Decider V1.1 27B ist Perplexitys aktualisierter Entscheidungs-Checkpoint. Er bewertet bereitgestellte Inhalte anhand einer definierten Frage und erzeugt Wahrscheinlichkeiten für die gültigen Antworten. Sein natives Artefakt besitzt eine Entscheidungsauslesekomponente statt eines Sprachgenerierungskopfes über das vollständige Vokabular. Das nützliche Ergebnis ist eine begrenzte Entscheidungsverteilung und ihre interpretierte Antwort, keine offene Erklärung und keine allgemeine Chatantwort.
Perplexity bezeichnet dieses Modell als Aktualisierung von Decider V1 27B, die dieselbe Grundarchitektur beibehält, mit Änderungen am Attention-Aufbau und mehr Trainingsdaten. Seine Grundarchitektur ist Qwen3.8-27B. Die Ausgabe V1.1 sollte ihren eigenen Namen und ihre eigene Konfiguration behalten, statt als austauschbare Kopie des früheren Checkpoints beschrieben zu werden.
Das veröffentlichte Beispiel liefert eine Zeile mit einem Zustand und einer typisierten choice-Frage. Die Frage enthält Anweisungen und Kriterien, deren Schlüssel die semantischen Antworten sind und deren Beschreibungen festlegen, wann jede zutrifft. Das Modell sagt Wahrscheinlichkeiten voraus; anschliessend interpretiert die Antwort-Hilfsfunktion des Anbieters diese Wahrscheinlichkeiten für die Frage. Das Inferenzbeispiel kann eine Liste von Zeilen verarbeiten, wobei jede Entscheidung mit den Belegen und der Frage ihrer Zeile verknüpft ist.
Stellen Sie für die Anfrageweiterleitung die tatsächliche Nachricht und relevanten Kontext bereit und definieren Sie anschliessend die verfügbaren Abteilungen oder Kategorien. Eine beispielhafte Aufgabe könnte einen Integrationsfehler, ein Zugangsproblem und eine Produktinformationsanfrage unterscheiden. Gestalten Sie jede Beschreibung präzise genug, um einen Grenzfall zu klären, und bewahren Sie die Optionsdefinitionen beim Ergebnis. Eine Kategorieverteilung kann dann eine Weiterleitungsentscheidung oder einen Prüfschritt unterstützen, wenn Alternativen nahe beieinanderbleiben. Das gewählte Modellergebnis führt die Workflow-Aktion nicht selbst aus.
Die native Implementierung akzeptiert Bilder neben Zustand und Frage, über Bilddateieingaben, Bilder im Arbeitsspeicher oder kodierte Bilddaten. Stellen Sie bei einem Dokumentbild oder Screenshot die visuellen Belege bereit und stellen Sie eine geschlossene Frage, deren Optionen die relevanten Ergebnisse beschreiben. Benennen Sie das wichtige sichtbare Merkmal und liefern Sie den zu dessen Interpretation nötigen Textkontext. Klassifizieren Sie beispielsweise, ob ein abgebildeter Gegenstand zu einer der bereitgestellten Produktkategorien gehört, statt das Entscheidungsmodell eine vollständige Produktbeschreibung schreiben zu lassen.
Der Prozessor erhält beim Skalieren das Seitenverhältnis und rundet Bildseiten auf Vielfache von 32 Pixeln. Die dokumentierte verarbeitete Fläche beginnt bei 65’536 Pixeln und ist durch ein konfigurierbares Maximum begrenzt; dessen Standard beträgt 4’194’304 Pixel oder 2048 mal 2048. Jeder 32-mal-32-Patch trägt ein visuelles Token bei, sodass dieser Standard bis zu 4’096 visuelle Tokens für ein Bild erlaubt. Diese Zahlen beschreiben die native Bildvorbereitung des Anbieters, keinen allgemeinen Upload-Vertrag einer Anwendung.
