das abschliessende Artefakt auf seine Belege verweisen kann.
Planen Sie verfügbare Quellen, visuelle Darstellung, Gespräch, Schlussfolgern und Werkzeugrückgaben gemeinsam. Halten Sie die jüngsten bedeutsamen Beobachtungen und das vom Nutzer verlangte Ergebnis während des Ablaufs sichtbar. Setzen Sie einen umfangreichen Handlungsplan nicht mit einem abgeschlossenen Ergebnis gleich; die abschliessende Übergabe sollte Vorschläge von Vorgängen unterscheiden, für die ein Ergebnis zurückgegeben wurde.
Die nützliche Ausgabe ist eine Texterklärung, ein Codevorschlag oder eine Handlungsfolge auf Grundlage der von der Anwendung gelieferten Beobachtungen. Prüfen Sie visuelle Details am Screenshot und quellenabhängige Aussagen an massgeblichem Material. Mini bewahrt seine konkrete benannte Ausgabe und Denkmodi, ohne die Parameterzahl von Max oder eine undokumentierte universelle Ausgabeobergrenze zu übernehmen.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits nex-agi/nex-n2.5-mini | 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 $0.00005 / 1K Tokens Ausgabe · Ausgabetoken $0.0002 / 1K Tokens Eingabe · Cache lesen $0.000005 / 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 $0.00005 / 1K Tokens Ausgabe · Ausgabetoken $0.0002 / 1K Tokens Eingabe · Cache lesen $0.000005 / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "nex-agi/nex-n2.5-mini",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'nex-agi/nex-n2.5-mini', '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': 'nex-agi/nex-n2.5-mini', '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 nex-agi/nex-n2.5-mini
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Choose the next interface step\n\nA user wants to enable weekly reports. Supplied interface state: the Reports page shows a Weekly reports checkbox unchecked, a disabled Save button and an unsaved-changes indicator absent. Describe the next proposed interaction, the expected state after it and what must be observed before claiming the setting is saved. Use only this textual state description.A short proposed-action sequence with an expected intermediate state and a separate saved-state verification criterion.Check that the answer does not claim the setting is saved merely because the checkbox was selected.