Llama 3.3 Euryale 70B v2.3 ist Sao10Ks Euryale-Ausgabe auf Basis von Llama 3.3 70B Instruct. Der Entwickler bezeichnet sie als Nachfolgerin von Euryale v2.2 und hält sie von Hanami-x1 getrennt. Sie verarbeitet schriftliche Anweisungen und Gespräche und erzeugt Text, mit Rollenspielmaterial und kreativen Anweisungen im veröffentlichten Trainingsrezept.
Die Konfiguration des Entwicklers hat 80 Transformer-Schichten, 64 Query-Attention-Köpfe und acht Key/Value-Köpfe. Ihre maximale Positionszahl beträgt 131’072 mit rotatorischer Llama-3-Skalierung. Das Trainingsrezept verwendet Sequenzen mit 16’384 Tokens. Dies sind unterschiedliche Eigenschaften: Die Trainingssequenzlänge ist nicht dieselbe Zahl wie die maximale Positionszahl der veröffentlichten Modellkonfiguration.
Der Hersteller empfiehlt Llama-3-Instruct-Formatierung und betont die Bedeutung des Systemprompts. Seine Beispieleinstellungen verwenden Temperatur 1.1 und Sampling mit einer Mindestwahrscheinlichkeit von 0.1. Dies sind Empfehlungen des Entwicklers für diese Ausgabe und kein fester Ausgabestil oder ein Versprechen, dass jede Anwendung diese Steuerungen bereitstellt.
Stellen Sie für ein Charaktergespräch die Persona, die Szene, die Beziehung zwischen den Sprechenden und den jüngsten Austausch bereit. Geben Sie an, zu welcher Figur die nächste Antwort gehört und wo die Runde enden soll. Eine konkrete Systemanweisung kann Stimme und zu bewahrende Fakten definieren, während die Nutzernachricht das nächste Ereignis oder die nächste Frage liefert.
Stellen Sie für kreative Prosa die Passage bereit und nennen Sie die gewünschte Änderung: eine Fortsetzung, eine Überarbeitung des Tons oder einen klareren Austausch zwischen Figuren. Halten Sie die wichtigen Szenenfakten sichtbar und unterscheiden Sie sie von stilistischen Vorlieben. Eine nützliche Ausgabe kann aus einer überarbeiteten Passage bestehen, die die Handlung bewahrt, gefolgt von einer kurzen Erklärung, wenn diese angefordert wird.
Die Identität des Modells als v2.3 ist beim Vergleich mit früheren Euryale-Veröffentlichungen wichtig: Es verwendet die Basis Llama 3.3 Instruct und ein eigenes Trainingsrezept mit eigenen Einstellungen. Die kurze Veröffentlichungsnotiz des Entwicklers nennt diesen Umfang; der daraus entstehende Entwurf bleibt auf die gewünschte Stimme, Kontinuität und Anweisungsbefolgung zu prüfen. Sie belegt weder visuelle Eingaben noch externe Werkzeugausführung oder eine separate steuerbare Denkphase.
", "aboutText": "Llama 3.3 Euryale 70B v2.3 ist Sao10Ks Euryale-Ausgabe auf Basis von Llama 3.3 70B Instruct. Der Entwickler bezeichnet sie als Nachfolgerin von Euryale v2.2 und hält sie von Hanami-x1 getrennt. Sie verarbeitet schriftliche Anweisungen und Gespräche und erzeugt Text, mit Rollenspielmaterial und kreativen Anweisungen im veröffentlichten Trainingsrezept.\n\nDie Konfiguration des Entwicklers hat 80 Transformer-Schichten, 64 Query-Attention-Köpfe und acht Key/Value-Köpfe. Ihre maximale Positionszahl beträgt 131’072 mit rotatorischer Llama-3-Skalierung. Das Trainingsrezept verwendet Sequenzen mit 16’384 Tokens. Dies sind unterschiedliche Eigenschaften: Die Trainingssequenzlänge ist nicht dieselbe Zahl wie die maximale Positionszahl der veröffentlichten Modellkonfiguration.\n\nDer Hersteller empfiehlt Llama-3-Instruct-Formatierung und betont die Bedeutung des Systemprompts. Seine Beispieleinstellungen verwenden Temperatur 1.1 und Sampling mit einer Mindestwahrscheinlichkeit von 0.1. Dies sind Empfehlungen des Entwicklers für diese Ausgabe und kein fester Ausgabestil oder ein Versprechen, dass jede Anwendung diese Steuerungen bereitstellt.\n\nStellen Sie für ein Charaktergespräch die Persona, die Szene, die Beziehung zwischen den Sprechenden und den jüngsten Austausch bereit. Geben Sie an, zu welcher Figur die nächste Antwort gehört und wo die Runde enden soll. Eine konkrete Systemanweisung kann Stimme und zu bewahrende Fakten definieren, während die Nutzernachricht das nächste Ereignis oder die nächste Frage liefert.