Der dokumentierte prepare-Schritt verlangt, dass Text und sämtliche Bilder einer Entscheidung zusammen in 8’192 Tokens passen. Übergrosse Eingaben werden zurückgewiesen statt stillschweigend gekürzt. Mehrere Bilder teilen dieses Budget mit dem schriftlichen Zustand und der Frage. Reduzieren Sie bei der Vorbereitung einer kombinierten Entscheidung irrelevanten Quelltext oder die Bildgrössengrenze und bewahren Sie dabei das Detail, das die Antwort bestimmt.
Im Training und im berichteten Bewertungsaufbau waren Bilder auf 512 mal 512 begrenzt, entsprechend 262’144 Pixeln und bis zu 256 visuellen Tokens. Die konfigurierbare Inferenzgrenze kann mehr Details erhalten, doch die Karte warnt, dass höhere Auflösung ausserhalb dieser Trainingsverteilung liegt und mehr Speicher sowie Verarbeitungszeit benötigt. Eine grössere Bildeinstellung garantiert daher keine bessere Entscheidung. Halten Sie die Eingabevorbereitung zur Frage passend und prüfen Sie, ob das benötigte visuelle Merkmal deutlich repräsentiert wird.
Die Full-Attention-Schichten des nativen Checkpoints verwenden einen gespeicherten nichtkausalen Attention-Modus, während seine Linear-Attention-Schichten ihr eigenes Verhalten beibehalten. Der Hersteller erklärt, dass kausale Standardinferenz den bewerteten Aufbau nicht reproduziert. Seine Vorhersageimplementierung wendet die gespeicherte Kalibrierungstemperatur an; werden Logits direkt verwendet, wird diese Temperatur einmal angewendet und die Wahrscheinlichkeiten werden über die aktuell gültigen Kandidaten normalisiert. Diese Details gehören zu dem konkreten Entscheidungsprofil und sollten bei der Interpretation seiner numerischen Ausgaben bewahrt werden.
Die separate Entscheidungsauslesekomponente unterscheidet dieses Artefakt auch von einem generativen Export. Die Umwandlung in eine vokabularbasierte Generierungsschnittstelle erfordert eine ausdrückliche Zuordnung und muss das Attention-Verhalten bewahren. Bereiten Sie geschlossene Fragen für das native Entscheidungsprofil vor; verwenden Sie ein geeignetes Generierungsmodell, wenn die Aufgabe Chat, Code, Erklärungen oder Werkzeuganforderungen benötigt.
Ein nützliches abschliessendes Artefakt hält Zustand, Frage, zulässige Antworten und resultierende Verteilung miteinander verknüpft. Definieren Sie die Frage anhand tatsächlich vorhandener Belege, prüfen Sie mehrdeutige Fälle anhand dieser Belege und entscheiden Sie mithilfe gekennzeichneter Beispiele aus der vorgesehenen Aufgabe, wie numerische Ausgaben Weiterleitung oder Klassifikation beeinflussen sollen. Das Modell liefert Entscheidungswahrscheinlichkeiten; die Kriterien und die umgebende Anwendung bestimmen, wie daraus eine nützliche Aktion oder protokollierte Bezeichnung wird.