\n\nStellen Sie für kreative Prosa die Passage bereit und nennen Sie die gewünschte Änderung: eine Fortsetzung, eine Überarbeitung des Tons oder einen klareren Austausch zwischen Figuren. Halten Sie die wichtigen Szenenfakten sichtbar und unterscheiden Sie sie von stilistischen Vorlieben. Eine nützliche Ausgabe kann aus einer überarbeiteten Passage bestehen, die die Handlung bewahrt, gefolgt von einer kurzen Erklärung, wenn diese angefordert wird.\n\nDie Identität des Modells als v2.3 ist beim Vergleich mit früheren Euryale-Veröffentlichungen wichtig: Es verwendet die Basis Llama 3.3 Instruct und ein eigenes Trainingsrezept mit eigenen Einstellungen. Die kurze Veröffentlichungsnotiz des Entwicklers nennt diesen Umfang; der daraus entstehende Entwurf bleibt auf die gewünschte Stimme, Kontinuität und Anweisungsbefolgung zu prüfen. Sie belegt weder visuelle Eingaben noch externe Werkzeugausführung oder eine separate steuerbare Denkphase.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Continue a reluctant guide roleplay\n\nWrite only Ivo, an old mountain guide who distrusts the royal expedition. I control the expedition leader. The bridge is gone, Ivo knows a dangerous ridge path, and the leader says, 'You owe us a route.' Give Ivo two short replies with a physical gesture between them, then pause before the leader decides.Two in-character replies, one gesture and an open decision for the reader-controlled leader.Preserve the lost bridge and Ivo's distrust without writing the leader's response or resolving the journey.sao10k/l3.3-euryale-70bEuryale v2.3 von Sao10K ist eine Feinabstimmung von Llama 3.3 70B Instruct für dialogischen und kreativen Text. Der Entwickler nennt Llama-3-Instruct-Prompting, rollenspielorientierte Trainingsdaten und eine veröffentlichte Konfiguration mit 131’072 Positionen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Llama 3.3 Euryale 70B v2.3 ist Sao10Ks Euryale-Ausgabe auf Basis von Llama 3.3 70B Instruct. Der Entwickler bezeichnet sie als Nachfolgerin von Euryale v2.2 und hält sie von Hanami-x1 getrennt. Sie verarbeitet schriftliche Anweisungen und Gespräche und erzeugt Text, mit Rollenspielmaterial und kreativen Anweisungen im veröffentlichten Trainingsrezept.
Die Konfiguration des Entwicklers hat 80 Transformer-Schichten, 64 Query-Attention-Köpfe und acht Key/Value-Köpfe. Ihre maximale Positionszahl beträgt 131’072 mit rotatorischer Llama-3-Skalierung. Das Trainingsrezept verwendet Sequenzen mit 16’384 Tokens. Dies sind unterschiedliche Eigenschaften: Die Trainingssequenzlänge ist nicht dieselbe Zahl wie die maximale Positionszahl der veröffentlichten Modellkonfiguration.
Der Hersteller empfiehlt Llama-3-Instruct-Formatierung und betont die Bedeutung des Systemprompts. Seine Beispieleinstellungen verwenden Temperatur 1.1 und Sampling mit einer Mindestwahrscheinlichkeit von 0.1. Dies sind Empfehlungen des Entwicklers für diese Ausgabe und kein fester Ausgabestil oder ein Versprechen, dass jede Anwendung diese Steuerungen bereitstellt.
Stellen Sie für ein Charaktergespräch die Persona, die Szene, die Beziehung zwischen den Sprechenden und den jüngsten Austausch bereit. Geben Sie an, zu welcher Figur die nächste Antwort gehört und wo die Runde enden soll. Eine konkrete Systemanweisung kann Stimme und zu bewahrende Fakten definieren, während die Nutzernachricht das nächste Ereignis oder die nächste Frage liefert.
Stellen Sie für kreative Prosa die Passage bereit und nennen Sie die gewünschte Änderung: eine Fortsetzung, eine Überarbeitung des Tons oder einen klareren Austausch zwischen Figuren. Halten Sie die wichtigen Szenenfakten sichtbar und unterscheiden Sie sie von stilistischen Vorlieben. Eine nützliche Ausgabe kann aus einer überarbeiteten Passage bestehen, die die Handlung bewahrt, gefolgt von einer kurzen Erklärung, wenn diese angefordert wird.