", "aboutText": "Decider V1.1 27B ist Perplexitys aktualisierter Entscheidungs-Checkpoint. Er bewertet bereitgestellte Inhalte anhand einer definierten Frage und erzeugt Wahrscheinlichkeiten für die gültigen Antworten. Sein natives Artefakt besitzt eine Entscheidungsauslesekomponente statt eines Sprachgenerierungskopfes über das vollständige Vokabular. Das nützliche Ergebnis ist eine begrenzte Entscheidungsverteilung und ihre interpretierte Antwort, keine offene Erklärung und keine allgemeine Chatantwort.\n\n### Änderungen in der Ausgabe V1.1\n\nPerplexity bezeichnet dieses Modell als Aktualisierung von Decider V1 27B, die dieselbe Grundarchitektur beibehält, mit Änderungen am Attention-Aufbau und mehr Trainingsdaten. Seine Grundarchitektur ist Qwen3.8-27B. Die Ausgabe V1.1 sollte ihren eigenen Namen und ihre eigene Konfiguration behalten, statt als austauschbare Kopie des früheren Checkpoints beschrieben zu werden.\n\n### Zustand, Frage und gültige Antworten\n\nDas veröffentlichte Beispiel liefert eine Zeile mit einem Zustand und einer typisierten choice-Frage. Die Frage enthält Anweisungen und Kriterien, deren Schlüssel die semantischen Antworten sind und deren Beschreibungen festlegen, wann jede zutrifft. Das Modell sagt Wahrscheinlichkeiten voraus; anschliessend interpretiert die Antwort-Hilfsfunktion des Anbieters diese Wahrscheinlichkeiten für die Frage. Das Inferenzbeispiel kann eine Liste von Zeilen verarbeiten, wobei jede Entscheidung mit den Belegen und der Frage ihrer Zeile verknüpft ist.\n\nStellen Sie für die Anfrageweiterleitung die tatsächliche Nachricht und relevanten Kontext bereit und definieren Sie anschliessend die verfügbaren Abteilungen oder Kategorien. Eine beispielhafte Aufgabe könnte einen Integrationsfehler, ein Zugangsproblem und eine Produktinformationsanfrage unterscheiden. Gestalten Sie jede Beschreibung präzise genug, um einen Grenzfall zu klären, und bewahren Sie die Optionsdefinitionen beim Ergebnis. Eine Kategorieverteilung kann dann eine Weiterleitungsentscheidung oder einen Prüfschritt unterstützen, wenn Alternativen nahe beieinanderbleiben. Das gewählte Modellergebnis führt die Workflow-Aktion nicht selbst aus.\n\n### Text- und Bildbelege\n\nDie native Implementierung akzeptiert Bilder neben Zustand und Frage, über Bilddateieingaben, Bilder im Arbeitsspeicher oder kodierte Bilddaten. Stellen Sie bei einem Dokumentbild oder Screenshot die visuellen Belege bereit und stellen Sie eine geschlossene Frage, deren Optionen die relevanten Ergebnisse beschreiben. Benennen Sie das wichtige sichtbare Merkmal und liefern Sie den zu dessen Interpretation nötigen Textkontext. Klassifizieren Sie beispielsweise, ob ein abgebildeter Gegenstand zu einer der bereitgestellten Produktkategorien gehört, statt das Entscheidungsmodell eine vollständige Produktbeschreibung schreiben zu lassen.\n\nDer Prozessor erhält beim Skalieren das Seitenverhältnis und rundet Bildseiten auf Vielfache von 32 Pixeln. Die dokumentierte verarbeitete Fläche beginnt bei 65’536 Pixeln und ist durch ein konfigurierbares Maximum begrenzt; dessen Standard beträgt 4’194’304 Pixel oder 2048 mal 2048. Jeder 32-mal-32-Patch trägt ein visuelles Token bei, sodass dieser Standard bis zu 4’096 visuelle Tokens für ein Bild erlaubt. Diese Zahlen beschreiben die native Bildvorbereitung des Anbieters, keinen allgemeinen Upload-Vertrag einer Anwendung.\n\n### Kombinierte Eingabegrenzen und Auflösungsumfang\n\nDer dokumentierte prepare-Schritt verlangt, dass Text und sämtliche Bilder einer Entscheidung zusammen in 8’192 Tokens passen. Übergrosse Eingaben werden zurückgewiesen statt stillschweigend gekürzt. Mehrere Bilder teilen dieses Budget mit dem schriftlichen Zustand und der Frage. Reduzieren Sie bei der Vorbereitung einer kombinierten Entscheidung irrelevanten Quelltext oder die Bildgrössengrenze und bewahren Sie dabei das Detail, das die Antwort bestimmt.\n\nIm Training und im berichteten Bewertungsaufbau waren Bilder auf 512 mal 512 begrenzt, entsprechend 262’144 Pixeln und bis zu 256 visuellen Tokens. Die konfigurierbare Inferenzgrenze kann mehr Details erhalten, doch die Karte warnt, dass höhere Auflösung ausserhalb dieser Trainingsverteilung liegt und mehr Speicher sowie Verarbeitungszeit benötigt. Eine grössere Bildeinstellung garantiert daher keine bessere Entscheidung. Halten Sie die Eingabevorbereitung zur Frage passend und prüfen Sie, ob das benötigte visuelle Merkmal deutlich repräsentiert wird.\n\n### Attention, Auslesekomponente und Wahrscheinlichkeitskalibrierung\n\nDie Full-Attention-Schichten des nativen Checkpoints verwenden einen gespeicherten nichtkausalen Attention-Modus, während seine Linear-Attention-Schichten ihr eigenes Verhalten beibehalten. Der Hersteller erklärt, dass kausale Standardinferenz den bewerteten Aufbau nicht reproduziert. Seine Vorhersageimplementierung wendet die gespeicherte Kalibrierungstemperatur an; werden Logits direkt verwendet, wird diese Temperatur einmal angewendet und die Wahrscheinlichkeiten werden über die aktuell gültigen Kandidaten normalisiert. Diese Details gehören zu dem konkreten Entscheidungsprofil und sollten bei der Interpretation seiner numerischen Ausgaben bewahrt werden.\n\nDie separate Entscheidungsauslesekomponente unterscheidet dieses Artefakt auch von einem generativen Export. Die Umwandlung in eine vokabularbasierte Generierungsschnittstelle erfordert eine ausdrückliche Zuordnung und muss das Attention-Verhalten bewahren. Bereiten Sie geschlossene Fragen für das native Entscheidungsprofil vor; verwenden Sie ein geeignetes Generierungsmodell, wenn die Aufgabe Chat, Code, Erklärungen oder Werkzeuganforderungen benötigt.\n\nEin nützliches abschliessendes Artefakt hält Zustand, Frage, zulässige Antworten und resultierende Verteilung miteinander verknüpft. Definieren Sie die Frage anhand tatsächlich vorhandener Belege, prüfen Sie mehrdeutige Fälle anhand dieser Belege und entscheiden Sie mithilfe gekennzeichneter Beispiele aus der vorgesehenen Aufgabe, wie numerische Ausgaben Weiterleitung oder Klassifikation beeinflussen sollen. Das Modell liefert Entscheidungswahrscheinlichkeiten; die Kriterien und die umgebende Anwendung bestimmen, wie daraus eine nützliche Aktion oder protokollierte Bezeichnung wird.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "5f1d1f324ee4dfdb4821db88e349ae0e3fbf9eb7ee5c514f1d095a9d3671a58e", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "de-ch", "methods": [ { "html": "perplexity/pplx-decider-v1.1-27bPerplexitys Decider V1.1 27B bewertet einen bereitgestellten Zustand und eine Frage und gibt Wahrscheinlichkeiten für die zulässigen Antworten zurück. Sein nativer Entscheidungs-Checkpoint unterstützt Text und Bilder mit einer eigenen Auslesekomponente und dokumentierten Grenzen für die Eingabevorbereitung statt eines Vertrags für freie Textgenerierung.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Decider V1.1 27B ist Perplexitys aktualisierter Entscheidungs-Checkpoint. Er bewertet bereitgestellte Inhalte anhand einer definierten Frage und erzeugt Wahrscheinlichkeiten für die gültigen Antworten. Sein natives Artefakt besitzt eine Entscheidungsauslesekomponente statt eines Sprachgenerierungskopfes über das vollständige Vokabular. Das nützliche Ergebnis ist eine begrenzte Entscheidungsverteilung und ihre interpretierte Antwort, keine offene Erklärung und keine allgemeine Chatantwort.