Die Identität des Modells als v2.3 ist beim Vergleich mit früheren Euryale-Veröffentlichungen wichtig: Es verwendet die Basis Llama 3.3 Instruct und ein eigenes Trainingsrezept mit eigenen Einstellungen. Die kurze Veröffentlichungsnotiz des Entwicklers nennt diesen Umfang; der daraus entstehende Entwurf bleibt auf die gewünschte Stimme, Kontinuität und Anweisungsbefolgung zu prüfen. Sie belegt weder visuelle Eingaben noch externe Werkzeugausführung oder eine separate steuerbare Denkphase.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits sao10k/l3.3-euryale-70b | 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 $0.0013 / 1K Tokens Ausgabe · Ausgabetoken $0.0015 / 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 $0.0013 / 1K Tokens Ausgabe · Ausgabetoken $0.0015 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "sao10k/l3.3-euryale-70b", "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='sao10k/l3.3-euryale-70b',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='sao10k/l3.3-euryale-70b',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 sao10k/l3.3-euryale-70b
Verwenden Sie die oben angezeigten Methodenpfade.
sao10k/l3.3-euryale-70bEuryale v2.3 von Sao10K ist eine Feinabstimmung von Llama 3.3 70B Instruct für dialogischen und kreativen Text. Der Entwickler nennt Llama-3-Instruct-Prompting, rollenspielorientierte Trainingsdaten und eine veröffentlichte Konfiguration mit 131’072 Positionen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Llama 3.3 Euryale 70B v2.3 ist Sao10Ks Euryale-Ausgabe auf Basis von Llama 3.3 70B Instruct. Der Entwickler bezeichnet sie als Nachfolgerin von Euryale v2.2 und hält sie von Hanami-x1 getrennt. Sie verarbeitet schriftliche Anweisungen und Gespräche und erzeugt Text, mit Rollenspielmaterial und kreativen Anweisungen im veröffentlichten Trainingsrezept.
Die Konfiguration des Entwicklers hat 80 Transformer-Schichten, 64 Query-Attention-Köpfe und acht Key/Value-Köpfe. Ihre maximale Positionszahl beträgt 131’072 mit rotatorischer Llama-3-Skalierung. Das Trainingsrezept verwendet Sequenzen mit 16’384 Tokens. Dies sind unterschiedliche Eigenschaften: Die Trainingssequenzlänge ist nicht dieselbe Zahl wie die maximale Positionszahl der veröffentlichten Modellkonfiguration.
Der Hersteller empfiehlt Llama-3-Instruct-Formatierung und betont die Bedeutung des Systemprompts. Seine Beispieleinstellungen verwenden Temperatur 1.1 und Sampling mit einer Mindestwahrscheinlichkeit von 0.1. Dies sind Empfehlungen des Entwicklers für diese Ausgabe und kein fester Ausgabestil oder ein Versprechen, dass jede Anwendung diese Steuerungen bereitstellt.
Stellen Sie für ein Charaktergespräch die Persona, die Szene, die Beziehung zwischen den Sprechenden und den jüngsten Austausch bereit. Geben Sie an, zu welcher Figur die nächste Antwort gehört und wo die Runde enden soll. Eine konkrete Systemanweisung kann Stimme und zu bewahrende Fakten definieren, während die Nutzernachricht das nächste Ereignis oder die nächste Frage liefert.
Stellen Sie für kreative Prosa die Passage bereit und nennen Sie die gewünschte Änderung: eine Fortsetzung, eine Überarbeitung des Tons oder einen klareren Austausch zwischen Figuren. Halten Sie die wichtigen Szenenfakten sichtbar und unterscheiden Sie sie von stilistischen Vorlieben. Eine nützliche Ausgabe kann aus einer überarbeiteten Passage bestehen, die die Handlung bewahrt, gefolgt von einer kurzen Erklärung, wenn diese angefordert wird.
Die Identität des Modells als v2.3 ist beim Vergleich mit früheren Euryale-Veröffentlichungen wichtig: Es verwendet die Basis Llama 3.3 Instruct und ein eigenes Trainingsrezept mit eigenen Einstellungen. Die kurze Veröffentlichungsnotiz des Entwicklers nennt diesen Umfang; der daraus entstehende Entwurf bleibt auf die gewünschte Stimme, Kontinuität und Anweisungsbefolgung zu prüfen. Sie belegt weder visuelle Eingaben noch externe Werkzeugausführung oder eine separate steuerbare Denkphase.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits sao10k/l3.3-euryale-70b | 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 $0.0013 / 1K Tokens Ausgabe · Ausgabetoken $0.0015 / 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 $0.0013 / 1K Tokens Ausgabe · Ausgabetoken $0.0015 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "sao10k/l3.3-euryale-70b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'sao10k/l3.3-euryale-70b', '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': 'sao10k/l3.3-euryale-70b', '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 sao10k/l3.3-euryale-70b
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Continue a reluctant guide roleplay\n\nWrite only Ivo, an old mountain guide who distrusts the royal expedition. I control the expedition leader. The bridge is gone, Ivo knows a dangerous ridge path, and the leader says, 'You owe us a route.' Give Ivo two short replies with a physical gesture between them, then pause before the leader decides.Two in-character replies, one gesture and an open decision for the reader-controlled leader.Preserve the lost bridge and Ivo's distrust without writing the leader's response or resolving the journey.