Perplexity bezeichnet dieses Modell als Aktualisierung von Decider V1 27B, die dieselbe Grundarchitektur beibehält, mit Änderungen am Attention-Aufbau und mehr Trainingsdaten. Seine Grundarchitektur ist Qwen3.8-27B. Die Ausgabe V1.1 sollte ihren eigenen Namen und ihre eigene Konfiguration behalten, statt als austauschbare Kopie des früheren Checkpoints beschrieben zu werden.
Das veröffentlichte Beispiel liefert eine Zeile mit einem Zustand und einer typisierten choice-Frage. Die Frage enthält Anweisungen und Kriterien, deren Schlüssel die semantischen Antworten sind und deren Beschreibungen festlegen, wann jede zutrifft. Das Modell sagt Wahrscheinlichkeiten voraus; anschliessend interpretiert die Antwort-Hilfsfunktion des Anbieters diese Wahrscheinlichkeiten für die Frage. Das Inferenzbeispiel kann eine Liste von Zeilen verarbeiten, wobei jede Entscheidung mit den Belegen und der Frage ihrer Zeile verknüpft ist.
Stellen Sie für die Anfrageweiterleitung die tatsächliche Nachricht und relevanten Kontext bereit und definieren Sie anschliessend die verfügbaren Abteilungen oder Kategorien. Eine beispielhafte Aufgabe könnte einen Integrationsfehler, ein Zugangsproblem und eine Produktinformationsanfrage unterscheiden. Gestalten Sie jede Beschreibung präzise genug, um einen Grenzfall zu klären, und bewahren Sie die Optionsdefinitionen beim Ergebnis. Eine Kategorieverteilung kann dann eine Weiterleitungsentscheidung oder einen Prüfschritt unterstützen, wenn Alternativen nahe beieinanderbleiben. Das gewählte Modellergebnis führt die Workflow-Aktion nicht selbst aus.
Die native Implementierung akzeptiert Bilder neben Zustand und Frage, über Bilddateieingaben, Bilder im Arbeitsspeicher oder kodierte Bilddaten. Stellen Sie bei einem Dokumentbild oder Screenshot die visuellen Belege bereit und stellen Sie eine geschlossene Frage, deren Optionen die relevanten Ergebnisse beschreiben. Benennen Sie das wichtige sichtbare Merkmal und liefern Sie den zu dessen Interpretation nötigen Textkontext. Klassifizieren Sie beispielsweise, ob ein abgebildeter Gegenstand zu einer der bereitgestellten Produktkategorien gehört, statt das Entscheidungsmodell eine vollständige Produktbeschreibung schreiben zu lassen.
Der Prozessor erhält beim Skalieren das Seitenverhältnis und rundet Bildseiten auf Vielfache von 32 Pixeln. Die dokumentierte verarbeitete Fläche beginnt bei 65’536 Pixeln und ist durch ein konfigurierbares Maximum begrenzt; dessen Standard beträgt 4’194’304 Pixel oder 2048 mal 2048. Jeder 32-mal-32-Patch trägt ein visuelles Token bei, sodass dieser Standard bis zu 4’096 visuelle Tokens für ein Bild erlaubt. Diese Zahlen beschreiben die native Bildvorbereitung des Anbieters, keinen allgemeinen Upload-Vertrag einer Anwendung.
Der dokumentierte prepare-Schritt verlangt, dass Text und sämtliche Bilder einer Entscheidung zusammen in 8’192 Tokens passen. Übergrosse Eingaben werden zurückgewiesen statt stillschweigend gekürzt. Mehrere Bilder teilen dieses Budget mit dem schriftlichen Zustand und der Frage. Reduzieren Sie bei der Vorbereitung einer kombinierten Entscheidung irrelevanten Quelltext oder die Bildgrössengrenze und bewahren Sie dabei das Detail, das die Antwort bestimmt.
Im Training und im berichteten Bewertungsaufbau waren Bilder auf 512 mal 512 begrenzt, entsprechend 262’144 Pixeln und bis zu 256 visuellen Tokens. Die konfigurierbare Inferenzgrenze kann mehr Details erhalten, doch die Karte warnt, dass höhere Auflösung ausserhalb dieser Trainingsverteilung liegt und mehr Speicher sowie Verarbeitungszeit benötigt. Eine grössere Bildeinstellung garantiert daher keine bessere Entscheidung. Halten Sie die Eingabevorbereitung zur Frage passend und prüfen Sie, ob das benötigte visuelle Merkmal deutlich repräsentiert wird.
Die Full-Attention-Schichten des nativen Checkpoints verwenden einen gespeicherten nichtkausalen Attention-Modus, während seine Linear-Attention-Schichten ihr eigenes Verhalten beibehalten. Der Hersteller erklärt, dass kausale Standardinferenz den bewerteten Aufbau nicht reproduziert. Seine Vorhersageimplementierung wendet die gespeicherte Kalibrierungstemperatur an; werden Logits direkt verwendet, wird diese Temperatur einmal angewendet und die Wahrscheinlichkeiten werden über die aktuell gültigen Kandidaten normalisiert. Diese Details gehören zu dem konkreten Entscheidungsprofil und sollten bei der Interpretation seiner numerischen Ausgaben bewahrt werden.
Die separate Entscheidungsauslesekomponente unterscheidet dieses Artefakt auch von einem generativen Export. Die Umwandlung in eine vokabularbasierte Generierungsschnittstelle erfordert eine ausdrückliche Zuordnung und muss das Attention-Verhalten bewahren. Bereiten Sie geschlossene Fragen für das native Entscheidungsprofil vor; verwenden Sie ein geeignetes Generierungsmodell, wenn die Aufgabe Chat, Code, Erklärungen oder Werkzeuganforderungen benötigt.
Ein nützliches abschliessendes Artefakt hält Zustand, Frage, zulässige Antworten und resultierende Verteilung miteinander verknüpft. Definieren Sie die Frage anhand tatsächlich vorhandener Belege, prüfen Sie mehrdeutige Fälle anhand dieser Belege und entscheiden Sie mithilfe gekennzeichneter Beispiele aus der vorgesehenen Aufgabe, wie numerische Ausgaben Weiterleitung oder Klassifikation beeinflussen sollen. Das Modell liefert Entscheidungswahrscheinlichkeiten; die Kriterien und die umgebende Anwendung bestimmen, wie daraus eine nützliche Aktion oder protokollierte Bezeichnung wird.
POST /v1/systemonetext, imagedecisions| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits perplexity/pplx-decider-v1.1-27b | Standard— |
Feldprovider | Typschema | AnforderungOptional | Werte und Limits | Standard— |
Feldquestions | Typobject | AnforderungErforderlich | Werte und Limits | Standard— |
Feldsession_id | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldstate | Typschema | AnforderungErforderlich | Werte und Limits | Standard— |
Feldtrace | Typschema | AnforderungOptional | Werte und Limits | Standard— |
Felduser | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldquestions.<id>.type | Typstring | AnforderungErforderlich | Werte und Limits noul, choice, score | Standard— |
Feldquestions.<id>.instructions | Typstring|object|array | AnforderungErforderlich | Werte und Limits | Standard— |
Feldquestions.<id>.criteria | Typobject|array | AnforderungOptional | Werte und Limits Bedingungen: choice/score: erforderlich; noul: optional. Die Kriterien von choice sind ein Objekt; score ist ein Array mit minItems1. | Standard— |
Feldquestions.<id>.criteria.true | Typstring|object|array | AnforderungErforderlich | Werte und Limits Gilt, wenn: Kriterienobjekt noul bereitgestellt | Standard— |
Feldquestions.<id>.criteria.false | Typstring|object|array | AnforderungErforderlich | Werte und Limits Gilt, wenn: Kriterienobjekt noul bereitgestellt | Standard— |
noul · Erforderlich: state, questions.<id>.type=noul, questions.<id>.instructions
choice · Erforderlich: state, questions.<id>.type=choice, questions.<id>.instructions, criteria object
score · Erforderlich: state, questions.<id>.type=score, questions.<id>.instructions, criteria array with minItems1
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, state, questions |
Parametermaterial_types | Vertragtext, image |
Parameteroptional_controls | Vertragprovider, session_id, trace, user |
Parametermultimodal_input_binding | VertragVerwenden Sie ausschliesslich die exakt deklarierte Zustands- oder Dokumentdarstellung. Die Bildfähigkeit des Herstellers allein belegt noch keine modellspezifisch akzeptierte Bildübertragungsform. |
Lebenszyklus: synchronous
Senden Sie die exakte Modell-ID und bewahren Sie die vollständige native Antwort auf.
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 $0.00004 / 1K Tokens Ausgabe · Ausgabetoken $0 / 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 $0.00004 / 1K Tokens Ausgabe · Ausgabetoken $0 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "perplexity/pplx-decider-v1.1-27b",\n "questions": {\n "is_bug": {\n "criteria": {\n "false": "The customer is asking a question or requesting a feature.",\n "true": "The customer describes broken or unexpected product behavior."\n },\n "instructions": "Is the customer reporting a software defect?",\n "type": "noul"\n },\n "team": {\n "criteria": {\n "account": "Login, permissions, or profile issues.",\n "frontend": "Rendering, layout, or browser compatibility issues.",\n "payments": "Checkout, billing, or payment processing issues."\n },\n "instructions": "Which team should own this ticket?",\n "type": "choice"\n },\n "urgency": {\n "criteria": [\n "Can wait for the next release",\n "Should be fixed this week",\n "Blocking revenue right now"\n ],\n "instructions": "How urgent is this ticket?",\n "type": "score"\n }\n },\n "state": {\n "customer_tier": "enterprise",\n "ticket": "My checkout page shows a blank screen after I click Pay. I have tried two browsers."\n }\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_REQUEST_FILE:?Set your actual JSON request file}"\nexport AILOOT_REQUEST_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads(Path(os.environ['AILOOT_REQUEST_FILE']).read_text(encoding='utf-8'))\nif not isinstance(p,dict): raise SystemExit('Request must be a JSON object')\np['model']='perplexity/pplx-decider-v1.1-27b'\nPath('request.json').write_text(json.dumps(p,ensure_ascii=False),encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/systemone \\\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\nprint(json.dumps(json.loads(Path('result.json').read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\njson
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Jede gelieferte Antwort zu einer Frage-ID bleibt mit ihrem exakten Typ, dem noul/choice/score-Wert, der Konfidenz, den Wahrscheinlichkeiten und der Legende erhalten. Das vollständige ursprüngliche JSON wird gespeichert und erst nach der Abrechnung zurückgegeben.
Bewahren Sie den ursprünglichen Vorgang sowie die vollständige oder teilweise Antwort auf; wiederholen Sie POST nicht.
| Feld | Typ |
|---|---|
Feldmodel | Typstring |
Feldid | Typstring |
Feldprovider | Typstring |
Feldanswers.<id>.type | Typstring |
Feldanswers.<id>.noul | Typnumber |
Feldanswers.<id>.choice | Typstring |
Feldanswers.<id>.score | Typnumber |
Feldanswers.<id>.confidence | Typnumber |
Feldanswers.<id>.probabilities | Typobject |
Feldanswers.<id>.legend | Typobject |
Feldusage.input_tokens | Typinteger |
Feldusage.output_tokens | Typinteger |
Feldusage.cost | Typnumber |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungUngültiges Pflichtfeld, ungültige Darstellung oder ungültiger Wert | Nächster SchrittKorrigieren Sie das angegebene Anfragefeld. |
Ailoot Ultra perplexity/pplx-decider-v1.1-27b
Verwenden Sie die oben angezeigten Methodenpfade.